基于BP模型創(chuàng)業(yè)板指數(shù)預測研究

胡章明

[提要] 對于我國創(chuàng)業(yè)板上市企業(yè)來說，通常具有較高成長性和高技術(shù)含量，因此對于中國創(chuàng)業(yè)板企業(yè)分析相關(guān)研究也成為目前國內(nèi)金融證券市場的重點。尤其對于其指數(shù)預測來說已經(jīng)成為股票的份額以及市場資本運作的重要參考依據(jù)。在本研究中通過構(gòu)建創(chuàng)業(yè)板上市公司財務(wù)績效評價指標，并創(chuàng)建指數(shù)成長評價體系，提出利用神經(jīng)網(wǎng)絡(luò)BP完成指數(shù)預測，最后通過實驗研究驗證該模型對國內(nèi)創(chuàng)業(yè)板上市企業(yè)指數(shù)預測評價的有效性，希望能給相關(guān)工作人員提供幫助。

關(guān)鍵詞：BP模型;創(chuàng)業(yè)板;指數(shù);預測;研究

中圖分類號：F83 文獻標識碼：A

收錄日期：2019年12月5日

隨著目前創(chuàng)業(yè)板的建立，創(chuàng)業(yè)板上市企業(yè)的實際業(yè)績問題成為社會高度重視的問題。創(chuàng)業(yè)板很多企業(yè)大多是處于成長過程中的中小型企業(yè)，部分企業(yè)具有較高的技術(shù)含量和創(chuàng)新性，其成長性也得到投資者的青睞。在本研究中深入對國內(nèi)創(chuàng)業(yè)板上市企業(yè)指數(shù)預測，這對于企業(yè)成長性評價分析具有十分重要的作用。目前，在創(chuàng)業(yè)板上市企業(yè)績效評估過程中使用的方法，包括模糊綜合分析法、平衡基本法等多種方法，但這些方法在判定過程中存在一定的主觀性，而采用神經(jīng)網(wǎng)絡(luò)方法能夠去除這種專家經(jīng)驗的影響，利用實際觀察數(shù)據(jù)，通過信息傳遞計算傳播和誤差反向傳播進行權(quán)值調(diào)整，進而能夠使數(shù)值與期望值接近，不斷逼近輸入輸出的任意非線性問題。此外，本研究中針對國內(nèi)創(chuàng)業(yè)板上市企業(yè)指數(shù)成長性問題進行綜合評價，構(gòu)建相應的模型，基于這種背景下該模型構(gòu)建對于理論分析、政府引導以及上市公司發(fā)展來說都具有十分重要的作用。

一、創(chuàng)業(yè)板上市企業(yè)評價的神經(jīng)網(wǎng)絡(luò)分析

對于企業(yè)傳統(tǒng)評價來說存在多種方法，包括主成分分析、因子分析、模糊分析、灰色理論等多種方法，然而不同的評價方法其產(chǎn)生的結(jié)果是存在一定差異的，因此需要不同實踐方法進行分析，而采用神經(jīng)網(wǎng)絡(luò)分析方法時能夠擺脫專家經(jīng)驗的影響，通過實際觀察的數(shù)據(jù)在信息傳遞中采取正向傳播和誤差反向傳播兩種方式進行權(quán)值調(diào)整，進而能夠使輸出值與期望值無限接近，逼近輸入輸出時間任意非線性關(guān)系。在本研究中采用神經(jīng)網(wǎng)絡(luò)方式，能夠?qū)鴥?nèi)創(chuàng)業(yè)板上市企業(yè)成長性進行綜合評價，提升了評價的合理性準確性，對于投資者來說能夠為其提供重要的決策依據(jù)。構(gòu)建創(chuàng)業(yè)板上市企業(yè)成長性評價體系時，為能夠創(chuàng)建較為合理且可行性強的評價體系，在指標選舉過程中需要滿足相應的比較需求，如果所選擇的指標過多，將會增加信息處理過程中產(chǎn)生的成本問題，由于創(chuàng)業(yè)板企業(yè)具有較高的風險且收益較高，而公司償債能力能夠從一定程度上反映其對于市場風險的應對能力，企業(yè)經(jīng)營的目標是實現(xiàn)利潤最大化，因此企業(yè)發(fā)展的歸宿點是盈利能力，對于創(chuàng)業(yè)板上市企業(yè)來說是否能夠?qū)崿F(xiàn)可持續(xù)性發(fā)展對于其發(fā)展?jié)摿碚f是十分重要的，因此在本研究中可以選取盈利、償債、發(fā)展這三個能力來反映其成長性財務(wù)指標。在本研究中針對這三個指標可將其作為一級指標，其對應的還有二級指標。

