本研究基于创业企业分类特性, 构建投资风险评估体系, 判断创业企业的投资风险;同时, 采用三层神经网络构建投资风险评估模型, 决定对创业企业的深度介入程度。
一、引言
风险投资是偏好高风险高回报的投资者的重要投资风向, 它的持续火热对于拥有高新技术却缺乏资本与管理资源的创业企业有着重要意义。
一方面, 创业企业具有高回报、高风险、企业规模小等特点, 其生产和经营具有非常大的不确定性, 很难在常态融资市场上筹集所需资金。
而风险投资机构筛选其认为最具潜力的创业企业进行投资, 能够成功解决创业企业融资难的问题。
另一方面, 由于创业企业受规模小、管理能力有限的限制, 后期管理不到位导致企业经营不善的现象时有发生。而风险投资机构在为创业企业提供资金支持的基础上, 还会积极地参与创业企业的经营管理, 帮助其快速发展[1]。
因此, 风险投资机构应建立系统全面评估创业企业投资风险, 有效控制风险水平;同时正确评估投后服务效果, 决定是否为创业企业提供增值服务。
为此本文针对初创期的创业企业, 构建BP神经网络, 通过风投机构提供的数据案例训练网络, 获得创业企业的投资风险评估模型, 为风险控制打下基础。
二、创业企业投资风险分析
在创业团队的初创期, 往往是天使投资人提供最初的启动资金。
由于企业尚无稳定的现金流, 所以天使投资人和风投机构都有巨大的投资风险。对初创的公司而言, 由于自身管理经验和运营能力有限, 所以许多风投机构提供投后服务, 以对企业的管理和运营进行协助和监管[2]。
因此, 风投机构会首先使用自己的模型对创业企业进行评估, 并对模型显示管理有问题的企业进行深度介入。
本文采用来自一个风投机构提供的643个原始案例。
案例中的初创公司均已达到起步阶段, 获得过首笔天使投资 (或自筹资金) , 有明确的产品或服务计划, 并已拿出产品样品, 但均未大规模推向市场。案例数据中包括风投机构对企业的调查结果, 是否执行该项投后服务, 以及28个月内的跟踪结果。
以企业在28个月内形成稳定收入, 或得到后续投资, 或风投机构达到预定的成功退出条件为成功。
根据这些数据, 本文采用神经网络的方法建立风险评估模型。
三、样本选取与数据筛选
在本文采用的原始数据中, 提供了每个公司三十多项指标的数据。由于存在数据缺失的现象, 为了保证BP神经网络训练实例的数量, 同时避免重要指标被忽略。
首先对原始数据的指标项进行筛选, 去除数据缺失严重、且与本问题关系不大的变量, 如失败经验人次等;其次, 对余下进行样本选取, 去除部分数据缺失的公司实例样本, 针对其余数据缺失的样本, 则根据实际情况进行数据补充, 如关键人员的专长和技术和制度化管理能力是风投机构对创业团队的管理能力的评估, 这两个字段记录的是在经验模型中的失分情况, 若数据中这两个字段为空白, 则视为管理不成熟 (该字段值为0) 。
根据本文采用的样本选取与数据筛选的方法, 我们获得包括:市场需求强度、技术入股 (以10%为界) 、初期外部障碍、团队职位空缺、发展路线图的详细度等23个主要影响因素, 以及共计498个创业企业实例样本。
根据所供数据, 我们将所有企业暂且分为四类 (0、1、2、3) 结局, 其中, 0为企业未突破样品阶段或正式产品未成功投放市场, 投资失败;1为投资成功;2为企业的正式产品已投放市场, 经营至28个月时未获得稳定收益, 也未获得进一步投资, 本次投资失败;3为企业的正式产品已投放市场, 但经营未及28个月即中止, 投资失败。
由这四种结局代表的公司, 以及公司成功地主要影响因素, 我们做出如下分析与分类:
A类公司 (成熟型公司) :市场需求强度, 管理类别, 管理成熟度, 发展路线的详细度这几个指标排在第一位。其余各项指标均没有出现排在最后的现象。
对于这类公司, 风投公司在进行风险投资后, 建议不进行深度介入, 由于其基本具备较完善成熟的管理体系。
B类公司 (风险型公司) :市场需求强度、发展路线详细度、目前收入可持续发展程度、初期发展障碍这几项指标均排在末位。其余指标没有明显占优的情况。
对于这类创业公司, 它们的不足往往是由于市场需求较小, 发展路线模糊而缺少可持续发展性。
对于这些由比较难改变的外部因素影响的企业, 风投公司在进行风险评估后, 可考虑是否对其进行投资。建议不进行深度介入。
C类公司 (强技术弱管理型公司) :这类创业公司有很高的技术入股, 并且在关键人员的专长和技术上占优。它的主要劣势在于管理能力。 (根据管理类别和管理不成熟度指标)
