[发明专利]一种基于循环宽度学习的财务舞弊识别方法

说明书

本发明公开了一种基于循环宽度学习的财务舞弊识别方法，应用于智能学习领域，包括：对财务指标进行预处理，结合非财务指标，通过激活函数映射，得到特征节点；将特征节点作为循环神经网络的输入，输出增强节点；将特征节点与增强节点合并，作为宽度学习的输入，进行线性变换，得到所述宽度学习的输出。本发明将典型的反馈神经网络RNN嵌入到宽度学习BLS的增强层中，构成RBLS循环宽度学习模型，将BLS快速计算和高精确度的优点与RNN的信息反馈能力结合起来，在保留了BLS网络结构的同时也将其增强层的各个节点连接起来，弥补了BLS作为一种前馈神经网络所处理的数据间相互影响的动态关系方面的不足，提高了预测准确性和适用性。

技术领域

本发明涉及智能学习领域，特别涉及一种基于循环宽度学习的财务舞弊识别方法。

背景技术

财务舞弊行为一直是资本市场上的一颗毒瘤，它损害了利益相关者的利益，严重破坏了公开、公平、公正的投资原则，降低了市场资源配置效率，影响了资本市场的健康发展。然而，相关监管机构在识别上市公司的财务舞弊方面存在一定的滞后性，难以及时发现财务舞弊行为。因此，有效识别上市公司的财务舞弊行为已成为公司治理中一个极为紧迫的问题。

现有最常用的财务舞弊识别方法为深度学习DL，旨在建立深度神经网络架构，通过结合低级特征，从海量数据中形成高级表征，发现具有强大特征学习能力的数据分布式表征。但是，尽管深度神经网络拥有优良的特征提取能力和良好的非线性逼近能力，在应用中仍然会遇到许多问题。这是因为实际中数据的体量和特征的维度都具有庞大的规模，深度神经网络常依靠增加网络层数来提升网络性能，在反向传播过程中采用逐层求梯度的方式更新权重，这导致模型容易遇到陷入局部最优、梯度消失或梯度爆炸、建模速度慢等问题。此外，当训练数据有更新时，再重新训练深度神经网络是非常耗时的。

为此，如何提供一种能够避免陷入局部最优、梯度消失或梯度爆炸、建模速度慢等问题，且当训练数据有更新时，不需耗费大量时间重新训练的基于循环宽度学习的财务舞弊识别方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提出了一种基于循环宽度学习的财务舞弊识别方法。

为了实现上述目的，本发明采用如下技术方案：

一种基于循环宽度学习的财务舞弊识别方法，包括：

步骤(1)：对财务指标进行预处理，结合非财务指标，通过激活函数映射，得到特征节点；

步骤(2)：将特征节点作为循环神经网络的输入，输出增强节点；

步骤(3)：将特征节点与增强节点合并，作为宽度学习的输入，进行线性变换，得到宽度学习的输出。

可选的，还包括：在步骤(1)之前，对财务指标和非财务指标进行归一化处理。

可选的，步骤(1)中，预处理为PCA。

可选的，步骤(1)中，特征节点的表达式，如下：

Z_i(t)＝φ_i(X(t)W_ei+β_ei)，i＝1，…，n；

其中，Z_i(t)为特征节点；φ_i为激活函数；W_ei和β_ei分别为随机初始化的权重和偏置；X(t)表示t时刻的输入。

可选的，步骤(2)中，增强节点的表达式，如下：

H_j(t)＝δ_j(S₁Zⁿ(t)W_hj+S₂H_j(t-1)W_xj)，j＝1，…，m；