二、構(gòu)建神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆?zhèn)鞑ニ惴ǖ那梆伨W(wǎng)絡(luò)體系，也是目前使用廣泛的網(wǎng)絡(luò)模型開發(fā)方法，能夠儲存大量映射關(guān)系，沒有在事前對該關(guān)系進行描述，是一種重要的數(shù)學方程分析，使用最速下降法，通過逆向傳播的方式進行權(quán)值實現(xiàn)調(diào)整，能夠使網(wǎng)絡(luò)誤差最小，典型的神經(jīng)網(wǎng)絡(luò)具有三等結(jié)構(gòu)，包括輸入、隱含和輸出層這三個類型，主要用于非線性系統(tǒng)映射關(guān)系建模，該網(wǎng)絡(luò)技術(shù)是采用學習算法和非線性可微轉(zhuǎn)移函數(shù)多層網(wǎng)絡(luò)方法，典型的神經(jīng)網(wǎng)絡(luò)使用的是梯度下降算法，包括牛頓算法和電磁爐算法這兩種類型。對于目前使用較多的神經(jīng)網(wǎng)絡(luò)模型算法，即BP算法，具體體現(xiàn)于BP神經(jīng)網(wǎng)絡(luò)所使用的神經(jīng)元是sIGMoId系統(tǒng)，可微分函數(shù)，能夠?qū)崿F(xiàn)輸入、輸出任意非線性因數(shù)關(guān)系，進而能夠使神經(jīng)網(wǎng)絡(luò)擅長一些隱含大對數(shù)據(jù)的因數(shù)逼近的問題，尤其可以通過學習自適應實施新問題，因此可以使用分類模式識別函數(shù)等多個領(lǐng)域中，同時神經(jīng)網(wǎng)絡(luò)還有大量可調(diào)節(jié)的參數(shù)，無需進行提前建模，具有較強的靈活性，能夠突出后天學習能力，使其能夠隨著外界變化逐漸豐富學習內(nèi)容，同時還可以從一定程度上在線評價專家的經(jīng)驗理論認知，確保結(jié)果的客觀性。神經(jīng)網(wǎng)絡(luò)是典型全局編輯網(wǎng)絡(luò)，能夠?qū)γ恳粋€輸入、輸出的數(shù)據(jù)進行參數(shù)調(diào)整，因此可用于全局特征研究新問題分析。

三、實例研究

在創(chuàng)業(yè)板上市企業(yè)樣本選取的過程中，結(jié)合指標體系相關(guān)要求，在本研究中我們共選取了在深圳上市的60家創(chuàng)業(yè)板上市企業(yè)作為研究對象，根據(jù)所輸入的數(shù)據(jù)特點和企業(yè)成長評價體系，結(jié)合不同指標所具有的量綱，導致指標存在公度性缺乏問題，無法實現(xiàn)線性組合，因此在構(gòu)建模型前需要對各指標進行無量綱化處理分析，同時在較為復雜的網(wǎng)絡(luò)背景下，其形成的數(shù)據(jù)差異較大，尤其不同字段中數(shù)據(jù)對于神經(jīng)網(wǎng)絡(luò)訓練是極為不利的，因此原始數(shù)據(jù)經(jīng)過預處理之后，能夠使后續(xù)數(shù)據(jù)在處理過程中難度降低，確保運行程序加快，尤其對社區(qū)進行規(guī)劃處理之后，能夠使數(shù)據(jù)間的差異縮小，確保每一個數(shù)據(jù)項能夠在所設(shè)置的區(qū)域范圍內(nèi)進行選取。從一定程度上來看，對于一些正向指標來說，值越大則證明該指標越好，在上述所遵循的指標中凈利潤增長率、凈資產(chǎn)收益率、營業(yè)收入增長率等是正向指標，而逆向指標來說，該值越小則指標越好，通常為非正向指標，包括資產(chǎn)負債率，由于目前整體來看國內(nèi)上市公司負債率偏高，因此資產(chǎn)負債率為一項指標。

通常所使用的非正向性指標包含流動比率、負債率、速凍比率等多項指標，然而由于目前國內(nèi)一些中小型企業(yè)資產(chǎn)負債率是逆項指標，而相對來看速凍比率以及流動比例是償債能力分析指標，這些指標越大則表明其具備的償債能力越強，因此可將流動比率以及速凍比例作為專項指標進行分析，計算加權(quán)相加是綜合得分，該分值越大表明企業(yè)整體財務(wù)效率越好。

