RBF神經網絡在創業板新股定價問題上的研究

唐思

摘 要：隨著新股的恢復發行上市，新股定價的重要性不斷提升。而現有的新股定價法具有一定局限性，因此本文引入RBF神經網絡對創業板新上市的股票的定價進行探討，最終得出較為理想的預測結果，對創業板的新股定價具有一定的借鑒意義。

關鍵詞：RBF神經網絡；創業板；新股定價

一、RBF網絡概述

徑向基網絡是相對于BP網絡來說有其特殊特點的新穎的神經網絡，它可以無限的逼近任何連續的函數，它是Powell M.

J.D首先提出的，包括輸入層，隱含層和輸出層。

（一）輸入層的輸入到隱含層的輸入。輸入層、隱含層之間權值向量與輸入層輸入向量距離llW1i-Xq ll。b是調節神經元的敏感度。隱含層的輸入 n=llW1i-Xq ll×b。

（二）隱含層的輸入到輸出。隱含層激勵函數選擇e-n2為傳遞函數，radbas（n）=e-n2 ）。隱含層輸出向量

（三）隱含層的輸出到輸出層的輸出。輸出層的輸入為各隱含層神經元輸出的加權求和。輸出層的輸出為yq=∑ni=1（ri×w2i）。

二、基于RBF網絡的新股定價

（一）樣本選擇和指標選擇。文章選取2014年1月份在深交所創業板上市的22個股票，前18個作訓練樣本，后4個作測試樣本。輸入指標包括主承銷商等級，股權集中度，發行規模以及財務方面指標（包括每股收益，每股凈資產，資產負債率，應收賬款周轉率以及凈利潤）。

（二）樣本處理。由于神經網絡matlab處理要將數據歸于

[0，1]，才能準確的逼近。不能量化指標要進行編碼轉化。能量化指標直接用數據歸一化法 。

（1）不能量化指標的編碼轉換。對于股權集中度主要是根據第一名大股東持股比例和前十名大股東持股比例來劃分的，主要分為高度集中型，集中型，中間型，分散型和高度分散型。對于主承銷商的等級，根據深圳證券交易所的數據，將所有主承銷商的注冊資本進行排名，1-30名的等級為高等級，30-80為中等級，80以后的為低等級。對于股票發行規模則是根據首發后總股本的大小來作為根據的，總股本大于10000萬股的為大盤股，5000-10000萬股的為中盤股，小于5000萬股的為小盤股。在這里，我們將股票的發行價和上市首日開盤價的平均值作為股票的實際發行價格。這樣將22個樣本的主承銷商等級，股權集中度，發行規模進行編碼轉換。

（2）能夠量化指標的數據歸一化。在這里我們采用最便捷的線性處理法，利用公式i=1，2…。其中Xj表示為該列的第j行數據，MAX（X）和MIN （X）分別表示該列的最大值和最小值這樣將22個樣本的財務方面指標（包括每股收益，每股凈資產，資產負債率，應收賬款周轉率以及凈利潤）進行歸一化。

（三）RBF網絡的構建。本文選擇newrbe（）構建RBF網絡。net=newrbe（P，T，SPREAD）， P為輸入向量，T為輸出變量，SPREAD為拓展速度。由于不需測定隱含層數目，因此選擇最優的SPREAD來決定最優值。經過matlab得出的估計值是[0，1]之間，因此要matlab語句反歸一化。

（四）實證過程。通過對SPREAD取0.5，1，1.5進行matlab

程序計算，可得出3個預測值。

由表中可以看出，當spread=1時，相對誤差最小。因此結果針對spread=1時的數據進行分析。

三、結果分析與解釋

RBF神經網絡對X19、X20、X21、X22的價格預測的準確度是較高的。其中X21的相對誤差最大，這可能是選取的指標不能充分反應它的情況或者訓練樣本的數目不足，使得函數逼近能力欠佳。因此，RBF神經網絡的新股定價的兩個重要的影響因素是指標的選取和訓練樣本的數目。

盡管存在一定的誤差，但是本文的指標的選取只涵蓋四大類而且訓練樣本數目也不多，在此基礎上能夠對新發股票的價格預測作出一定準確性的判斷，可以看出RBF神經網絡在新股定價中的可行性和合理性，對創業板的新股定價具有一定的借鑒意義。

參考文獻：

[1] 曹鳳岐，董秀良.我國IPO定價合理性的實證分析[J].財經研究，2006，32（6）：4-14

[2] 蔣紅.新股定價模型研究[D].西北農林科技大學，2012

[3] 王煒等.徑向基函數（RBF）神經網絡及其應用[J].地震報，2005（2）