基于遺傳神經(jīng)網(wǎng)絡(luò)的獨(dú)立機(jī)構(gòu)投資者持股偏好研究

李辰穎，田治威，楊海燕

（1.北京林業(yè)大學(xué)，北京100083；2.廣西大學(xué)，南寧 530004）

0 引言

資本市場(chǎng)上活躍的兩大投資主體分別為個(gè)人投資者和機(jī)構(gòu)投資者，機(jī)構(gòu)投資者與個(gè)人投資者相比，其投資管理更加專業(yè)化、投資結(jié)構(gòu)呈現(xiàn)組合化、投資行為更加規(guī)范化，也能夠在促進(jìn)證券市場(chǎng)穩(wěn)定、健康及完善等方面發(fā)揮較大的作用，因而機(jī)構(gòu)投資者對(duì)于上市公司和資本市場(chǎng)都是非常重要的，也正因如此，機(jī)構(gòu)投資者持股行為特征一直是理論界和實(shí)務(wù)界的熱點(diǎn)話題之一。

通過總結(jié)國(guó)內(nèi)外文獻(xiàn)的回顧與對(duì)比可以發(fā)現(xiàn)：（1）國(guó)內(nèi)關(guān)于機(jī)構(gòu)投資者持股特征的實(shí)證研究還相對(duì)較為缺乏，特別是獨(dú)立機(jī)構(gòu)投資者持股特征的實(shí)證研究；（2）從研究方法來看大多數(shù)研究集中在多元線性回歸分析甚至是單變量分組檢驗(yàn)，這樣的處理一方面忽略了機(jī)構(gòu)投資者持股數(shù)量或比例與持股影響因素之間可能的非線性關(guān)系，另一方面將諸多的持股影響因素代入多元線性回歸模型可能會(huì)影響模型的精度，從而影響分析結(jié)論的穩(wěn)定性。為解決這些問題，本文采用改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)和平均影響值方法研究獨(dú)立機(jī)構(gòu)投資者持股比例持股偏好。

1 研究思路及變量的選取

1.1 研究思路

本文的研究思路是：在選取上市公司安全性、盈利性等相關(guān)指標(biāo)數(shù)據(jù)及獨(dú)立機(jī)構(gòu)投資者持股比例的基礎(chǔ)上，首先將獨(dú)立機(jī)構(gòu)投資者持股比例劃分為高持股組和低持股組，并對(duì)選取的指標(biāo)與獨(dú)立機(jī)構(gòu)投資者持股比例的關(guān)系采用改進(jìn)后的遺傳BP神經(jīng)網(wǎng)絡(luò)建模；最后在建模的基礎(chǔ)上，采用平均影響值方法研究上市公司相關(guān)指標(biāo)對(duì)獨(dú)立機(jī)構(gòu)投資者持股比例的影響情況。

1.2 變量的選取

依據(jù)研究目的，因變量選取了獨(dú)立機(jī)構(gòu)持股比例。在自變量選取上，Eakins等發(fā)現(xiàn)機(jī)構(gòu)投資者一般傾向持有流動(dòng)比率高、規(guī)模大、流動(dòng)性強(qiáng)、支付股利、排名較高的公司。Bushee[1]分別檢驗(yàn)了不同類型機(jī)構(gòu)投資者持股公司的特征，包括公司的規(guī)模、每股賬面價(jià)值、股票的市場(chǎng)回報(bào)率、債務(wù)水平、盈余的變化等變量，發(fā)現(xiàn)機(jī)構(gòu)投資者偏好成長(zhǎng)性較好的公司。Russell Reynolds Associates通過調(diào)查發(fā)現(xiàn)，機(jī)構(gòu)投資者主要關(guān)注特征有：高管持股和高管受到外部權(quán)威獨(dú)立組織評(píng)價(jià)的結(jié)果等。

通過分析可發(fā)現(xiàn)，學(xué)者們主要選取了反映企業(yè)安全性、營(yíng)利性、成長(zhǎng)性、股權(quán)結(jié)構(gòu)以及高管受外部評(píng)價(jià)結(jié)果5個(gè)方面的特征，因此結(jié)合本研究對(duì)象目的，選取了這5個(gè)方面的10個(gè)自變量（見表1）。

表1 變量說明表

需要說明的是這里將CEO聲譽(yù)作為高管受外部權(quán)威且獨(dú)立組織評(píng)價(jià)的結(jié)果，是參考了Milbourn[2]的研究結(jié)論，將CEO作為高管的代表，并用媒體曝光度度量CEO聲譽(yù)“量”上的積累，用按行業(yè)調(diào)整的企業(yè)績(jī)效作為CEO聲譽(yù)“質(zhì)”的度量。

