基于灰色关联度和神经网络对科创板拟上市企业估值的研究

发布时间：2020-10-21 01:19

　　 针对科创板拟上市企业估值问题,基于所收集到的相关数据,综合运用灰色关联度、层次分析法、BP算法,构建出了灰色关联度及BP神经网络预测等模型,并运用MATLAB、SPSS进行处理分析。通过对近几年中国A股市场、美国NASDAQ市场进行对比分析,找出了中美市场估值指标与基本面指标、流动性指标之间的关系,并对2019年两市场估值指标给出了预测。通过进一步研究分析,展望了科创板的发展前景,并预测出我国首批科创板企业上市后的估值水平。
【部分图文】：

研究方法灰色关联度：对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。灰色关联度是根据因素之间发展趋势的相似或相异程度，作为衡量因素间关联程度的一种方法。研究两个参数序列的关联度，若关联度大，则两参数序列表征的几何曲线越相似，对于估值指标与基本面指标、流动性指标关联度大，则可认为该因素对估值指标影响性大[6]。2.3模型的建立灰色关联度思路流程图如图1所示。（1）数据处理及影响因子选龋首先中美市场各10年的数据进行了分析浏览，剔除了一些省缺值，再用SPSS进行了数据清洗，保留有意义的数据。因为剔除的只是小部分数据，对本文数据影响可以忽略不计。对中国A股市场和美国NASDAQ市场上2009~2018年间市销率、营业收入、归母净利润、净资产收益率、年成交量、年平均换手率、年成交额这七项指标按年求了平均值。基本面指标包括年度营业收入、年度归母净利润、年度净资产收益率等；流动性指标包括年度单只股票交易量、年度单只股票交易金额、年度单只股票平均换手率等。（2）影响因子无量纲化处理[7]。由于各项影响因子的量纲及单位不同，在多指标考虑影响因子时，不同量纲和数量级是无法进行测算的，因此计算关联度前，必须要对影响因子进行无量纲化处理得到无量纲化结果。公式如下：()=()/(1)△0()=|()0()|(i=1,2,…)(2)用式(1)计算无量纲化结果，式(2)计算绝对差数列。（3）关联度。经过无量纲化及绝对差处理，参考序列为0，比较序列为，关系系数计算公式[8]为0(c)=min+max△0

第5期基于灰色关联度和神经网络对科创板拟上市企业估值的研究·81·影响因子有多个关系系数，不容易进行整体比较。我们编队对关系系数求平均值，引入关联度[9]0()=110∑0()10=1(4)2.4模型的结果与分析2.4.1中国A股市场中国A股市场的估值指标与基本面指标的灰色关联度变化变化趋如图2和图3所示。图2是基本面指标的3个影响因子随年的变化曲线，以及作为母序列的市销率，需要对其进行归一化处理，处理后的变化趋势如图3所示。中国A股市场的估值指标与流动性指标的灰色关联度分析结果见图4和图5。图4是流动性指标的3个影响因子随年的变化曲线，以及作为母序列的市销率，需要对其进行归一化处理，处理结果见图5。图4中国A股市场流动性指标与估值指标随年份变化趋势图图5归一化后变化趋势图通过MATLAB的上述计算得到了中国A股市场估值指标各影响因子的关联度，见表1。由关联度大小定量分析影响因子与各指标的关系，可以发现中国A股市场估值指标受到6个指标影响因子排序为：归母净利润>营业收入>年成交量>年成交额>年平均换手率>净资产收益率。2.4.2美国NASDAQ市场美国NASDAQ市场的估值指标与基本面指标的灰色关联度分析结果见图6，7。图6是基本面指标的3个影响因子随年的变化曲线，以及作为母序列的市销率，需要对其进行归一化处理，处理结果见图7。123456789100.40.50.60.70.80.91年年年年年年年年年年年年年年表1中国A股市场的估值指标影响因子关联度因子营业收入/万美元归母净利润/万美元净资产收益率/%年成交量/股年平均换手率/%年成交额/万美元关联度0.76270.77090.4980.72140.54730.683512345678910-4-3-2-101234估估估估营营营营归归归归归归净净营净年123

