基于PCA－GABP的高技术企业信用风险评价
刘平丽，贺兴时，王芳妮
【摘 要】摘要：针对高技术企业信用风险评价中高维、非线性的问题，提出基于主成分分析与遗传算法的改进BP神经网络相集成的高技术企业信用风险评价方法.首先利用主成分分析对高技术企业信用风险评价指标体系降维，并运用降维数据，建立关于高技术企业信用风险评价的GABP神经网络的模型.最后通过实证分析，验证该方法的可行性. 【期刊名称】西安工程大学学报 【年(卷),期】2013(027)001 【总页数】5
【关键词】信用风险评价；主成分分析；遗传算法；BP神经网络
高技术企业是研究开发为社会提供高科技含量的产品与服务、以迅速的技术进步为标志的特殊类型的现代企业，与传统企业相比，高技术企业在技术成果转化时的一个显著特点是具有更高的不确定性，即高风险、高收益，这种不确定性在一定程度上加剧了信息非对称性的影响，从而导致高技术企业面临融资障碍［1］.对高技术企业信用状态进行科学评价，有助于降低合约双方的交易成本、减少信息非对称性、弱化信用风险，有助于拓宽高技术企业融资渠道，提升其自主创新能力.
目前，国内外学者所提出的许多模型，可概括为两大类：统计模型和人工智能模型［2］.常用的统计方法有判别分析法、主成分分析法、聚类分析法等，虽然统计模型在信用风险评估问题中取得了很大成绩，但是由于其对数据样本的严格要求及金融数据的高噪声特性，使得这些模型在实际应用中失效.针对统计
模型的局限性，近年来人工智能技术被引入到该领域，以其强鲁棒性和非结构化性等特征受到越来越多学者的关注.国内无论是用统计方法，还是用人工智能方法来研究信用风险，目前都尚处于起步阶段.文献［3］利用BP神经网络对企业财务危机进行了预警研究；文献［4］利用粗神经网络对企业财务危机进行了分析；文献［5－6］则对同一样本数据分别采用主成分分析和模糊综合评价方法研究了上市公司财务状况问题；文献［7］运用BP神经网络方法对企业信用评价做了进一步的研究；文献［8］首先应用主成分分析方法降低输入BP网络的信用评估指标维数，并且采用粒子群优化算法优化BP神经网络的权值；文献［9］建立了高技术企业信用评价初始指标体系，并采用等频率法实现连续属性离散化，然后，运用遗传约简算法求解最小约简，从而剔除冗余指标，获得约简后的高技术企业信用评价指标体系.
本文首先利用主成分分析对高技术企业信用风险评价指标体系降维，剔除指标之间的相关性、信息重叠性，得到具有代表性的主成分评价指标，进而用GA的全局搜索能力来优化BP网络的结构参数，建立基于PCA－GABP的高技术企业信用评价模型.
1 理论基础
1.1 BP神经网络
人工神经网络是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型.BP算法结构简单、易于实现，是目前使用最为广泛的一种人工神经网络算法.BP神经网络具有很强的自学习能力，网络根据输入输出信号，自适应地调节网络的连接权值ω和阈值b［10］.在人工神经网络的实际应用中，80%～90%的神经网络模型是采用BP网络或它的变化形式，将BP算法用
于具有非线性转移函数的三层感知器，可以以任意精度逼近任何非线性函数，这一非凡优势使多层感知器得到越来越广泛的应用. 1.2 主成分分析
主成分分析法是将指标转化为少数几个综合指标的一种多元统计方法.其基本思想是通过变量的相关关系矩阵内部结构的研究，找出能控制所有变量的少数随机变量，来描述多个不同变量之间的相关关系［11］. 1.3 遗传算法
遗传算法是一种以达尔文的“自然进化论”和孟德尔的“遗传变异理论”为基础的全局随机搜索优化计算技术［12］.GA的搜索始终遍及整个解空间，擅长全局搜索，而神经网络在用于局部搜索时显得比较有效，因此，将两者结合起来，取长补短.首先用遗传算法对神经网络初始值进行优化，在解空间定出一个较好的搜索空间.然后再用BP算法在这个空间搜索出最优解.
2 信用风险评价流程
2.1 算法改进的思想
针对传统BP神经网络训练时间长、收敛速度慢、易陷入局部极小值、网络结构难以确定等缺陷［10］，分别从样本集合和初始权值两方面进行改进.主成分分析方法是系统降维和特征提取的一种基本方法，通过线性变换，将原来的多个指标组合成相互独立的几个能充分反映总体信息的指标；遗传算法是基于进化中优胜劣汰、自然选择、适者生存和物种遗传思想的搜索算法，是一种全局寻优的方法.因此改进算法的基本思想为：首先，利用主成分分析对高技术企业信用风险评价指标进行降维，实现指标的约简，形成对信息的预处理.再利用遗传优化算法对神经网络的初始权值进行优化，将最优解作为网络新的权值和阈
基于PCA-GABP的高技术企业信用风险评价
