人工智能技术在财务管理中的应用.docx
《人工智能技术在财务管理中的应用.docx》由会员分享,可在线阅读,更多相关《人工智能技术在财务管理中的应用.docx(13页珍藏版)》请在冰点文库上搜索。
人工智能技术在财务管理中的应用
人工智能技术在财务管理中的应用
人工智能技术在财务管理中的应用
学院
专业
研究方向
学生姓名
学号
任课教师姓名
任课教师职称
2012年6月21日
人工智能技术在财务管理中的应用
人工智能(ArtificialIntelligence:
AI)是当今世界的尖端技术之一。
在世界上,美国人希望在发生战争时,让智能机器人代替士兵上阵,人工智能技术受到了美国军界的空前重视,同时,商品化专家系统大行其道;在日本,由于老龄化问题严重,老者无所助,所以,渴望有“听话”的机器人做“家政助理”。
于是,日本生产了迄今为止世界上最先进的人型直立机器人;在我国,人工智能技术已被成功应用,银行等金融机构设的自动柜员(ATM)就是一个典型的实例。
应用人工智能技术可以跟踪监控账户余额变化、分析财务状况、作出投资决策、在多重约束条件下实现投资的最优化组合。
人工智能技术使人类经济社会活动发生深刻变化,从而对财务管理产生重大影响。
一、人工智能及其发展
(一)人工智能的概念
智能是获得信息、转换信息、运用知识、形成策略、解决问题的能力。
人工智能(ArtificialIntelligence,简称AI)一词最初是在1956年美国计算机协会组织的达特莫斯(Dartmouth)学会上提出的。
美国斯坦福大学人工智能研究中心尼尔逊教授认为:
“人工智能是关于怎样表示知识以及怎样获得知识并使用知识的科学。
”美国麻省理工学院温斯顿教授则认为:
“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。
”童天湘先生在《从人机大战到人机共生》中认为:
“把人处理问题的方式编入程序,使不思维的机器也有智能,使机器能做那些需要人的智能才能做的事,即人工智能。
”
大多数学者认为:
人工智能是通过计算机程序实现的,在给定问题、约束、目标和知识库的条件下,系统通过学习、转换、运用,形成策略、解决问题的能力。
笔者赞同这一定义。
人工智能是数理逻辑、模糊数学、计算机科学、控制论、信息论、管理学、生理学、心理学、语言学以及哲学等许多学科互相渗透而发展起来的一门综合性新学科。
(二)人工智能的发展
关于人工智能的发展阶段及其相应的时间时间划分,目前有不同说法。
笔者认为:
工智能的产生与发展经历了萌芽、形成、应用、集成四个阶段。
1.萌芽阶段(1951~1955)
人工智能的萌芽可以追溯到古希腊思想家亚里斯多德的逻辑三段论,因其至今仍为演绎推理之出发点。
20世纪50年代,在WarrenMcCulloch和WalterPitts提出人工神经元模型之后,唐纳德·海布又提出了更新规则。
特别是1951年,普林斯顿大学数学系研究生研制了第一台神经元计算机,把人工智能萌芽推向成熟的顶点。
2.形成阶段(1956~1961)
“人工智能”诞生于1956年一次历史性的聚会。
会上,几位来自美国的数学、医学、心理学、信息科学和计算机科学方面的杰出年轻科学家经过交流和探讨,最终由麦卡锡(McCarthy)提出“人工智能”这一术语并采用。
人工智能一产生马上引起广大研究者的兴趣,许多学者纷纷投入研究,取得了丰富的研究成果。
这一阶段的主要成果是定理证明程序GPS、下棋程序、LISP语言和模式识别系统。
3.应用阶段(1962~1987)
这一阶段由于过分强调和依赖符号逻辑和形式推理,不重视问题领域信息的指导作用,产生了组合爆炸(组合产生的可能答案庞大,计算机无法算出),结果导致AI研究陷入弱(WeakMethed)困境。
20世纪70年代初,美国斯坦福大学研制出Dendral和Mycin系统,才使AI研究从弱法的困境中走出。
特别是1977年,在第五届国际人工智能联合会议上,费根鲍姆正式提出了知识工程概念之后,知识专家系统在全世界迅速发展,其应用范围扩展到人类社会的各个领域。
一波刚平,一波又起,1983~1985年,由于人工智能技术的不成熟导致应用受限,AI研究入技术与方法论研究,专家系统再度慢行,直到1985年,美国一个基VLSI的下棋系统Hitech在大赛中胜出,才走出AI应用发展的阴影。
Hitech参加了48次国际象棋锦标赛,赢了所有专业棋手、赢了70%的大师级棋手;1988年“DeepThought”系统赢了世界最高级别的棋手,机器智能可以超过人类!
