基于深度神經網絡的上市公司價值評估應用研究

馮雨萌

（山東農業大學經濟管理學院，山東泰安 271018）

為實現經濟持續健康增長，助力優質科創企業實現創新驅動和高質量發展，我國于2019 年6 月13 日正式開設科創板。科創板上市公司主要為科技創新企業，具有商業模式差別大、經營風險大、業績不穩定、退市可能性大的特點。公司價值是進行詢價定價的基礎，也是企業并購、重組、轉讓、商譽減值測試的重要依據。而我國科創板注冊制推行時間較短，對公司價值的評估數據主要來源于A 股市場和海外市場，此類市場的評估又由評估機構提供，主觀性較強，易使資本市場出現股價偏離公司實際價值的情況［1］。因此，需要找到專門適用于科創板上市公司企業價值評估的方法。目前，我國評估企業價值主要有兩個方向：一是采用傳統評估方法如資產基礎法、相對估值法、絕對估值法；二是通過建立模型來進行企業價值評估，如經濟增加值模型（EVA）、Schwartz-Moon 定價模型等。資產基礎法雖適用于新設立的企業，但科創板上市公司無形資產多為新型產品技術，可比案例極少，易出現較大誤差；此外，存在公司內部人員惡意篡改公司資產折舊、攤銷額的情況，使估值結果不準確。相對估值法存在難以找到具有相似經營特征的可比企業的問題。高新技術企業在研發階段現金流極少［2］，采用絕對估值法會存在較大誤差問題。對于通過建立模型進行企業價值評估這一方向，由于模型方法限制性條件過多，在現實中難以完全滿足。

與上述方法相比，深度神經網絡在進行企業價值評估時無須做出任何假設條件，也無須可比案例。本文通過總結以往前人研究，建立科創板上市公司價值評估體系；選取國泰安197 家上市公司的數據，運用Python建立深度神經網絡模型，希望能夠為科創板上市公司價值評估提供估值結果更準確的評估方法。

一、評估體系設計與神經網絡構建

（一）深度神經網絡

深度神經網絡能夠較好地反映變量間復雜的非線性關系，將訓練樣本輸入模型，經過輸入層、隱藏層、輸出層的運算，若得到的輸出結果與期望值差距較大，程序會自動原路返回調整各層節點間的權重、學習速率等參數，再進行與先前相同的步驟，直至輸出結果能夠較好地逼近期望值。截至目前，深度神經網絡已應用于自動化、生物、統計、經濟學等多種領域，具有預測、評價、圖像處理和仿真功能。

（二）科創板上市公司價值評估體系的建立

本文通過總結前人的研究成果，從財務與非財務兩大方面，選取盈利能力、償債能力、營運能力、發展能力、公司規模、創新能力、治理能力、人力資本作為一級指標，選取銷售凈利率（X1）、股東權益報酬率（X2）、速動比率（X3）、資產負債率（X4）、應收賬款周轉率（X5）、銷售收入增長率（X6）、總資產賬面價值（X7）、研發投入占比（X8）、公司前五大股東持股比例之和（X9）、員工平均薪酬（X10）作為二級指標，構建科創板上市公司的價值評估體系。

1．財務指標

第一，盈利能力。盈利能力作為反映企業價值的關鍵因素，用于衡量企業獲利能力的高低。銷售凈利率越高，說明公司具有較好的盈利能力。而股東權益報酬率作為杜邦分析體系的核心指標，能夠反映公司自有資本賺取回報的能力，因此采用銷售凈利率與股東權益報酬率作為衡量公司盈利能力的指標。

第二，償債能力。償債能力包括短期償債能力和長期償債能力，能夠反映企業承受風險的強弱。科創板上市公司多屬于高新技術行業，存貨少，專利等無形資產是總資產的重要組成部分。速動比率在分子中扣除了存貨的影響，適合衡量科創板公司的短期償債能力。資產負債率可反映公司對負債經營規模的掌控程度，作為杜邦分析的組成因素之一，可較好地評價公司的長期償債能力。