因此, 深度介入这类企业时, 需注意加强管理水平。
D类公司 (可持续弱技术型公司) :这类公司的跟投数量和目前可持续发展度很高。面临的问题主要也是管理。风投公司可在深度介入后考虑增加其技术入股。
四、BP神经网络原理
BP网络又称反向传播神经网络, 通过样本数据的训练, 不断修正网络权值和阈值使误差函数沿负梯度方向下降, 逼近期望输出。
它是一种应用较为广泛的神经网络模型, 多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。
BP网络由输入层、隐层和输出层组成, 隐层可以有一层或多层[3]。
图1是三层BP网络模型。网络模型中输入层有n个神经元, 输出层j个神经元。多层BP神经网络是一个高度非线性映射模型, 可以在任意希望的精度上逼近任一函数。
BP神经网络基本思想由两部分组成:输入样本前向传播并输出结果以及误差的反向传播更新网络权值。
样本数据前向传播时, 输入样本由输入层传入, 经隐含层处理后传到输出层, 若输出层的实际输出与期望输出不符, 则进入误差反向传播更新网络权值阶段。
误差的反向传播是将输出误差以某种形式通过隐含层向输入层逐层反转, 并将误差分配给各层神经元各个神经单元。
以矩阵形式表示, 样本集合为{p, t};网络的输入为p;计算输出为a;在第m层中, 输出为am, 传输函数为fm, 网络权值为Wm, 偏置值为bm;描述网络性能的均方误差为;均方误差的近似值为对m层的输入元素变化的敏感性为, 其中, ;雅可比矩阵为, 其中, F (5) m (nm) 为传输函数的导数组成的对角矩阵;学习速率为α。
BP神经网络算法的基本步骤为[4]:
通过网络将输入向前传播:
通过网络将敏感性反向传播:
更新权值与偏置值:
网络不断调节权值和偏置值, 使均方误差函数F达到极小。
BP网络具有高度非线性和较强的泛化能力, 但也存在收敛速度慢、迭代步数多、易于陷入局部极小和全局搜索能力差等缺点。可采用Levenberg-Marquardt非线性优化算法对BP神经网络进行训练, 获得最优的网络权值与偏置值, 从而达到网络均方误差最小的目的[5]。
五、基于BP神经网络的风险评估模型
本文使用BP神经网络, 根据筛选出的498例创业企业初创期的各项指标数据, 对创业企业的投资风险进行评估, 其目的是确定创业企业的最终结局与其创业期各项数据指标的关系, 为风投机构的投资策略提供良好的指引, 避免风投机构在投资期间遭受重大损失。
(一) BP神经网络构建
(1) 构建网络训练样本。我们对风投机构提供的643个初创公司的案例进行样本选取与数据筛选, 产生498个样本, 随机分为150个网络验证样本与248个训练样本。
(2) 输入层设计。经过数据筛选, 产生了包括:市场需求强度、技术入股 (以10%为界) 、初期外部障碍、团队职位空缺、发展路线图的详细度等23个主要影响因素, 将其作为输入, 即网络的输入神经元个数为23。
(3) 输出层设计。根据样本数据, 创业企业结局可分为0、1、2、3四类, 设计网络输出神经元个数为1, 其值为0、1、2、3, 代表各企业不同的结局。选择线性函数 (purelin) 作为输出层传输函数。
(4) 隐藏层设计。由于一个三层的BP神经网络可以完成任意映射, 故本采用一层隐藏层的设计, 但隐藏层的神经元数目的确定却十分复杂。
通常, 隐藏层神经元数目越多, 网络越健壮, 但也会带来学习时间过长、网络复杂度增加的缺点;故而确定一个合适的隐藏层神经元数目显得尤为重要。根据[6]可初步判断本网络的隐藏层神经元数目在[6, 20]之间, 以下将通过对比实验, 设计最优的隐藏层神经元数目。由于输出的创业企业结局为非负整数, 故选择隐藏层的传输函数为对数-S型函数 (logsig) 。
三、BP神经网络实验与分析
本文借助Matlab神经网络工具箱, 构建BP神经网络模型, 如图2所示。
由 (3) 式可以看出, 学习速度是网络的权值与偏置值改变的步长, 其直接影响网络的收敛速度[7]。
大的学习速率可以降低网络的迭代次数, 但却可能使网络无法收敛或降低网络精度。为了确定隐藏层的神经元数目与合适的学习速率, 我们通过固定的网络权值与偏置值的初值, 完成了不同隐藏层神经元数目、不同学习速率下模型训练的收敛速度实验, 测量了在设定的99.90%准确度下的训练迭代次数 (最高迭代次数为2000) , 并测试了在固定2000次迭代次数下, 网络基于150个验证样本的不同精确度, 结果如表1与表2所示。
