基于Elman_Adaboost算法的财务预警器的设计

为了有效的克服传统财务预测方法的局限性并进一步提高财务状况预测正确率，提出一种Adaboost算法和Elman神经网络的财务组合预测方法。该方法充分利用了Elman网络的动态特性和Adaboost算法能提高弱预测器精度的特性来提升预测的精度。通过对某上市公司财务数据的分析，结果证明，该方法经济有效，较大程度的提升了预测精度，并能够及时、合理地反映财务数据的危机状态。

公司财务预警系统作为一种报警系统，是为了预防公司财务系统运行与公司所预期的目标不一样或者偏离，这种报警系统具有很强的预见性和针对性。它通过对公司各项指标的大数据进行综合分析，从而对公司最近的财务状况进行分析从而对公司未来的发展趋势进行有效的预测，以便对公司决策者的一些决定提供强有力的支撑[1]。

对于公司的财务金融预测，最开始提出了一元判定的方法，该方法简单，使用方便，由于只是重视单一指标的分离能力，所以该方法就能人为地改变那些影响结果的一些数据，另外，采用多个指标进行判断时，各项指标之间的关系也无法直接进行判定，这都会影响最终预测的结果[2]。为了弥补一元判定模型的缺陷，1968 年Altman 将多元线性判别的方法引入到财务危机预警研究领域，通过多次测试选用误判率最小的5 个指标作为最终的5 个判定变量，这样判定结果相比较于一元判定好，但是这些改造只不过是选取的变量指标或者指标系数不同而已[3]，最终也是治标不治本，并不能达到所预期的效果。再之后研究学者又采用多元逻辑[4]和多元概率[5]的方法，虽然都对财务金融预测精度有了一定的提升，但是它们的系数对样本和模型设置都非常的敏感，鲁棒性差。由于传统方法存在诸多问题，研究者将AI技术引入到财务预警的研究中，尤其是基于人工神经网络的预测方法得到了大量应用，且取得了较好的性能[6]。但是目前神经网络方法大都是基于BP 网络的，BP 网络本身存在的缺陷，如收敛速度慢、局部极小化、过拟合等问题，且网络结构选择也没有理论依据，真正推广还存在诸多问题[7]。再之后的遗传算法虽然相比于多元判别受主观影响比较小，但是准确率却低于多元判别方法，运算也较为复杂[8]。在之后采用支持向量机预测的方法虽然对小规模样本训练结果还算满意，但是对于大规模训练样本却存在耗费大量机器内存和运算时间等问题，所以也不利于现在公司大数据的预测。基于此，本文提出一种基于Elman_Adaboost 算法的财务预警方法。Elman 网络具有着良好的动态性能和逼近任意非线性能力的优点， 而Adaboost 算法的利用可以对多个Elman 网络的输出结果进行有效融合， 进一步提升Elman 网络的预测性能。将某公司的财务数据结合本文提出的方法进行仿真实验，并与多个方法进行对比分析，结果表明基于Elman_Adaboost 算法的财务预警方法预测精度最高、性能最好，符合财务预测的应用。

2. Elman 网络模型 Elman 网络是一种动态神经网络， 该网络相比较于BP 网络是在其结构单元中引入了反馈环节， 这样就对数据的处理具有了很强的时变性和实时性能力。也正是由于承接层中反馈通道的存在，使得Elman网络具有了很强的检测识别能力和记忆能力。这些特点都在很大程度上提升了系统的动态变化能力，可以更好预测动态数据，其预测性能要优于BP 神经网络[9]。Elman 神经网络的结构一共有4 层，分别包括输入层、隐含层、承接层和输出层。信号从输入层传入，隐含层使用的传递函数具有线性和非线性特点，除了传递数之外，隐含层的层数也能改变训练模型的精度，一般隐含层数量越多，精度也会相应提