2 自變量與因變量模型的建立

2.1 遺傳神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)

由于自變量與因變量之間存在非線性關(guān)系，而BP神經(jīng)網(wǎng)絡(luò)具有較好的非線性擬合能力，故采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，但BP神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)權(quán)值和閾值的訓(xùn)練中易陷入局部極小值，所以需采用有效的優(yōu)化算法保證神經(jīng)網(wǎng)絡(luò)收斂到全局最優(yōu)解。遺傳算法相對(duì)來說具有全局優(yōu)化能力，能保證BP神經(jīng)網(wǎng)絡(luò)收斂到全局最優(yōu)解，故采用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。在參考史峰等[3]的算法（以下稱原算法）基礎(chǔ)上，為提升原算法的精度及計(jì)算效率，對(duì)原算法進(jìn)行了改進(jìn)，具體步驟見圖1所示。

圖1 改進(jìn)后的遺傳BP神經(jīng)網(wǎng)絡(luò)算法流程圖

（1）確定BP神經(jīng)網(wǎng)絡(luò)拓補(bǔ)結(jié)構(gòu)，包括BP神經(jīng)網(wǎng)絡(luò)的層數(shù)，隱含層神經(jīng)元的個(gè)數(shù)等；

（2）將BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行編碼，并隨機(jī)賦值得到遺傳算法的初始種群G0；

（3）解碼得到權(quán)值和閾值，賦予新建的神經(jīng)網(wǎng)絡(luò)；

（4）使用訓(xùn)練數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并用測(cè)試數(shù)據(jù)測(cè)試神經(jīng)網(wǎng)絡(luò)，得到測(cè)試誤差，且計(jì)算適應(yīng)度函數(shù)；

（5）將訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值編碼，并根據(jù)適應(yīng)度函數(shù)值的大小進(jìn)行復(fù)制，然后進(jìn)行交差和變異操作得到新的種群Gi；

（6）若神經(jīng)網(wǎng)絡(luò)等于小于預(yù)設(shè)的誤差或遺傳算法達(dá)到最大進(jìn)化次數(shù)，則停止計(jì)算，否則返回步驟（3）；

（7）將第（6）步采用遺傳算法得到的最優(yōu)解解碼，得到最優(yōu)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。

改進(jìn)后的算法與原算法的主要區(qū)別在于：在步驟5中，原算法直接對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練前的權(quán)值和閾值進(jìn)行復(fù)制，變異和交叉操作得到新種群，而改進(jìn)后的算法是對(duì)經(jīng)過訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行復(fù)制，變異和交差操作得到新的種群。兩種算法計(jì)算過程及結(jié)果比較將在計(jì)算結(jié)果中給出。

2.2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

（1）訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的選取

本文的數(shù)據(jù)來源于萬德資訊中2010年滬深兩市A股上市公司的相關(guān)數(shù)據(jù)，在剔除了空值之后，依據(jù)變量選取部分所述方法得到10個(gè)自變量的值及因變量的值，共計(jì)743個(gè)樣本。

將2010年的獨(dú)立機(jī)構(gòu)投資者持股比例按中位數(shù)分為高持股組和低持股組，并定義高持股組的因變量為1，低持股組為0，然后將總樣本80%的數(shù)據(jù)用于訓(xùn)練為訓(xùn)練數(shù)據(jù)，剩下的樣本為測(cè)試數(shù)據(jù)。為保證神經(jīng)網(wǎng)絡(luò)收斂速度和收斂誤差，對(duì)樣本數(shù)據(jù)應(yīng)用極差歸一化公式進(jìn)行了歸一化。

（2）神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定

定義了高持股組和低持股組因變量的數(shù)值后，就將問題轉(zhuǎn)化成一個(gè)分類問題。一般情況下3層BP神經(jīng)網(wǎng)絡(luò)可以很好地解決模式識(shí)別問題，故構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)包含輸入層、隱含層和輸出層3層。與自變量和因變量相對(duì)應(yīng)輸入、輸出層神經(jīng)元個(gè)數(shù)分別為10個(gè)和1個(gè)。

在確定隱含層神經(jīng)元個(gè)數(shù)前需確定網(wǎng)絡(luò)訓(xùn)練方法，結(jié)合本研究計(jì)算量，兼顧精度、速度及占用內(nèi)存等方面情況，參考陳明忠[4]的結(jié)論，網(wǎng)絡(luò)訓(xùn)練方法采用Levenberg-Marquardt算法。

