粒子群神经网络投资风险评估

期刊目录网计算机网络论文发表2021-02-24 11:05关注(1)

　　风险投资，又可以理解为创业投资，是初创企业开始发展并进入正轨的一种重要融资方式。风险投资的成功与否与企业环境、财务、管理、市场、技术等密切相关。在此背景下，本文讲述了如何利用线性Logistic回归方法和非线性粒子群神经网络算法分析影响投资成败的一系列因素，并对其进行评估。

　　关键词:风险投资;主成分分析;Logistic回归神经网络;粒子群

　　1绪论

　　风险投资，或称为风险资本、创业资本，是指以股权、准股权或具有附带条件的债权形式投资于新颖、未经试用技术项目或未来具有高度不确定性的项目，并愿意为所投资的项目或企业提供管理或经营服务，期望通过项目的高成长率并最终以某种方式出售产权以取得高额中长期收益的一种投资方式［1］。相比于国外，国内的风险投资起步相对较晚。在20世纪40年代，风险投资开始于美国硅谷［2］。与根深蒂固的交易方式不同，风险投资不是类似于各种财产的抵押交换，而是直接将资金与所投资公司的股权交易，即资金多少直接与企业股权占有量成比，所以，投资人在进行投资时，会对投资公司的背景文化、运营方式、效益等多方面进行考察选择，最终确定投资。可见，投资是具有一定风险的，综合评估投资企业对投资成功具有重要意义。风险投资具有高风险、高收益的特点，所以，只有少部分精通投资的人会涉足这一领域，而且风险投资对象大多是涉及通信、半导体等的新兴高科技企业。当代社会，科技迅猛发展，随之而来的，是企业的发展与社会的进步。对于企业来讲，只有将技术和创新摆在首位，才能为企业的长远发展提供保障。同样的，长久利益是企业吸引风险投资的必备优势，所以，风险投资的产生与运营将会带动企业的创新和发展，从而促进经济发展和社会进步。可见，风险投资对于整个社会的进步有一定的推动作用。

　　2理论基础

　　2．1粒子群算法理论

　　群体活动往往表现出智能性，而且智能仿生技术在解决实际问题中越来越受到青睐。粒子群算法(PSO)是一种典型的群体智能优化算法，由Eberhart博士和Kennedy博士在1995年提出，并受到了很大关注。粒子群算法来源于鸟群的捕食行为，利用群体中个体之间信息的共享，从而实现群体的无序到有序的行为转变，并最终完成整个问题。在利用粒子群算法进行求解问题时，首先对定义的一群粒子进行初始化，包括位置、速度和适应度值三个量，在求解过程中，每一个粒子都是潜在的最优解，设定适应度值函数用来计算每个粒子的适应度值，其大小代表了粒子的优劣。在粒子运动过程中，通过比较每个粒子或其本身所经历的适应度值，寻找粒子群的个体极值和群体极值，即个体所经历的最大适应度函数的位置为个体极值，所有粒子中的最大适应度值个体为群体极值。再通过不断更新粒子的位置和适应度值，来寻找最优解。

　　2．2BP神经网络算法理论

　　前馈神经网络的算法中，反向传播(BP)算法是最基本的算法，也是应用较为普遍的算法。所谓反向传播，是指将神经网络训练中的误差从输出层反向推导至隐含层、输入层，以使误差逐渐减小为原则，调整网络各层的连接权值和阈值。BP算法的缺点是在学习过程中采用的是非线性梯度优化算法，存在局部极小问题，学习算法收敛速度慢，迭代次数多，学习步长的选取造成稳定性变化。因此，我们通常会用到改进的BP算法，如用粒子群算法来优化BP算法。传统的BP神经网络采用误差反向传播来调整网络连接权值，该方法容易陷入局部最优解，而PSO算法可以在更大的空间内搜索，在一定程度上避免了以上问题。所以，将PSO算法应用于BP神经网络的网络权值优化。从而更好实现全局寻优问题。将神经网络各层的连接权值编码成粒子，适应度值则为使用该组权值时的网络输出均方误差，利用之前描述的粒子群算法，在预设的迭代次数内搜索最优的网络权值。