由表1与表2可以看出, 隐藏层神经元数目为20、学习速率为0.05时, 网络模型性能最佳。选定准确度=99.9%、迭代次数=2000时, 模型的收敛性与仿真结果分别如图3、图4所示。
从上述实验结果可以看出:网络模型在343次迭代后准确度达到了99.90%, 在150个验证样本测试下, 其仿真结果与目标差距甚微;网络模型在2000次迭代后准确度达到了99.95%, 在150个验证样本测试下, 其仿真结果与目标几乎完全一致。由此说明, 本文所设计的BP神经网络对创业企业的风险评估十分准确, 能为风投机构的投资提供有效的参考, 达到降低投资风险的目的。
四、结论
(一) 本文分析了风投机构在对创业企业投资的风险, 对643个创业企业初创期原始数据, 进行数据筛选与样本选择, 最终获得与本研究相关的498个创业企业样本, 并根据企业创业结局, 将初创期企业公司分为:成熟型公司、风险型公司、强技术弱管理型公司、可持续弱技术型公司四类。
(二) 为了对创业企业投资风险进行有效评估, 本文分析并设计了23个输入层神经元、20个隐藏层神经元、1个输出神经元的三层BP神经网络, 利用248个创业企业样本对网络进行训练。
实验结果表明, 在2000次迭代训练获得的模型在150个验证样本的仿真中, 能够在99.95%的准确度下对创业企业投资风险进行评估, 满足风投机构的风险评估需求。
(三) 本文所设计的三层BP神经网络准确度高, 收敛速度快, 具有良好的应用价值。由于样本对数据的完整性要求较高 (缺失数据的样本无法直接使用) , 故在模型在鲁棒性上有所欠缺;在解释能力上, 网络的权值、偏置值与输入数据的重要性难以获得。故在构造网络结构时, 可以采用神经网络与遗传算法结合的方式[8], 或应用误差函数的偏导数, 如Logistic回归, 来解释输入变量相关性的问题[9]。
摘要：随着互联网金融的蓬勃发展, 中国风险投资进入快速发展阶段。而互联网金融外部环境多变、信息不对称加剧、信息碎片化严重、前景难以预测。建立风险评估模型, 有利于风险投资者有效评估创业企业可持续发展的能力, 更有利于创业企业融资与后期发展。
关键词：BP神经,创业,风险评估
参考文献
[1] 刘婧泓.风险投资与创业板企业成长能力的关系探究[J].商场现代化, 2017 (4) :230-232.
[2] 范秀岩, 李延喜.风险投资后续管理的内涵[J].工业技术经济, 2005, 24 (1) :126-129.
[3] MartinT.Hagan, HowardB.Demuth, MarkBeale.Neural Network Design[M].机械工业出版社, 2002.
[4] Liu X, Ma X, Liu X, et al.Based on BPNeural Network Stock Prediction[J].Journal of Curriculum&Teaching, 2012, 1 (1) .
[5] Kermani B G, Schiffman S S, Nagle HT.Performance of the Levenberg-Marquardt neural network training method in electronic nose applications[J].Sensors&Actuators BChemical, 2005, 110 (1) :13-22.
[6] 吴永兴.基于BP算法的神经网络信用风险度量实证研究[J].印度洋经济体研究, 2010, 25 (3) :50-52.
[7] 吴凌云.BP神经网络学习算法的改进及其应用[J].信息技术, 2003, 27 (7) :42-44.
[8] Yang H, Yang Y.An Improved Probabilistic Neural Network with GAOptimization[C].Fifth International Conference on Intelligent Computation Technology and Automation.IEEE, 2012:76-79.
[9] Tam K Y, Kiang M.Managerial app lications of neural networks:the case of bank failure predictions[J].Management Sciences, 1992, 38 (1) :926-947.