在隱含層神經(jīng)元個(gè)數(shù)的確定中，采用在經(jīng)驗(yàn)公式的基礎(chǔ)上，結(jié)合實(shí)驗(yàn)法的方法。首先采用經(jīng)驗(yàn)公式n1=sqrt(m+n)+a（sqrt為平方根，n1為隱含層節(jié)點(diǎn)個(gè)數(shù)，m和n分別為輸入和輸出層節(jié)點(diǎn)個(gè)數(shù)，a為1～10之間的整數(shù)）確定隱含層神經(jīng)元個(gè)數(shù)范圍為5～15個(gè)，接著用訓(xùn)練數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并用測(cè)試數(shù)據(jù)測(cè)試神經(jīng)網(wǎng)絡(luò)并得到網(wǎng)絡(luò)分類錯(cuò)誤率，錯(cuò)誤率最小時(shí)所對(duì)應(yīng)的神經(jīng)元個(gè)數(shù)即為最佳隱含層神經(jīng)元個(gè)數(shù)，在計(jì)算中為了克服神經(jīng)網(wǎng)絡(luò)隨機(jī)初始權(quán)值和閾值帶來的影響，對(duì)每個(gè)隱含層神經(jīng)元個(gè)數(shù)都訓(xùn)練50次，并取平均值，結(jié)果如圖2所示。

圖2 隱含層神經(jīng)元個(gè)數(shù)與神經(jīng)網(wǎng)絡(luò)分類錯(cuò)誤率

從圖2中可知，當(dāng)隱含層神經(jīng)元個(gè)數(shù)為9時(shí)，BP神經(jīng)網(wǎng)絡(luò)分類錯(cuò)誤率最小，大約為0.14，因而隱含層神經(jīng)元個(gè)數(shù)為9個(gè)。

2.3 遺傳算法設(shè)計(jì)

(1)適應(yīng)度函數(shù)。適應(yīng)度函數(shù)定義為預(yù)測(cè)值與期望值的殘差，這里用均方誤差衡量。

(2)選擇。根據(jù)適應(yīng)度值，在當(dāng)前群體中采用輪盤賭模型選擇下一代，第i個(gè)個(gè)體的選擇概率為

式中Ei為第i個(gè)個(gè)體適應(yīng)度值，m為種群數(shù)量。

(3)交叉。本研究交叉操作為：1）隨機(jī)選定第k個(gè)染色體ak和第l個(gè)染色體al；2）隨機(jī)產(chǎn)生[0,1]區(qū)間的隨機(jī)數(shù)b；3）ak和al在j位的交叉操作如下：

(4)變異。采用基本變異法，主要步驟如下：

1）設(shè)定變異概率Pm，隨機(jī)選擇發(fā)生變異個(gè)體；

2）將選中個(gè)體中的染色體隨機(jī)位的基因，替換為符合約束條件的任意值。

此外，經(jīng)反復(fù)實(shí)驗(yàn)并參考閆利軍[5]的相關(guān)結(jié)論，設(shè)定遺傳算法主要參數(shù)：最大進(jìn)化次數(shù)30代，種群數(shù)量30，交叉概率0.6，變異概率0.1。

2.4 計(jì)算結(jié)果及性能分析

首先用訓(xùn)練數(shù)據(jù)訓(xùn)練改進(jìn)后的遺傳BP神經(jīng)網(wǎng)絡(luò)然后用測(cè)試數(shù)據(jù)測(cè)試訓(xùn)練好的網(wǎng)絡(luò)，并得到網(wǎng)絡(luò)誤差和分類錯(cuò)誤率，為了比較改進(jìn)后的算法與原算法的性能，同時(shí)按原算法進(jìn)行了計(jì)算。

圖3為采用改進(jìn)后方法得到的最優(yōu)個(gè)體適應(yīng)度值與進(jìn)化次數(shù)關(guān)系圖，從圖中可以看出進(jìn)化初期最優(yōu)個(gè)體適應(yīng)度值隨進(jìn)化代數(shù)增加快速下降，之后下降較為緩慢，達(dá)到最大進(jìn)化次數(shù)30次時(shí)，最優(yōu)個(gè)體適應(yīng)度值為0.0519；圖3虛線為采用原算法得到的最優(yōu)個(gè)體適應(yīng)度值與進(jìn)化次數(shù)關(guān)系圖，可看到在進(jìn)化了100次之后最優(yōu)個(gè)體適應(yīng)度值為0.0672。通過對(duì)比易發(fā)現(xiàn)，改進(jìn)后的算法效率較高，用了較少的進(jìn)化次數(shù)就達(dá)到了比原算法還優(yōu)的效果，主要原因是改進(jìn)后的算法可將BP神經(jīng)網(wǎng)絡(luò)在權(quán)值閾值訓(xùn)練中具有方向性的優(yōu)點(diǎn)與遺傳算法具有全局尋優(yōu)的優(yōu)點(diǎn)結(jié)合起來，既避免了遺傳算法到達(dá)最優(yōu)解附近隨機(jī)搜索最優(yōu)解的缺點(diǎn)又克服了神經(jīng)網(wǎng)絡(luò)在權(quán)值閾值訓(xùn)練中易陷入局部極小值的缺點(diǎn)。