四、構(gòu)建神經(jīng)網(wǎng)絡(luò)模型和進行測試評價分析

設(shè)計輸入和輸入層，在選取輸入層節(jié)點時是與輸入數(shù)據(jù)特征向量相關(guān)的，其一個節(jié)點通常對應一個變量。當輸入層節(jié)點為8，輸出節(jié)點為1。設(shè)計隱含層設(shè)計，隱含層節(jié)點數(shù)是比較復雜的，在三層神經(jīng)網(wǎng)絡(luò)中隱含層是與輸入層節(jié)點數(shù)據(jù)具有一定關(guān)系的，具體數(shù)目需要通過反復實驗進行確定，在本研究中通過仿真結(jié)果分析，最終確定隱含層的鑒定數(shù)為10，這種情況下系統(tǒng)評價性能是比較好的。輸入層以及中間層傳遞函數(shù)采用正切函數(shù)，中間總和輸入層使用對數(shù)函數(shù)，輸出限定在0～1之間。在模型新的測試過程中，我們選取50強的企業(yè)作為輸入樣本。通過上述10個步驟具有良好的收斂效果之后，能夠?qū)ψ詈?組樣本指標數(shù)據(jù)和成長性評價進行分析分別對應，模型檢測輸入節(jié)點輸出結(jié)果最終獲得檢測結(jié)果。

通過本研究所構(gòu)建的模型與現(xiàn)有方法進行比較，利用這種模型評價方法對國內(nèi)目前創(chuàng)業(yè)板上市企業(yè)指數(shù)預測進行分析，具有較強的應用性，同時利用網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)方法無需構(gòu)建數(shù)據(jù)模型，且不需要對影響因素的權(quán)重進行仔細分析，只需要依靠專家知識和經(jīng)驗進行學習，通過網(wǎng)絡(luò)學習的方式能夠確保輸出值與預期值相符合，神經(jīng)網(wǎng)絡(luò)是通過大量相對復雜的數(shù)據(jù)進行分類以及規(guī)律發(fā)現(xiàn)，具有獨特的自學習和容錯能力，能夠使相對復雜的公式描述問題難度降低，利用這種人工神經(jīng)網(wǎng)絡(luò)法對國內(nèi)創(chuàng)業(yè)板上市企業(yè)進行指數(shù)預測，該方法具有較強的準確性和可用性，同時能夠預測未來一段時間內(nèi)我國創(chuàng)業(yè)板上市企業(yè)的發(fā)展?jié)摿Α＝谘芯繉W生通過對比支持向量回歸和神經(jīng)網(wǎng)絡(luò)運算，結(jié)果發(fā)現(xiàn)支持向量訓練所需時間較長，而且需要進行多次迭代，其所產(chǎn)生的誤差較小，是二次規(guī)劃問題，其最終解為全局最優(yōu)解，而采用神經(jīng)網(wǎng)絡(luò)是一種梯度算法，基于這種情況下對小樣本進行預測分析時，相比神經(jīng)網(wǎng)絡(luò)算法來說，支持向量計算法更具有預測全局最優(yōu)解的優(yōu)勢。

五、小結(jié)

本文通過對目前國內(nèi)創(chuàng)業(yè)板上市企業(yè)進行特點分析，基于目前財務(wù)績效評價指標的基礎(chǔ)上，構(gòu)建了創(chuàng)業(yè)板上市企業(yè)指數(shù)預測模型和評價體系，提出利用神經(jīng)網(wǎng)絡(luò)進行指數(shù)預測，最后通過深圳創(chuàng)業(yè)板上市公司作為實力驗證了該模型對于企業(yè)成長評價的重要性。

主要參考文獻：

[1]鐘婷婷，張迪，陳真誠.基于BP神經(jīng)網(wǎng)絡(luò)的胰島素評價預測模型[J].中國醫(yī)學物理學雜志，2018（11）.

[2]吳慧靜，赫曉慧.基于GA-BP神經(jīng)網(wǎng)絡(luò)的空氣質(zhì)量指數(shù)預測研究[J].安徽師范大學學報（自然科學版），2019（4）.

[3]范俊楠，張鈺，賀小敏.基于BP神經(jīng)網(wǎng)絡(luò)的重點行業(yè)企業(yè)周邊土壤重金屬污染預測及評價[J].華中農(nóng)業(yè)大學學報，2019（4）.