本站原创为您写样本毕业论文和职称论文提供关于样本类本科论文范文,与农村合作金融机构运营预警系统构建相关论文范文素材,包括关于样本及网络金融及财务报表方面的论文题目、提纲、开题报告、文献综述、参考文献的大学硕士和本科毕业论文，是免费优秀的样本论文范文。
摘 要 ：我国农村合作金融系统的经营运行长期处于高风险状态,整体经营状况无法利用单一经营指标予以评判,必须通过一套“金融预警系统”进行确认,即利用“金融预警系统”综合判定农村金融机构的营运等级.基于这一研究动机,本文运用人工神经网络方法,构建金融预警模型.在此基础上,利用H省Z市农村信用社资料检验BP神经网络金融预警模型的预测能力.如果检验结果良好,表明可以利用“金融预警系统”综合判定农村金融机构的营运等级.
关 键 词 ：农村合作金融；人工神经网络；金融预警
文章编号：1003-4625(2009)06-0053-03
中图分类号：F832.35 文献标识码：A
一、实证模型构建
(一)样本资料选取
本研究样本资料最初选取了H省Z市350家农村信用合作社(分社、营业部),收集了各农村信用合作社(分社、营业部)的2005年至2007年的各项数据.在实证分析中我们发现,市区和市郊农村信用合作社差别太大,不宜放在一起分析.因此,舍弃了市区的55家农村信用合作社,保留了295家市郊农村信用合作社,总样本量为885家,其中部分样本数据有遗漏,实际有效样本为736家.
(二)研究变量选取
本文构建的金融预警理论模型中将选用16项经营绩效指标为农村信用社金融预警模型的自变量,各指标的说明及理论依据见表1.
本文采用Ward’s法进行阶层式集群分析,得到各信用社营运评等等级,并以此作为预警模型的因变量.
具体方法是,将2005―2007年度农村信用社736家有效样本观察值,按照16项经营绩效指标观察值,划分为：
第一类564家样本数(76.63％)；
第二类112家样本数(15.22％)；
第三类35家样本数(4.75％)；
第四类23家样本数(3.13％)；
第五类2家样本数(O.27％).
以上如表2所示.
由检验统计量F值及P值显示,五类样本的经营绩效指标存在明显差异,说明所选择的经营绩效指标可以有效地将研究主体区分开.各类型赋予营运评等等级,分别为：
第一类为B级；
第二类为；
第三类为C级；
第四类为D级：
第五类为E级.
(三)BP神经网络模型
人工神经网络(Artificial Neural Network.ANN)是对人脑若干基本特性通过数学方法进行的抽象和模拟,是一种模仿人脑结构及其功能的非线性信息处理系统.
先对一些给定的样本以一定的学习准则进行学习,然后根据已有的学习成果对新的样本进行判断评价.
其输入和输出之间的变换关系一般是非线性的,它根据输入的信息建立神经元,通过学习规则或自组织等过程建立相应的非线性数学模型,并不断进行修正,使输出结果与实际值之间差距不断缩小.
人工神经网络通过样本的“学习与培训”,可记忆客观事物在空间、时间方面比较复杂的关系.
一般而言,ANN与经典计算方法相比并非优越,只有当常规方法解决不了或效果不佳时ANN方法才能显示出其优越性.尤其对问题的机理不甚了解或不能用数学模型表示的系统,如故障诊断、特征提取和预测等问题,ANN往往是最有利的工具.
同时,ANN对处理大量原始数据而不能用规则或公式描述的问题,表现出极大的灵活性和自适应性.按照人工神经网络运作模式区分,可分为监督式学习网络、无监督式学习网络、联想式学习网络与最适化学习网络等四大类.其中尤以监督式学习网络最合适应用于预测问题,其运作方式主要分成学习与回想过程.
学习过程即从训练样本中学习资料特性,以调整网络加权值,使网络输出与期望输出的差距量最小化,以建立输入项与输出项之间对应关系；回想过程即依照回想演算法,根据测试样本的输入资料,决定网络的估计值.
但是,并不是所有的监督式学习网络全部具有预测能力,主要是因为某些学习演算法使其输出项只能退化成研究分类问题.而在实证研究方面,基于BP人工神经网络的综合评价方法具有运算速度快、问题求解效率高、自学习能力强、适应面宽等项优点,较好地模拟了评价专家进行综合评价的过程,所以常被广泛应用于预测问题研究.
因此,本研究采用BP神经网路建立农村信用社金融预警模型.
二、实证分析
为了检验金融预警模型正确率,必须将实证样本区分为检验样本、测试样本和训练样本三组样本,训练样本用于推估金融预警模型,测试样本用于对训练好的网络进行测试,以确定或肯定这个网络,检验样本用于检验金融预警模型的正确率.
本文按照习惯的1:1:2的比例划分样本,分别为训练样本(368笔)、测试样本(184笔)及检验样本(184笔).
BP神经网络是通过不断学习训练,并于学习训练中对网络中具有较大影响力的处理单元赋予较大权数,相对地对于网络中较无影响力的处理单元则给予较小权数,以找出输入单元与输出单元的映射关系.
因此,BP神经网络无须事先考虑输入变数间是否有共线性问题.
其具体参数设定如下：
1.输出层变量：即因变量(A～E五评等等级).
2.输入层变量：即自变量(16个变量两组样本).
3.隐层：隐层层数确定为一层,隐层处理单元数目为输入层处理单元数目.
4.学习演算与网路设定：以Delta-Rule为学习法则,Sigmoid为转换函数.
5.其他网路参数则依经验法则予以设定：隐层学习率为0.3、输出层学习率为0.15,惯性因子为0.4.
三、BP神经网络金融预警模型结论
(一)本文所构建的金融预警模型有显著预测能力
在利用368个训练样本推估金融预警模型,并利用184个测试样本测试后已经得到的金融预警模型的基础上,利用184个检验样本对最终的金融预警模型进行检验,实际预测效率为92.66％.
此结果表示本文所构建的金融预警模型预测准确率高达92.66％,有显著预测能力.
在实际应用时要充分提高模型的预测能力,必须建立完备的农村信用社财务报表数据资料库.
(二)可以依据对农村信用社的等级预测进行危机预警
透过构建金融预警模型的过程可以发现,本文对农村信用社进行等级评定是可信的.
这说明农村信用社经营失败是一个连续的过程.
如果农村信用社经营投资组合表现优良,一般属于等级A或等级B；
如果信用社管理绩效不好,则属于等级C；
如果资产品质恶化,极易受到市场风险的影响,此时的等级评定应该是D；
如果采用高风险的手段仍然无法获利,信用社就会经营失败,等级为E.
因此,在日常管理工作中,可以依据对农村信用社的等级预测进行危机预警.