在这划时代的突破之后,大量商品化专家系统蜂拥上市,掀起一股专家系统应用热潮。
4.集成阶段(1988年至今)
在这一阶段,人工智能技术的实用化进程加快,用户反馈使专家系统得以改进,满足多种需求使其实现功能上的集成。
1988年,美国AmericanExpress公司研究了AA和CA系统,一举解决了信用卡恶意透支和欺骗行为,每年挽回损失2700万美元,取得空前成功。
自此之后,人工智能技术应用进入稳定的线性增长阶段。
近年来,人工智能逐步向多技术、多方法集成和多学科、多领域综合应用的方向发展。
大型专家系统隆重推出,开发大型专家系统所用的多种人工智能语言、多种知识表示方法、多种推理机制和多种控制策略顺理成章地形成了专家系统开发工具,两者互相促进,演绎了人工智能技术高速发展的新时代。
时至今日,人工智能技术发展如火如荼,其已渗透到人类经济社会的各个角落,深刻地影响着人们的生产、生活和学习,即时化、人性化、智能化和集成化必将成为未来人工智能技术应用发展的新趋势。
特别地,在财务管理领域,人工智能技术展示了美不胜收的景象。
二、人工智能技术在财务管理中的应用
(一)专家系统
专家系统(ExpertSystem:
ES)实质上是“一个在某领域具有专家水平理解能力的程序系统”,能像领域专家一样工作,运用专家积累的工作经验与专门知识,在很短时间内对问题得出高水平的解答。
从结构上看,它是“由一个专门领域的知识库,以及一个能获取和运用知识的机构构成的解题程序系统”。
专家系统的核心内容是知识库和推理机制,主要组成部分是:
知识库、推理机、工作数据库、用户界面、解释程序和知识获取程序。
其一般结构
模型如图1所示。
专家系统的实现可采用4种途径,即人工智能通用的程序设计语言(如Prolog、Lisp等)、专用知识表示和处理语言(如FRL、KRL、OPS5等)、高级程序设计语言(如C、Pacal、Foxpro等)、专家系统外壳(如Emycin、Expert等)。
1983~1985年,由于人工智能技术的不成熟导致应用受限,AI研究转入技术与方法论研究,专家系统再度慢行,直到1985年,美国一个基于VLSI的下棋系统Hitech在大赛中胜出,才走出AI应用发展的阴影。
Hitech参加了48次国际象棋锦标赛,赢了所有专业棋手、赢了70%的大师级棋手;1988年“DeepThought”系统赢了世界最高级别的棋手,机器智能可以超过人类!
在这划时代的突破之后,大量商品化专家系统蜂拥上市,掀起一股专家系统应用热潮。
财务管理专家系统是财务管理知识、经验和能的程序系统,用来求解财务领域内的各种问题。
具体地说,财务管理专家系统主要用来代替财务管理专家作复杂财务管理过程描述、诊断、分析、验证,作为结合技术、理念和财务管理环境而作出最终决策的依据。
财务管理专家系统的思路是把复杂财务问题分解成一些比较容易的子问题,再通过搜索和问题归结实现求解。
智能财务管理的专家系统是智能化的专家系统,智能财务管理的专家系统按财务管理内容可分为筹资管理专家系统(含资金管理)、投资管理专家系统、营运管理专家系统(含风险管理、危机管理)和分配管理专家系统。
上述每个系统又可嵌入财务规划与预测子系统、财务决策子系统、财务预算子系统、财务控制子系统和财务分析子系统。
通过系统的整合,使财务管理专家系统的功能发挥得淋漓尽致,财务预测更准确,财务决策更科学,财务预算将更贴近实际,财务控制更到位,财务分析更透彻,财务管理更全面,即时全面管理轻松在握。
在上述智能化的财务规划与预测系统、财务决策系统、财务预算系统、财务控制系统和财务分析系统中,财务决策系统处于中心地位,其他系统对财务决策系统起到支持作用,我们把它们集成起来统称智能财务决策支持系统。
运用智能财务决策支持系统,可以开展内部控制评估、资产配置评估,通过分析投资时间、贸易活动、套期保值策略可优化投资方案,等等。
(二)模式识别
模式识别就是指对表征事物的各种形式的信息(数值的、文字的和逻辑关系的)进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程。
目前,模式识别的主流方法有决策论方法(统计方法)和结构(句法)方法,近年又出现了多源信息融合技术模式识别、基于多元数据多元图图形基元和特征基元表示的模式识别、基于粗糙集的模式识别等方法。
1.统计模式识别
在统计模式识别中,被研究的模式用特征向量来描述,特征向量中的每一个元素代表模式的一个特征或属性,特征向量构成的空间叫做特征空间,统计模式识别的任务就是用不同的方法划分特征空间,从而达到识别的目的。
