神經網路分析法
出自 MBA智库百科(https://wiki.mbalib.com/)
神經網路分析法（Neural Network Analysis）
目錄 |
神經網路分析法是從神經心理學和認知科學研究成果出發，應用數學方法發展起來的一種具有高度並行計算能力、自學能力和容錯能力的處理方法。
神經網路技術在模式識別與分類、識別濾波、自動控制、預測等方面已展示了其非凡的優越性。神經網路是從神經心理學和認識科學研究成果出發，應用數學方法發展起來的一種並行分佈模式處理系統，具有高度並行計算能力、自學能力和容錯能力。神經網路的結構由一個輸入層、若幹個中間隱含層和一個輸出層組成。神經網路分析法通過不斷學習，能夠從未知模式的大量的複雜數據中發現其規律。神經網路方法剋服了傳統分析過程的複雜性及選擇適當模型函數形式的困難，它是一種自然的非線性建模過程，毋需分清存在何種非線性關係，給建模與分析帶來極大的方便。
神經網路分析法在風險評估的運用
神經網路分析方法應用於信用風險評估的優點在於其無嚴格的假設限制，且具有處理非線性問題的能力。它能有效解決非正態分佈、非線性的信用評估問題，其結果介於0與1之間，在信用風險的衡量下，即為違約概率。神經網路法的最大缺點是其工作的隨機性較強。因為要得到一個較好的神經網路結構，需要人為地去調試，非常耗費人力與時間，因此使該模型的應用受到了限制。Altman、marco和varetto（1994）在對義大利公司財務危機預測中應用了神經網路分析法；coats及fant（1993）trippi採用神經網路分析法分別對美國公司和銀行財務危機進行預測，取得較好效果。然而，要得到一個較好的神經網路結構，需要人為隨機調試，需要耗費大量人力和時間，加之該方法結論沒有統計理論基礎，解釋性不強，所以應用受到很大限制。
神經網路分析法在財務中的運用
神經網路分析法用於企業財務狀況研究時，一方面利用其映射能力，另一方面主要利用其泛化能力，即在經過一定數量的帶雜訊的樣本的訓練之後，網路可以抽取樣本所隱含的特征關係，並對新情況下的數據進行內插和外推以推斷其屬性。
神經網路分析法對財務危機進行預測雖然神經網路的理論可追溯到上個世紀40年代，但在信用風險分析中的應用還是始於上個世紀90年代。神經網路是從神經心理學和認識科學研究成果出發，應用數學方法發展起來的一種並行分佈模式處理系統，具有高度並行計算能力、自學能力和容錯能力。神經網路的結構是由一個輸入層、若幹個中間隱含層和輸出層組成。國外研究者如Altman，Marco和Varetto(1995)，對義大利公司財務危機預測中應用了神經網路分析法。Coats，Pant(1993)採用神經網路分析法分別對美國公司和銀行財務危機進行了預測，取得了一定的效果。然而神經網路的最大缺點是其工作的隨機性較強。因為要得到一個較好的神經網路結構，需要人為地去調試，非常耗費人力與時間，因此應用受到了限制。Altman(1995)在對神經網路法和判別分析法的比較研究中得出結論：神經網路分析方法在信用風險識別和預測中的應用，並沒有實質性的優於線性判別模型。但神經網路作為一門嶄新的信息處理科學仍然吸引著眾多領域的研究者。
