【作　　者】
周 喜 刘胜辉

【作者单位】
（湖南商学院会计学院 长沙 410205）

【摘　　要】

      【摘要】 利用粗糙集的约简技术对上市公司的预警指标进行约简，降低神经网络的复杂性和提高网络预测速度及精度，采用遗传算法作为神经网络模型的前置装置，对网络输入端的初始值和阀值进行最优化，缩短网络训练时间，提高了网络的预测精度。实证研究显示，优化模型的财务危机预测精度高于传统BP神经网络模型的预测精度。
【关键词】 上市公司   财务危机预警   粗糙集   遗传算法   神经网络

 财务危机预警是上市公司及时发现隐患和危机并加以防范，保护利益相关者的投资风险，协助证券部门及政府管理部门管理及监控的主要手段与机制。因此，通过现代信息技术构建有效的财务预警体系，进行上市公司财务危机预警的实证研究具有重要的应用价值和现实意义。参考大量国内外相关文献可看出，采用多元判别方式预测财务危机的准确率高于一元判别方式，特别是逻辑回归多元判别方式更有优势，而采用神经网络方式预测财务危机的准确率远远高于逻辑回归多元线性方式，而BP神经网络模型的预测精度更高。本文将采用粗糙集和遗传算法对BP神经网络模型进行优化研究，包括混合神经网络的理论研究、模型构建和实证检验。