類神經網路在 財務危機預警 財務危機預警 之應用
資料來源：台中商專學報第28期 (民國86年5月)
學號：9016609 姓名：陳文豐
一、類神經網路系統
Feed-forward networks 網路架構
Feed-back networks
the Back-propagation Algorithm 學習演算法
linear threshold 轉換函數
sigmoid
二、財務預警模式建立與驗證
1.財務評估準則
利用統計方法 根據專家認知
變數須與財務狀況高相關 綜合過去專家的分析研究
以下8個獨立變數具有區隔危機公司與正常公司的能力
(1)流動比率
(2)營運資金對資產總額比率 (3)營運資金對負債總額比率 (4)負債總額對權益比率
(5)固定資產對淨值比率 (6)稅後淨利佔總資產比率 (7)稅後淨利佔淨值比率 (8)稅後淨利佔 銷貨比率
2.樣本資料
期間---民國79年1月至81年12月 (總共36個月)
銀行聯合徵信中心
從不同產業
30家違約發生呆帳公司 隨機抽取60家公司
30家財務正常公司
3.ANN學習
代表 8個財務變數 輸入層節點
輸出層節點 代表 財務的判定等級
隱藏層 代表 財務變數之間的內在關聯
學習過程
隨機方式決定權值 隨機丟入網路 將60樣本
進行倒傳遞學習 每執行1樣本
以調整權值
得到
學習速率 0.2時 學習效果較佳
α =
三、實證結果與分析
1.檢定隱藏層的 層級多寡 ，對網路效益的影響程度
2.檢定隱藏層的 節點多寡 ，對網路效益的影響程度
3.比較三層ANN與 Logit 模式 的效益
1.檢定隱藏層的 層級多寡 ，對網路效益的影響程度
92﹪
55 3
93﹪
56 2
85﹪
51 1
79﹪
46 0
正確區隔率 正確區隔數
隱藏層層級數
Max
2.檢定隱藏層的 節點多寡 ，對網路效益的影響程度
90﹪
54 7
93﹪
56 6
90﹪
54 4
87﹪
52 8
88﹪
53 5
88﹪
53 3
87﹪
52 2
87﹪
52 1
正確區隔率 正確區隔數
隱藏層節點數
Max
3.比較三層ANN與 Logit 模式 的效益
β ε
β
iX
i iZ
= 0 +∑
+Logit模式：
X為各財務評估變數
經過 選出
60筆資料輸入SAS 因素分析 3個財務評估變數
X X
X
Z
= 0.52 + 35.12 1+ 7.34 2 −50.57 3建立：
正確區隔率之比較
正確區隔率 模式
79﹪(0)
、85﹪(1) 、 93﹪(2) 、 92﹪(3) ANN模式81﹪
Logit模式
四、結論
1.ANN確實是一個較佳的評估工具，其特點如下
(1)自我組織及學習的能力
(2)可以從輸入資料中，尋找出複雜的變數間關係 (3)可以容忍有雜訊且隨機輸入的資料
(4)多元回歸模式通常並未考量變數間自我相關的效應 (5)可以依據新樣本，隨環境動態調整
(6)可以容忍錯誤及遺失的資料
2.ANN在財務評級應用上有3個問題有待解決
(1)發展一有效演算法，以決定出最佳隱藏層節點數 (2)將ANN與其他歸納學習法比較，以確定其效益
(3)改良倒傳遞演算法，以加快其收斂速度及避免陷入局部最小