统计模式识别系统由数据获取、预处理、特征提取和选择、分类决策四部分组成,如图2所示:
信息获取:
为了使计算计能够对各种现象进行分类识别,要用计算机可以运算的符号来表示所研究的对象。
通常输入对象的信息有下列3种类型,即二维图像、一维波形、物理参量和逻辑值。
通过测量、采样和量化,可以用矩阵或向量表示二位图像或一位波形。
预处理:
预处理的目的是去除噪声,加强有用的信息,并对输入测量仪器或其他因素所造成的退化现象进行复原。
特征提取和选择:
由图像或波形所获的数据适量是相当大的,为了有效地实现分类、识别,要对原始数据进行变换,以得到最能反映分类本质的特征。
分类决策:
分类决策就是在特征空间中,用统计方法把被识别对象归为某一类别,在样本训练基础上确定某个判定规则,按这种判定规则对被识别对象进行分类,使造成的错误识别率最小或引起的损失最小。
2.结构模式识别
结构模式识别方法立足于结构化信息,它把对象模式用一定的基元之间的结构关系表征,采用规则或语法函数作为识别函数,选择接受错误率作为准则函数进行模式识别。
3.模糊模式识别
模糊模式识别建立在最大隶属原则的基础上,运用标准模型库中提供的模型来对待识别模型进行分类,其基本思想是:
对已知若干个训练样本进行模糊聚类,由聚类中心得标准样本,识别与计算待估样本属于各个模式的相对隶属度,计算相对状态(或级别)特征值,判断研究对象属于哪一个标准样本,从而实现识别。
这种方法由于模糊隶属度和可信度都需要事先人为给定,存在很大的主观性,在实际应用中有一定的局限性。
4.多元数据图形特征元模式识别
结构句法模式识别最大的问题是没有提取数非常重要。
据结构子模式的一般化方法,特征提取与描述方法依赖于设计者的经验、直觉。
因此,建立一种与领域知识无关的数据结构子模式提取与表示方法非常重要。
无结构数据的结构化表示是将抽象的多元数据以多元图结构形式表示,然后提取出表征多元图的子模式,最后基于多元数据多元图结构子模式信息进行分类识别。
5.多源信息融合模式识别
对于复杂对象,从单一的信息中很难获得关于对象全面准确的识别,于是产生了多源信息融合技术模式识别。
在这种基于信息融合技术的模式识别系统中,融合算法的选择和构建是整个模式识别系统的关键。
6.粗糙集模式识别
粗糙集理论的主要思想是利用已知的知识库,将不精确或不确定的知识,用已知的知识库中的知识来近似刻画。
它无需提供问题所需处理的数据集合之外的任何先验知识或附加信息,不需要预先给予主观评价。
所以,它对问题的不确定性描述或处理是比较客观的。
7.仿生模式识别
仿生模式识别强调认识事物而不是区分事物,它与传统以最佳划分为目标的统计模式识别相比,更接近于人类认识事物的特性。
传统模式识别与分类算法都是基于假定同类样本相互之间没有任何关系,但是客观世界的一切事物均有联系,仿生模式识别认为由于同类样本存在某些规律性,在特征空间中必然会形成某种多维几何图形,从而建立一种多维空间中复杂几何形体覆盖的识别原理。
模式识别在财务管理中的应用包括:
识别财务管理目标和财务管理环境,识别金融危机对企业财务管理的影响及成因,提出消解策略;在公司治理结构中,识别公司财务治理结构及其控制的特征;在运营管理方面,识别财务主体(经理层利益相关者)的行为及其对财务目标的影响;在现金管理方面,识别现金流习性,筹划支付;在资金安全和风险管理方面,建立预警模型,识别安全隐患和财务风险,保证资金安全、化解财务危机。
(三)资源规划与配置
AI规划与配置技术可以在资源规划与配置中大显身手,在1991年的波斯湾危机中,美国军队研制的动态规划与配置工具DART,出色地完成了调度和运输任务。
这项任务同时涉及到不同起点、不同目的地和不同路径的50万军队和1500万磅重的装备运到目的地,这项任务要解决所有参数之间的冲突,用旧的方法需要几个星期才完成,而用DART可以在几小时内完成。
资源规划与配置高效率是DART的显著特征。
同样,运用DART进行财务管理资源的动态规划与配置,必将大大提高财务管理效率和效益。
(四)智能财务管理信息共享系统
智能财务管理信息共享系统是智能化的财务管理信息系统。
智能财务管理信息共享系统包括财务管理查询系统和操作系统,财务管理查询系统是由MicrosoftVisualStudio.NET部署后,再由操作系统的IIS服务来完成发布。
发布平台安装.NETFramework即.NET的框架,所有.NET程序都必须在这个框架上运行。
建立财务管理信息共享的体系结构,公司以低成本为各利益相关者提供应相关的财务信息。
