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.