基于人工蜂群优化循环神经网络的财务危机预测

作     者：李珊珊 何栋炜 林丹楠 许萍 任艳 Li Shanshan;He Dongwei;Lin Dannan;Xu Ping;Ren Yan

作者机构：福建商学院1.财务与会计学院 信息工程学院福建福州350012 厦门大学信息学院福建厦门361005 福州大学经济与管理学院福建福州350003 新疆财经大学信息管理学院新疆乌鲁木齐830012 

出 版 物：《南京理工大学学报》 (Journal of Nanjing University of Science and Technology)

年 卷 期：2022年第46卷第4期

页      面：427-433页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 081102[工学-检测技术与自动化装置] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(72072033) 福建省社会科学规划项目(FJ2018C021) 福建省中青年教师教育科研项目(JAT210383) 新疆维吾尔自治区高校科研计划项目(XJEDU2019Y036) 

主　　题：财务危机预测 循环神经网络 人工蜂群 时间序列 反向优化 

摘      要：为了提高财务危机预测的性能,采用循环神经网络(Recurrent neural network,RNN)对关键指标进行分析训练,以解决因为时间变化带来的深度学习网络预测准确率性能下降的问题。选取关键指标特征生成预测样本,并充分利用RNN在时间序列的循环计算优势,采用差异化时间序列的赋权策略,记忆不同历史时间序列对RNN预测分析的影响。经过RNN训练,并采用隐藏层输出不断循环的方式,将历史时间段输入不断作用于当前训练输出。引入人工蜂群(Artificial bee colony,ABC)算法在RNN反向传播过程中对时间序列权重进行更新。将RNN网络输出值与预测值的均方误差作为ABC的适用度函数,获得全局最优的ABC-RNN预测模型。试验证明,合理优化历史时间序列权重,能够获得较高的危机预测准确率。和常用预测算法对比,所提ABC-RNN算法的预测准确率更高,且曲线面积(Area under the curve,AUC)值更高。