比如,建立了基于B/S模式的体系结构,节约成本,实现财务信息的共享,提高财务信息处理能力。
财务管理查询系统通过IIS发布后,各部门可通过Web浏览器进行访问,外部本单位用户也能通过因特网及时了解当日的财务情况。
智能财务管理信息共享系统的产生,意味着即时财务管理已然成熟,通过接口技术可将企业ERP财务信息包嵌入智能财务管理信息共享系统中,这样企业财务管理信息展现于眼前,即时财务管理变成现实。
(五)人工神经网络模型
人工神经网络(ArtificialNeuralNetwork,简称ANN)是用大量的处理单元(人工神经元、处理元件、电子元件等)模仿人脑神经系统工作结构和工作机理,按不同的联结方式组成的网络。
它通过范例学习、修改知识库和推理机的结构,达到帮助人类扩展对外部世界的认识和智能控制的目的。
1.人工神经网络的发展历程
1958年,Rosenblatt提出感知器模型,首次把神经网络理论付诸工程实现,形成了人工神经网络研究的第一次高潮。
1969年,Minsky和Papert指出了感知器无法克服的局限性,人工神经网络研究降温,随后陷入十年低谷期。
20世纪80年代以来,人工神经网络的局限性得到了圆满解决,Hopefield神经网络的收敛性和稳定性,给人工神经网络的发展注入了强大的生命力,其应用领域再度蓬勃发展,一路高歌,成为当今最广泛应用于经济管理领域的新技术。
2.人工神经网络模型
人工神经网络模型是由若干神经元互联构成的模型,神经元是具有下列特性的有向图:
(1)对于每个节点i,存在一个状态变量Xi;
(2)从节点j至节点i,存在一个连接权系数Wij;
(3)对于每个节点i,存在一个阈值Hi;
(4)对于每个节点i,定义一个变换函数fi(Xi,Wij,Hi),i≠j;对于最一般的情况,此函数取fi(Σ,WijXi-Hi)形式。
如下图3:
人工神经网络包括递归(反馈)网络和前馈网络。
(1)递归网络(反馈网络)
递归网络由多个神经元互连组成,如图4所示。
神经元的输出被反馈至同层或前层神经元,信号能够从正向和反向传播。
(2)前馈网络
前馈网络具有递阶分层结构,同层神经元间不存在互连,从输入层至输出层的信号通过单向连接传播,神经元从上一层连接至下一层,不存在同层神经元间的连接,如图5所示。
3.人工神经网络的应用
人工神经网络BP网络、ART网络、RBF网络和H0P网络等类型。
BP网络主要应用于分类、函数逼近、优化和预测,至今已成功应用的领域包括:
战略财务管理、上市公司财务风险预警、风险投资项目评价、股价指数预测、固定资产投资预测、账单数据挖掘、金融衍生证券定价、纳税评估、经济发展模式选择、城市土地集约利用评价、营销策略组合、货运量预测、物流需求预测、成矿预测等。
而ART网络的应用领域包括:
财务诊断、危机报警、财务信息质量控制、数据挖掘等。
RBF神经网络已成功应用于客户关系管理、住宅造价估算等,HOP网络在工程技术方面的应用极其广泛。
人工智能技术在经济与管理领域的成功应用,已引起学界的极大关注,而在财务管理领域,运用BP网络进行财务预测的成果累累,其已成为当今人工智能应用研究炙手可热的亮点,其繁花似锦的研究成果为财务管理研究增添了亮丽的色彩。
三、结语
智能机器人超越人类的划时代发明为AI技术的发展描绘了宏远的蓝图,AI技术在财务管理中的应用已日渐成熟。
相信在不久的将来,智能机器人财务管理将大行其道,依靠智能财务管理专家系统,必将大大提高财务管理的效率、效果和效益,即时化、人性化和智能化必将成为未来财务管理专家系统的主要特征。
到那时,智能财务管理专家———容貌逼真的人型直立智能机器人将任劳任怨地帮助人们打理纷繁复杂的财务管理事务,而财务管理人员则从风云变幻的商业环境中脱身出来。
从财务主体发展战略的高度,遵循以人为本的理念,开展财务科学管理,促使财务主体可持续发展,实现利益相关者价值组合最大化。
[参考文献]
[1]李陶深.人工智能[M]重庆:
重庆大学出版社,2002.
[2]蔡自兴.人工智能基础[M]北京:
高等教育出版社,2005.
[3]佘玉梅,段鹏.人工智能应用[M]上海:
上海交通大学出版社,2007.
【4][美]D.ASP.NET1.1数据库入门经典[M].北京:
清华大学出版社,2005.
[5]王化成.财务管理理论结构[M]北京:
中国人民大学出版社,2006.
[6]傅元略.财务管理理论[M]厦门:
厦门大学出版社,2007.
【6】王万良人工智能及其应用高等教育出版社第二版2006