基于ＡＮＮ理论的企业现金流猜测模型构建(2)
2017-11-19 05:18
导读：）三方面决定， 即有：O=fo(O 1 ，O 2 ，O 3 )其中，设f i (i=0，1，2，3)分别表示企业现金流、企业资产治理能力、企业变现能力、企业盈利能力的猜测函数，
）三方面决定， 即有：O=fo(O
1，O
2，O
3)其中，设f
i(i=0，1，2，3)分别表示企业现金流、企业资产治理能力、企业变现能力、企业盈利能力的猜测函数，而这三个中间层指标又各自分别通过最能反映该方面状况的细化基础层指标进行测定。例如，对于O
1它可以通过U1：活动资产周转率；U
2：总资产周转率；U
3：应收账款周转率；U
4：存货占总资产比率4个具体的基础层指标来衡量，即有：O
1=f
1{U
1：活动资产周转率；U
2：总资产周转率；U
3：应收账款周转率；U
4：存货占总资产比率}。同理，对于O
2、O
3可以分别通过指标集中的具体指标决定：
O
2=f
2（U
4：活动比率；U
5：速动比率）， O
3= f
3（U
6：销售净利率；U
7：资产净利率）。
由于该指标体系具有前瞻性和先行性且简单明了，能较全面完整的反映某企业现金流的发展水平。不仅起到前瞻决策的作用，而且体现企业现有经营治理能力、未来发展潜力等。
神经网络猜测模型的计算机实现过程
一旦网络模型确定以后，为了检验模型的实际效果，可以对企业发展 “拐点”进行模拟猜测。
步骤1：现分别对某公司2000-2003年季度现金流进行网络练习。按前所述方法把历史数据正规化作为输进矢量输进神经网络BP算法模型。
步骤2：启动神经网络进行练习，具体运算原理如上所述。利用MATLAB软件计算，计算机在反复叠代的学习过程中找到一个逼近优化的映射利用练习模型。本文中学习率α取0.01；Ｎ为调整次数；Δｗ
jk为样本输出层单元调整量的积累；Δｗ
ij为样本隐含层单元调整量的积累。ｋ=1；共6组样本，ｎ=6，误差判定原则是：当Ｅ
