基于matlab實現(xiàn)人工神經(jīng)網(wǎng)絡(luò)在股票評級中的應(yīng)用研究

黃紫暉，許學(xué)軍

（上海理工大學(xué) 管理學(xué)院，上海 200093）

1 引言

近年，我國股市跌宕起伏，遠有2008年次貸危機，近有由于場外配資清理、場內(nèi)融資和分級基金去杠桿形成連鎖反應(yīng)造成的2015年的股災(zāi)，國家推出的“熔斷機制”等應(yīng)對措施也收效甚微。歷史總在不斷回演，除了其他種種因素外，沒有完全發(fā)揮出有效性的股票評級無疑是一個重要的因素。

目前，各大金融機構(gòu)對熱門的股票都發(fā)布有股票的評級，但不同機構(gòu)打分方法不同。大部分金融機構(gòu)根據(jù)能反映上市公司的盈利能力、營運能力、償債能力、資本結(jié)構(gòu)、現(xiàn)金流以及市場波動性等指標(biāo)來進行加權(quán)評分，但具體使用哪幾個指標(biāo)、指標(biāo)的權(quán)重大小以及運用的預(yù)測模型類別及方法都不盡相同。并且，由于業(yè)界并沒有統(tǒng)一的規(guī)定，其評級的分類也不盡相同。大部分證券公司的股票評級一般分為：買入、增持、中性、減持以及賣出。其他公司的股票評級也有：強烈推薦、推薦、謹(jǐn)慎推薦、回避、中性等。但即使評級的稱謂相同，其意義也可能不同。因此，對于各大機構(gòu)股票評級系統(tǒng)的整個流程的研究具有較大的意義，其中運用的預(yù)測模型也非常值得探討。

2 文獻綜述

在我國，股票評級的出現(xiàn)時間較晚，對其進行研究的時間也不長。陳穎濤（2001）對關(guān)于建立股票評級機制提出了探討，分析了股票評級機制推出的必要性和有效性，列舉了建立我國股票評級機制的條件和成熟度，考慮了能夠影響股票評分的宏觀、微觀、企業(yè)和股票本身等種種因素，最終對股票市場評級的整體思路作了總結(jié)[1-2]。廖成林和喬憲木（2004）將結(jié)構(gòu)模型應(yīng)用到中國股票市場的股票評級中，建立了中國股票評級的財務(wù)結(jié)構(gòu)模型[3]。在模型中列舉了19個可能影響股票評級的財務(wù)指標(biāo)，分析財務(wù)指標(biāo)之間的關(guān)系以及各個財務(wù)指標(biāo)在影響企業(yè)經(jīng)營、盈利以及成長性等狀況中的重要性程度，得出股票評級主要依靠未來的成長性的評價結(jié)論[4]。吳東輝和薛祖云（2005）以國泰君安研究所對上市A股的2001年的盈利預(yù)測為樣本進行研究，發(fā)現(xiàn)證券分析師總體上對上市公司的業(yè)績預(yù)測偏于樂觀，特別是對虧損企業(yè)。彭景滔和吳薇（2011）選取了10家評級機構(gòu)，運用市場模型法對香港上市公司股票評級報告進行分析，檢驗股票評級的投資價值，得出股票評級報告能為投資者帶來超額收益的結(jié)論[5]。

3 研究設(shè)計

3.1 樣本及指標(biāo)選取

本文數(shù)據(jù)從大智慧股票軟件平臺中選取，該平臺匯集了國泰君安、廣發(fā)證券、中金公司、興業(yè)證券、安信證券以及海通證券等多家證券公司對上市公司的盈利預(yù)測、股票評級結(jié)果及財務(wù)指標(biāo)等多個數(shù)據(jù)指標(biāo)[6-12]。本研究模型選用房地產(chǎn)行業(yè)的上市公司的股票評級結(jié)果及多項財務(wù)指標(biāo)。在剔除數(shù)據(jù)不全等多家公司后，一共選取了99支房地產(chǎn)行業(yè)股票進行研究。其中，股票的評級結(jié)果由最近一個月的各大評級機構(gòu)的評級指標(biāo)綜合計算得出。相對的，財務(wù)指標(biāo)也選取各公司2017年第一季度財報的指標(biāo)。

輸入指標(biāo)的選取考慮企業(yè)和股票本身兩大因素，重點為企業(yè)的償債能力、盈利能力、經(jīng)營能力、企業(yè)的資本結(jié)構(gòu)以及反映市場的指標(biāo)。同時，再結(jié)合各大機構(gòu)透露的指標(biāo)偏向，本文最終選取了10個財務(wù)指標(biāo)作為股票評級的影響因素。其中，反映盈利能力指標(biāo)為：基本每股收益、每股凈資產(chǎn)、凈利潤率以及加權(quán)凈資產(chǎn)收益率；反映償債能力的指標(biāo)為：流動比率、速動比率；反映經(jīng)營能力的指標(biāo)為：每股現(xiàn)金流量；反映企業(yè)資本結(jié)構(gòu)為：股東權(quán)益；反映市場的指標(biāo)為：市盈率及市凈率。本文按照股票一般評級指標(biāo)作為模型輸出：買入、增持、中性、減持以及賣出，并將五個指標(biāo)分別量化為1分、2分、3分、4分以及5分。