　　3投资风险评估

　　风险投资公司在对风险进行识别的过程中更多地是利用在以往的项目开发中的经验，以及累积和整理的风险投资行业的经验和教训对风险进行识别，在这一过程中，风险投资公司会首先查看风险企业的历史资料，如，索赔记录、其他风险信息等，对企业信誉进行考察;其次查看风险企业近期财务报表，对企业近几年的销售收入、利润增长率、净利润、净资产收益率进行了解;再次对企业进行实地考察，对风险企业进行全面考察，最后由参与项目的人员进行讨论。风险投资公司目前在对风险进行识别时重点对环境、技术、财务、市场和管理等6个风险因素进行了关注，具体如下表所示。

　　3．1样本选择与数据处理

　　首先对各个公司收集的以上历史数据进行处理，如果数据量太小，而且多列数据存在不同程度的缺失，如果因为某个数据缺失而删除整行会导致大量重要信息丢失，所以在原始数据较少的情况下，不能剔除缺失值所在行，所以需要进行缺失值处理。所以，首先对整体数据进行分析，然后用SPSS软件对缺失值进行填补，最后利用EXCEL对每列数据进行归一化标准处理，从而可以进行建模分析。

　　3．2相关性分析

　　首先运用SPSS软件进行主成分分析，可以得到各个指标的相关性排序，并能得到相关性排名靠前的指标，例如:市场需求强度、市场推广和扩张能力主流化、净利率预估、管理类别好1中2差3、目前收入可持续程度、样品准备时间、发展路线图的详细度、资产需求指数、轻资产0为真位于前9位，然后对这9个主变量进行线性Logistic回归分析和非线性粒子群神经网络处理，从而建立风险评估的线性和非线性模型。

　　3．3风险评估模型

　　3．3．1线性logistic回归在logistic回归分析中，回归系数的估计方法通常是最大似然法。最大似然法就是选取使得总体真参数落在样本观察值领域里的概率达到最大的参数值作为真参数的估计值。为了得到一个非偏估计，需采用重递推的方法，将最大似然估计值不断修正。软件系统使用的是重复加权最小二乘递推法来估计回归系数。3．3．2非线性粒子群神经网络粒子群BP神经网络分为三层，分别是输入层、隐含层和输出层。其中输入层的数据为前面选取的排名前9的指标，分别是市场需求强度、净利率预估、资产需求指数、对市场的细分程度、市场发育、市场推广和扩张能力、发展路线图的详细程度、样品准备时间、制度化管理能力。设定隐含层个数，输出为合并的结果，也就是1代表投资成功，0代表投资失败。通过训练收集的历史数据来训练粒子群神经网络模型，建立各项指标与输出的一种非线性映射关系，从而根据最新数据，利用优化的非线性模型得到企业投资成功的概率。从中分析得出企业获得成功投资的概率越高，投资风险也就越小。线性logistic回归和粒子群神经网络是对数据进行拟合的线性和非线性方法，在数据处理和预测中具有重要作用，两者都可以对数据进行拟合，适用于不同的数据类型，各有千秋，需要根据实际数据和场景进行选择和比较。

　　4结论

　　本文从线性系统角度构建了基于Logistic回归的风险评估模型，从非线性角度构建了基于粒子群优化的BP神经网络模型，从而可以评估各企业的投资风险。线性Logistic回归模型，易受极端变量影响，需要建立长期的报告，检测机制操作较为复杂，但是易于理解和实行。非线性的粒子群优化的BP神经网络模型同样也容易受到极端变量的影响，并且对训练样本有着严格的要求，对于训练样本和测试样本的分类个数也会影响模型的准确度。但是它的计算精度比较高，只要定期更新训练数据，就可以构建稳健的评估模型。综上所述，通过线性和非线性两种方法对收集的数据进行处理，可以对投资风险进行全面的评估，有利于投资人基于公司历史表现数据评估投资风险，具有非常重要的现实应用意义。

　　参考文献:

　　［1］郭占力．中国风险投资发展研究［D］．黑龙江:哈尔滨工程大学，2015．5．

　　［2］成思危．科技风险投资论文集．北京:民主与建设出版，1997．

　　［3］施祖麟，韩岱峰．美国风险投资业发展及促进高技术产业化的启示．科技导报，1988(11)．

　　作者：吴琼 赵春生

粒子群神经网络投资风险评估相关论文：

上一篇：网络信息设备资产网络安全管理
下一篇：物联网时代中职计算机教学