基于遺傳神經(jīng)網(wǎng)絡(luò)的獨立機(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

資本市場上活躍的兩大投資主體分別為個人投資者和機(jī)構(gòu)投資者，機(jī)構(gòu)投資者與個人投資者相比，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)投資者對于上市公司和資本市場都是非常重要的，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務(wù)界的熱點話題之一。

通過總結(jié)國內(nèi)外文獻(xiàn)的回顧與對比可以發(fā)現(xiàn)：（1）國內(nèi)關(guān)于機(jī)構(gòu)投資者持股特征的實證研究還相對較為缺乏，特別是獨立機(jī)構(gòu)投資者持股特征的實證研究；（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，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)及獨立機(jī)構(gòu)投資者持股比例的基礎(chǔ)上，首先將獨立機(jī)構(gòu)投資者持股比例劃分為高持股組和低持股組，并對選取的指標(biāo)與獨立機(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)對獨立機(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比率高、規(guī)模大、流動性強(qiáng)、支付股利、排名較高的公司。Bushee[1]分別檢驗了不同類型機(jī)構(gòu)投資者持股公司的特征，包括公司的規(guī)模、每股賬面價值、股票的市場回報率、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)威獨立組織評價的結(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、營利性、成長性、股權(quán)結(jié)構(gòu)以及高管受外部評價結(jié)果5個方面的特征，因此結(jié)合本研究對象目的，選取了這5個方面的10個自變量（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)威且獨立組織評價的結(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算效率，對原算法進(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)，并用測試數(shù)據(jù)測試神經(jīng)網(wǎng)絡(luò)，得到測試誤差，且計算適應(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。兩種算法計算過程及結(jié)果比較將在計算結(jié)果中給出。

2.2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計

（1）訓(xùn)練數(shù)據(jù)和測試數(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個自變量的值及因變量的值，共計743個樣本。

將2010年的獨立機(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應(yīng)輸入、輸出層神經(jīng)元個數(shù)分別為10個和1個。

在確定隱含層神經(jīng)元個數(shù)前需確定網(wǎng)絡(luò)訓(xùn)練方法，結(jié)合本研究計算量，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)元個數(shù)的確定中，采用在經(jīng)驗公式的基礎(chǔ)上，結(jié)合實驗法的方法。首先采用經(jīng)驗公式n1=sqrt(m+n)+a（sqrt為平方根，n1為隱含層節(jié)點個數(shù)，m和n分別為輸入和輸出層節(jié)點個數(shù)，a為1～10之間的整數(shù)）確定隱含層神經(jīng)元個數(shù)范圍為5～15個，接著用訓(xùn)練數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并用測試數(shù)據(jù)測試神經(jīng)網(wǎng)絡(luò)并得到網(wǎng)絡(luò)分類錯誤率，錯誤率最小時所對應(yīng)的神經(jīng)元個數(shù)即為最佳隱含層神經(jīng)元個數(shù)，在計算中為了克服神經(jīng)網(wǎng)絡(luò)隨機(jī)初始權(quán)值和閾值帶來的影響，對每個隱含層神經(jīng)元個數(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)元個數(shù)與神經(jīng)網(wǎng)絡(luò)分類錯誤率

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

2.3 遺傳算法設(shè)計

(1)適應(yīng)度函數(shù)。適應(yīng)度函數(shù)定義為預(yù)測值與期望值的殘差，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個個體的選擇概率為

式中Ei為第i個個體適應(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個染色體ak和第l個染色體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)生變異個體；

2）將選中個體中的染色體隨機(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)實驗并參考閆利軍[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)然后用測試數(shù)據(jù)測試訓(xùn)練好的網(wǎng)絡(luò)，并得到網(wǎng)絡(luò)誤差和分類錯誤率，為了比較改進(jìn)后的算法與原算法的性能，同時按原算法進(jìn)行了計算。

圖3為采用改進(jìn)后方法得到的最優(yōu)個體適應(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，最優(yōu)個體適應(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)個體適應(yīng)度值為0.0672。通過對比易發(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)點與遺傳算法具有全局尋優(yōu)的優(yōu)點結(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。

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)分類錯誤率。改進(jìn)后的算法與原算法相比，訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)的分類錯誤率均較低，說明對本例而言，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誤率統(tǒng)計表

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)中評價自變量相關(guān)性最好的指標(biāo)之一，可用于確定神經(jīng)網(wǎng)絡(luò)中輸入變量對輸出變量影響大小，其絕對值大小代表影響的相對重要性。故采用MIV法研究上市公司相關(guān)指標(biāo)對獨立機(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絕對值如表3所示。

表3 自變量MIV絕對值

從表3可得，上市公司的安全性和盈利性對獨立機(jī)構(gòu)資者所持上市公司股權(quán)比例影響比較大?？傮w來說獨立機(jī)構(gòu)投資者偏好于持有規(guī)模大，盈利能力強(qiáng)，且風(fēng)險小的企業(yè)的股票，獨立機(jī)構(gòu)投資者持股特征具有追求盈利且規(guī)避風(fēng)險的特性。投資者的投資目標(biāo)決定了持股行為，獨立機(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)時重點關(guān)注的指標(biāo)。

4 結(jié)論

本文研究了獨立機(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獨立機(jī)構(gòu)資者所持上市公司股權(quán)比例影響較大，這體現(xiàn)了獨立機(jī)構(gòu)投資者追求盈利且規(guī)避風(fēng)險的特性。

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，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).