財務危機預測

C. 突變

突變亦是利用隨機的方法來進行，對欲進行突變的染色體隨意的選取一個 突變點(基因)，並對該位置的基因做反轉動作(基因原先數值若為 0 時則將其轉 換為1，若為 1 時則轉換為 0)。突變的主要目的是為了避免基因演算法在演化 的過程中，陷入局部最佳解的狀況，使得整個過程較容易搜尋到全域最佳解。

但是突變率通常設得非常低，因為突變的機率如果過高，則可能破壞原先以找 到的優良基因結構。

將∑的值做映射得到所需要的輸出；Yi輸出變數，即我們所需要的結果。

類神經網路在商業上的應用也相當的廣泛，例如債信評估、個人信用風險 評估、企業財務危機預測、股價預測等。自Odom and Sharda(1990)開始將類神 經網路開始應用在財務危機的預測後，後續也有許多應用類神經各種不同的模 型來做測試分析，經過多年後學者的交叉比較後，證實發現倒傳遞在預測財務 危機的能力上有較佳的表現。

倒傳遞網路(Back-Propagation Network，BPN)

倒傳遞網路(Back-Propagation Network)是目前類神經網路中，最具代表性 且最為普遍的模型，其基本的原理是利用最陡坡降法(the gradient steepest descent method)觀念來將誤差函數最小化。由於具有學習的高準確度，回想速 度快等優點，因此有許多學者便以倒傳遞網路做為預測財務危機的主要模型，

再者由於基本的架構流程與該財務預警的架構相當契合，本研究也以倒傳遞做 為其中一種預測模型。一個標準的倒傳遞網路(後面將以 BPN 做為取代用詞)架 構流程如圖3.12 所示。

圖3.11 人工神經元模型

圖3.12 以倒傳遞網路做為預測分類器的流程圖

A. 輸入向量與輸入層

輸入層用以表現網路的輸入變數，本研究將經過變數篩選出來的特徵變 數，經過資料前處理後，將資料以向量的方式傳送給輸入層，並利用線性轉換 函數 f

(

) =

B. 隱藏層

隱藏層是表現輸入處理單元間的交互影響，該層內之處理單元數並無標準方 法可用以決定，經常需以試驗的方式來決定其最佳的數目。在倒傳遞中隱藏層 的層數可以不只一層，也可以沒有隱藏層，但是過多或是過少都會造成收斂結 果較差，根據Zhang(1999)曾經提出，具有一個隱藏層的網路模型就能夠達到解 決問題所需的精確度[16]。

C. 輸出層與輸出向量

在輸出的部分，根據本論文所要解決的問題，是要判斷該筆輸入的財務數 據，是否為危機公司的財務資料，所以為輸出設定為[0,1]或[1,0]，做為判斷該 筆資料是否為危機公司的訊息。

倒傳遞須藉由訓練資料來加以學習。當網路輸出值有誤差時，利用調整節 點間的鍵結值(weights,通常由隨機的方式產生介於+1 到- 1 之間的初始值)，經 過適當的訓練後，當誤差值小於臨界線或是學習次數達設定值時停止訓練學 習。其演算分成下列三個部分：

集成函數

⎟⎠

⎜ ⎞

⎝

= ⎛

∑

i i ji

j

f w a

a

轉換函數

e

x

f

= + 1 ) 1 (

偏差調整

i j ji

ji

a

w

w η E

ηδ

∂

− ∂

= Δ

此學習過程通常以一次一組訓練資料的方式進行學習，直到學習完所有的 訓練範例，稱為一個學習循環(Learning cycle)。一個網路可以反覆學習直到收 斂至設定門檻或是學習次數上限為止。

3.3.2 分群法

一般資料整理分析的習慣，往往會先以同質性高的資料，分群之後再做分 析。由於實際上資料點並不會完全隸屬於同一群聚，也就是資料落點不會正好 落在群心上，因此在分群時將模糊集合的觀念引用，將更符合實際的現象。FCM

屬於非監督式的群聚演算法，在1973 年由 Dunn 提出，1981 年 Bezdek 再予以 改進，普遍應用在資料分群上。

本研究除了利用類神經網路作為預測學習外，另外提出以 Fuzzy C-Mean 分群法來做為財務危機的預警模型。預設學習的過程如圖3.12 所示。其步驟如 下：

1. 將訓練用樣本中是否為危機轉換為二位元數值(0 表示危機公司，1 表示非 危機公司)，接著利用 Fuzzy C-Mean 搭配 WB 指標對其做分群，找出危機 與非危機兩類的數個群組之群心，以做為對測試樣本分類判斷的依據。詳 細方法如3.2.2 適應度計算中 A.分群法中詳述。

2. 將測試樣本，與上一步驟中以 Fuzzy C-Mean 所找出危機與非危機兩類的數 個群組之群心，進行樣本分類判斷，並計算測試用樣本是否正確分類到該 類所屬的群組之中，以其正確率做為判斷所使用的特徵變數優劣。

圖3.13 以 Fuzzy C-Mean 分群法作為預測分類器流程圖