第三，營運能力。營運能力用于反映企業資產利用效率和資金使用周轉速度。科創板上市公司多屬于輕資產模式，存貨等不易變現的資產少，因此采用應收賬款周轉率作為公司營運能力的衡量指標。

第四，發展能力。發展能力指企業未來擴大經營規模、持續發展的潛力，銷售收入增長率越高，說明公司的市場競爭力、未來市場發展前景以及主要業務的拓展能力越好。

2．非財務指標

第一，公司規模。由于規模經濟效應，公司規模越大，企業價值往往會隨之增加；但隨著規模逐漸擴大，公司也可能會出現管理和資金周轉不善等方面的問題，造成企業價值減值。因此，公司規模是影響企業價值的重要因素之一。本文選用總資產賬面價值，能夠使投資者更直觀地了解公司的整體規模。

第二，創新能力。較強的創新能力能促進產品技術升級，從而使公司在市場上保持較好的競爭能力和發展勢頭，賺取更多利潤。研發投入越多的企業，往往具有更好的創新能力。

第三，治理能力。雖然股權集中會發生大股東侵占小股東利益等問題，但是在高度競爭和不確定的環境下，股權集中有助于大股東管理層高效監督，更能統一高管成員間的意見，從而對公司績效產生積極影響［3］。陶文麗以公司前五大股東持股比例之和（PFIVE）表示股權集中度［4］，并通過實證分析得出，PFIVE 與公司績效呈顯著正相關關系，即在一定范圍內，PFIVE 越大，公司績效越好。而好的績效又能促進公司整體價值的提升，因此選擇PFIVE 作為衡量公司治理能力的指標。

第四，人力資本。全體員工的人力資本是企業價值提升的重要因素，企業對人力資本的大量投入，有利于吸引更優質的人才，激活員工的創造能力，從而推動企業發展，提升企業價值。本文采用員工平均薪酬作為衡量公司人力資本投入的指標。

3．深度神經網絡模型的構建

本文通過Python 軟件進行科創板上市公司深度神經網絡模型的構建。

第一，網絡層數。為增強模型擬合與處理數據的能力，防止欠擬合情況的發生，本文采用包含一個輸入層、四個隱藏層、一個輸出層的六層神經網絡模型。

第二，輸入層神經元。輸入神經元包括銷售凈利率、股東權益報酬率、速動比率、資產負債率、應收賬款周轉率、銷售收入增長率、總資產賬面價值、研發投入占比、公司前五大股東持股比例之和、員工平均薪酬共10 個神經元。

第三，輸出層神經元。本文神經網絡模型只設置一個輸出層神經元，即公司市值Y，市值=A 股*今收盤價A 股當期值+境內上市的外資股B 股*今收盤價B 股當期值。

第四，隱藏層神經元。過少的隱藏層神經元可能會導致欠擬合，過多的神經元又會導致過度擬合，神經網絡收斂速度變慢。且目前，并沒有準確的方法來求取隱藏層神經元個數，因此本文通過試錯法，將四個隱藏層的神經元個數分別設置為30、60、60、30。

第五，分區。采用8:2 的比例，80%的公司數據用來進行模型的訓練；剩余20%則用來檢驗神經網絡模型的性能及預測精確度。

第六，激活函數。激活函數是神經網絡模型的重要構件，具有使神經網絡映射輸入層與輸出層間復雜函數關系的作用。relu 函數作為當前最常用的激活函數，解決了梯度消失的問題且收斂速度極快，因此模型使用relu 函數。

第七，神經網絡的訓練。神經網絡的訓練就是在模型正向與反向傳播的過程中不斷調整權重和功能閾值，以使輸出值更加接近期望值的過程。將整理的159家科創板上市公司指標數據作為訓練樣本輸入模型中，經過各層網絡的運算，獲得用來評估科創板上市公司價值的神經網絡模型。為減少主觀因素的影響，加快梯度下降速度，本文在模型中加入Adam 優化器，以自動更新學習率等參數。