隙啵?Ｐ驼?甯?雍侠怼?上述方法具有通用性、可操作性且具有较强的实际意义。为科创板乃至整个股票市场相关问题的分析，提供了一定的依据，值得推广。参考文献：[1]关健鑫.聚焦科创板加强产品投资布局[N].中国航空报，2019-04-25(006)[2]门明，刁鹏飞，张元元.科创板投资者适当性：解读、评析与完善[J].管理现代化，2019,39(03),55-57[3]付立春.个人投资者参与科创板方式解析[N].证券日报，2019-05-18(A03)[4]朱嘉诚.科创板视野下我国差异化信息披露制度构建的进与退[J].财经法学，2019(03):148-160（下转第94页）图10BP神经网络算法流程图图11网络结构示意图表3基本面指标的年平均值时间/年市销率/%营业收入/万美元归母净利润/万美元净资产收益率/%201613.331453222970.04145318412.8820.86201713.531131187194.56106695591.1023.77201814.36799145919.8071710754.3718.01表4流动性指标年平均值时间/年市销率/%年成交量/万美元年平均换手率/%年成交额/万美元201613.333637512854.68295.9740508434145.20201713.533029130081.56320.6135235458823.04201814.362558593345.48482.2528010546429.21
【相似文献】

相关期刊论文 前10条

1 吕艳辉;宫瑞敏;;计算机博弈中估值算法与博弈训练的研究[J];计算机工程;2012年11期

2 邓自立，周露，刘叔军;动态系统白噪声估值器[J];自动化学报;1995年05期

3 邓自立,刘玉梅;广义系统稳态Kalman估值器[J];自动化学报;1999年04期

4 王世刚;孙小君;邓自立;;多模型多传感器信息融合稳态白噪声反卷积估值器[J];科学技术与工程;2008年02期

5 许燕,邓自立;极点配置广义稳态Kalman估值器(英文)[J];自动化学报;2003年06期

6 朱庆和;用于跟踪机动目标的固定增益的二节估值器[J];情报指挥控制系统与仿真技术;2002年06期

7 刘彤;孙超利;曾建潮;;微粒群进化估值策略在多目标优化中的应用[J];太原科技大学学报;2015年05期

8 邓自立,刘玉梅;一种统一的稳态Kalman估值器[J];信息与控制;1999年04期

9 邓自立;郝钢;;自校正多传感器观测融合Kalman估值器及其收敛性分析[J];控制理论与应用;2008年05期

10 邓自立;时变系统的统一和通用的最优白噪声估值器[J];控制理论与应用;2003年01期

相关博士学位论文 前1条

1 孙小君;最优和自校正多传感器信息融合白噪声反卷积估值器[D];黑龙江大学;2010年

相关硕士学位论文 前10条

1 刘彤;微粒群进化估值策略的扩展研究[D];太原科技大学;2015年

2 顾磊;最优加权观测融合状态估值器及其应用[D];黑龙江大学;2008年

3 郝钢;最优和自校正观测融合状态估值器及其应用[D];黑龙江大学;2006年

4 李春波;自校正分布式信息融合状态估值器及其应用[D];黑龙江大学;2006年

5 贾文静;自校正加权观测融合Kalman估值器及其应用[D];黑龙江大学;2007年

6 马静;广义系统最优与自校正分布式信息融合估值器[D];黑龙江大学;2007年

7 王世刚;基于现代时间序列分析方法的通用信息融合白噪声估值器[D];黑龙江大学;2008年

8 王佳伟;统一和通用的信息融合白噪声反卷积估值器[D];黑龙江大学;2007年

9 陈红;自校正观测融合解耦Wiener状态估值器及其应用[D];黑龙江大学;2008年

10 陶贵丽;广义系统降阶信息融合状态估值器[D];黑龙江大学;2006年

本文编号：2849422