［摘 要］ 本文应用BP神经网络方法的基本原理, 以公司的现金流量因素状况为研究对象，建立了公司现金流量分析的神经网络模型，并进行了实证研究。
　　［关键词］ BP神经网络；现金流量；实证研究
　　［中图分类号］F232；F275［文献标识码］A［文章编号］1673-0194（2008）06-0039-02
　　
　　一、神经网络反向传播算法（BP算法）的基本原理
　　
　　神经网络的学习算法有许多种，比如反向传播（BP）算法、Hopfield算法等。其中在非线性分类中最常用的是BP算法。其学习的目的就是对某一特定的输入产生一个希望的输出，这就需要网络不断地调整连接线的权值。一般说来，BP算法的步骤如下 ：（1）对全部连接线的权值进行初始化，一般设置成较小的随机数，以保证网络饱和或反常的情况；（2）取一组训练数据输入网络，并计算出网络的输出值；（3）计算该输出值与期望值之间的偏差，然后从输出层反向计算到第一隐含层，向着减少该偏差的方向调整各条线的权值；（4）对训练集中的每一组训练数据都重复步骤（2）、（3），直到整个训练的偏差达到能被接受的程度为止。
　　
　　二、现金流量分析的输入向量与输出向量的设计
　　
　　按财务分析理论，现金流量因素分析指标体系一般包括以下5个指标：现金流量总值、经营活动现金流量、投资活动现金流量、筹资活动现金流量以及非经常性项目活动现金流量，这5个指标即为输入指标。现金活动流量因素的输出共有两种，分别为：充足、不足。
　　在现金流量的分析中，仅仅考虑现金流量的组成与来源是不够的，还要考虑时间的因素，即要考虑时间序列分析，而且，行业因素也是不可忽略的因素，所以本文采用以下形式的数据标准化方法：BP网络输入值=企业实际值/行业标准值。由于行业的标准值是随时间变化的，因此通过这样的变换，可以兼顾行业和时间因素。一个指标对应一个输入结点，则输入结点数定为5个。现金流量分析的输出结果有两个，即充足和不足。这样一个输出对应于一个输出节点，则输出节点定为两个。一般说来，中间节点的个数应该小于输入节点数，而大于输出节点数，所以无需通过公式计算，中间节点的个数定为3个。
　　
　　结论分析：经过测试，人工神经网络的输出结果
　　（0.005 3，0.987 9）与目标值（0，1）的误差在0.01允许范围内，效果较好，结论表明：公司5的现金流量不足。
　　
　　主要参考文献
　　［1］ 朱顺泉. 统计与优化应用［M］. 北京：清华大学出版社，2007.
　　［2］ 飞思研发中心. 神经网络理论与Matlab 7实现［M］. 北京：清华大学出版社，2005.