第八，模擬輸出。模型訓練結束后，將驗證組樣本數據輸入模型中，經模型運行后得到的運算結果即為模擬輸出值——企業預測市值。

二、數據選取與處理

本文在去除數據缺失與數據異常的公司后，最終選取197 家科創板上市公司2020 年12 月31 日的指標數據作為模型構建的樣本。由于各類指標數據數量級差別過大，不利于神經網絡模型的訓練和數據擬合，因此本文運用SPSS 軟件將總資產賬面價值、員工平均薪酬取ln 值，以縮小數據間的數量級差異；將所有數據進行歸一化處理，使其取值范圍處于［0，1］之間，以縮小數據的絕對數值、提升模型收斂速度。

三、結果分析與驗證

（一）結果分析

損失函數（loss）表示預測值與實際值的差距程度，一般用來衡量模型擬合效果的好壞。據圖1 顯示，隨著迭代次數的增加，在第40 次訓練時，預測值與實際值間的loss 值已收斂至0.025 以下，差距極小，說明模型擬合效果極好。

圖 1 損失函數loss收斂過程

（二）驗證

本文將剩余38 家上市公司的相關數據輸入訓練好的模型中，得到各公司市值預測值，據計算得，作為驗證樣本的38 家公司市值實際值與預測值的相對誤差均小于3.5%，平均相對誤差僅為1.67%，說明本文構建的企業價值評估體系合理，神經網絡模型訓練良好且估值準確度極高，適合對科創板上市公司進行價值評估。

四、結論與展望

（一）結論

1．深度神經網絡的適用性與準確性

在上述模型構建與驗證過程中，可看出采用深度神經網絡相較以往評估方法來說限制條件更少，且得到的預測值與企業市值間差距極小，顯示出深度神經網絡在企業價值評估方面的適用性與準確性。此外，由于深度神經網絡全部依靠計算機軟件完成，能夠大大提高評估人員的工作效率，降低工作量。

2．降低投資者風險，促進優質企業發展

由于科創板公司多為科技創新企業，可比公司少，經營風險大，存在折現率、價格比率選擇不準確等導致企業價值被高估或低估的情況，進而使投資者的投資具有極大風險，優質企業得不到資金支持。而神經網絡模型估值誤差小、準確性高，有利于投資者降低投資風險；也使優質企業能夠獲得資金支持，進行更好發展。

3．提高公司管理水平

神經網絡模型的極高擬合度說明了企業價值評估體系設置的合理性，也進一步說明盈利能力、償債能力、營運能力、發展能力、公司規模、創新能力、治理能力、人力資本均是影響科創板上市公司企業價值的重要因素。因此管理者可以從以上方面尋找公司問題，從而提高公司管理水平，提升企業價值。

（二）展望

1．進一步完善企業價值評估體系

目前企業價值評估體系缺少對科創公司經營模式、市場渠道、市場競爭力、成長階段等抽象價值影響因素的指標選取。例如，科創板上市公司往往處于初創期、成長期、成熟期等不同階段，每個階段企業具有不同特征，是否能將各階段數值化，以在模型中將企業進一步分類，提高估值的準確性。

2．評估機構、中評協、企業三方加強合作

企業具有大量歷史數據，可提供神經網絡的訓練樣本；中評協作為資產評估行業的管理者，具有權威性。因此，評估機構應與中國資產評估協會、企業合作，共同研究影響各類企業價值的重要因素，確定與之對應的衡量指標，以使企業價值評估體系更加完善，模型使用范圍更加廣泛，估值結果更加可靠、準確。

3．優化神經網絡模型，擴大使用范圍

目前，深度神經網絡仍存在以下問題：神經網絡需要大量數據進行模型訓練，才能較好地保證預測值的準確性；網絡層數與隱藏層神經元個數的設置暫無一種嚴格而準確的方法體系，需要經驗和多次試錯才能確定，主觀性較強；神經網絡存在陷入局部極小值的可能性［5］。因此，為提高神經網絡在資產評估領域的應用程度，需不斷學習新技術以優化神經網絡。