表2是分別采用改進(jìn)后算法與原算法得到的神經(jīng)網(wǎng)絡(luò)分類錯(cuò)誤率。改進(jìn)后的算法與原算法相比，訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)的分類錯(cuò)誤率均較低，說明對(duì)本例而言，改進(jìn)后的算法分類準(zhǔn)確率優(yōu)于原算法。

表2 用改進(jìn)后算法與原算法分類錯(cuò)誤率統(tǒng)計(jì)表

3 影響關(guān)系分析

平均影響值法(MIV)被認(rèn)為是在神經(jīng)網(wǎng)絡(luò)中評(píng)價(jià)自變量相關(guān)性最好的指標(biāo)之一，可用于確定神經(jīng)網(wǎng)絡(luò)中輸入變量對(duì)輸出變量影響大小，其絕對(duì)值大小代表影響的相對(duì)重要性。故采用MIV法研究上市公司相關(guān)指標(biāo)對(duì)獨(dú)立機(jī)構(gòu)投資者持股比例的影響關(guān)系。MIV法的步驟這里不作介紹，請(qǐng)參閱相關(guān)文獻(xiàn)。

采用訓(xùn)練好的改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)，并依據(jù)上述步驟求解得到各自變量MIV絕對(duì)值如表3所示。

表3 自變量MIV絕對(duì)值

從表3可得，上市公司的安全性和盈利性對(duì)獨(dú)立機(jī)構(gòu)資者所持上市公司股權(quán)比例影響比較大。總體來說獨(dú)立機(jī)構(gòu)投資者偏好于持有規(guī)模大，盈利能力強(qiáng)，且風(fēng)險(xiǎn)小的企業(yè)的股票，獨(dú)立機(jī)構(gòu)投資者持股特征具有追求盈利且規(guī)避風(fēng)險(xiǎn)的特性。投資者的投資目標(biāo)決定了持股行為，獨(dú)立機(jī)構(gòu)投資者的投資目標(biāo)是在保證資金安全的基礎(chǔ)上追求盈利，這一方面決定了其傾向于選擇安全性較高的企業(yè)，而規(guī)模大、償債能力強(qiáng)的企業(yè)相對(duì)來說比較穩(wěn)定與可靠，另一方面也決定了其傾向于選擇盈利性高的企業(yè)，因而反映企業(yè)業(yè)績(jī)的每股收益和凈資產(chǎn)收益率也是其在選擇投資目標(biāo)時(shí)重點(diǎn)關(guān)注的指標(biāo)。

4 結(jié)論

本文研究了獨(dú)立機(jī)構(gòu)投資者持股行為特征，在研究中為了提高模型精度和計(jì)算效率，改進(jìn)了遺傳神經(jīng)網(wǎng)絡(luò)方法，改進(jìn)后的算法較原算法在分類準(zhǔn)確率和效率上有一定程度的提升，之后在建模的基礎(chǔ)上采用MIV方法研究了影響關(guān)系，結(jié)果表明上市公司的安全性和盈利性對(duì)獨(dú)立機(jī)構(gòu)資者所持上市公司股權(quán)比例影響較大，這體現(xiàn)了獨(dú)立機(jī)構(gòu)投資者追求盈利且規(guī)避風(fēng)險(xiǎn)的特性。

本文的不足之處在于僅采用了2010年一年的數(shù)據(jù)進(jìn)行研究，還應(yīng)進(jìn)行更大樣本的實(shí)證研究工作。

[1]Bushee B，Noe C.Corporate Disclosure Practices,Institutional Investors,and Stock Return Volatility[J].Accounting Research，2000，38(S).

[2]Milbourn T T.CEO Reputation and Stock-based Compensation[J].Journal of Financial Economics，2003，68(2).

[3]史峰，王小川，郁磊，李洋.Matlab神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社.2009.

[4]陳明忠.BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法的分析與比較[J].科技廣場(chǎng)，2010，(3).

[5]閆利軍，李宗斌，楊曉春.基于混合優(yōu)化算法的遺傳算法參數(shù)設(shè)定研究[J].系統(tǒng)工程與電子技術(shù)，2007，(10).