3.2 模型設(shè)定

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network-ANN）是一種平行分散處理模式，其建構(gòu)理念基于人類大腦神經(jīng)運作的模擬[13]。其中前向三層BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)被認為是最適用于模擬輸入、輸出的近似關(guān)系，其算法較成熟且應(yīng)用最為廣泛，示意圖如圖1所示。

4 實證分析4.1 數(shù)據(jù)

根據(jù)研究設(shè)計對相關(guān)指標(biāo)進行收集，共選取了房地產(chǎn)行業(yè)99家上市公司2017年第一季度財報的10個財務(wù)指標(biāo)作為模型輸入數(shù)據(jù)，最近1個月各大評級機構(gòu)綜合的經(jīng)過量化后的1個股票評級指標(biāo)作為模型輸出數(shù)據(jù)，共計99個樣本，1 089個樣本量。

4.2 分析流程

本文采用三層BP神經(jīng)網(wǎng)絡(luò)模型進行研究，模型的三層包括：輸入層、隱含層以及輸出層。其中，將10個財務(wù)指標(biāo)變量作為模型輸入層，輸出層為量化的1個股票評級指標(biāo)，同時，根據(jù)反復(fù)測試選取的隱含層的神經(jīng)元為7。最終，采用10*7*1結(jié)構(gòu)模型，神經(jīng)元函數(shù)為Sigmoid特征函數(shù)。在研究過程中，訓(xùn)練樣本從99個樣本中隨機選取49個，剩余50個樣本為測試樣本，將學(xué)習(xí)率設(shè)定為0.1，學(xué)習(xí)誤差設(shè)為0.01，利用matlab2017a進行訓(xùn)練，經(jīng)過多次反復(fù)訓(xùn)練后，達到要求，得到構(gòu)建好的人工神經(jīng)網(wǎng)絡(luò)。最后，用構(gòu)建好的神經(jīng)網(wǎng)絡(luò)對測試樣本進行測試，將輸出結(jié)果與原始測試樣本結(jié)果進行比較，得到預(yù)測的準(zhǔn)確度。整個研究分析流程具體如下：

①將所有樣本數(shù)據(jù)進行歸一化。由于Sigmoid特征函數(shù)區(qū)間為（0，1），并且樣本各指標(biāo)單位不同，因此利用線性轉(zhuǎn)換算法將數(shù)據(jù)進行歸一化。其公式如下：

其中，min為x的最小值，輸入向量為x，歸一化后的輸出向量為y。此公式將x歸一化至（0，1）區(qū)間，適用于特征函數(shù)Sigmoid函數(shù)。

②使用訓(xùn)練數(shù)據(jù)創(chuàng)建神經(jīng)網(wǎng)絡(luò)。構(gòu)造三層結(jié)構(gòu)模型，將特征函數(shù)函數(shù)設(shè)為Sigmoid函數(shù)，學(xué)習(xí)率設(shè)定為0.1，學(xué)習(xí)誤差設(shè)為0.01。將歸一化后的訓(xùn)練樣本的10個財務(wù)指標(biāo)作為輸入層，隱含層節(jié)點暫設(shè)為9，利用matlab2017a進行訓(xùn)練，得到輸出結(jié)果，將輸出結(jié)果與訓(xùn)練樣本中的歸一化后的股票評級指標(biāo)進行比較，得到誤差。最終，經(jīng)過11 419次反復(fù)訓(xùn)練后，隱含層節(jié)點設(shè)置為7時，模型達到設(shè)定的學(xué)習(xí)誤差0.01，至此神經(jīng)網(wǎng)絡(luò)創(chuàng)建完成。此時模型為10*7*1的三層網(wǎng)絡(luò)結(jié)構(gòu)，其示意圖如圖2所示，訓(xùn)練結(jié)果如圖3所示。

由圖3可以看到，神經(jīng)網(wǎng)絡(luò)訓(xùn)練目標(biāo)誤差（Goal）為0.01，迭代達到11 419次時，誤差達到的最小值Best與Goal重合，迭代停止，訓(xùn)練完成。

③使用測試樣本進行仿真，計算預(yù)測準(zhǔn)確率。將歸一化后的測試樣本10個財務(wù)指標(biāo)作為模型輸入層輸入，進行仿真，得到輸出結(jié)果，將此輸出結(jié)果進行反歸一化后與原測試樣本中未歸一化的股票評級指標(biāo)做比較，利用均方誤差MSE計算其預(yù)測精度，得到誤差為0.061左右，誤差較小。

5 結(jié)論

本文采用人工神經(jīng)網(wǎng)絡(luò)算法，從影響股票評級的各大財務(wù)指標(biāo)出發(fā)，對各大機構(gòu)股票評級結(jié)果進行檢驗，旨在使精確度在可接受范圍內(nèi)，嘗試實現(xiàn)通過有代表性的財務(wù)指標(biāo)達到準(zhǔn)確的股票評級的目的。期間，通過改變訓(xùn)練次數(shù)、隱含層節(jié)點數(shù)等參數(shù)變量，得到了較小的誤差率，預(yù)測準(zhǔn)確度適中。BP神經(jīng)網(wǎng)絡(luò)模型擺脫了傳統(tǒng)方式的局限，突破了依賴線性模型的限制，用非線性模型模擬了實際數(shù)據(jù)，實現(xiàn)了在股票評級應(yīng)用研究中方法的創(chuàng)新。但在模型進行多次反復(fù)運行預(yù)測時，常出現(xiàn)誤差率不穩(wěn)定等問題，且本文也沒有對影響股票評級指標(biāo)進行更精確的篩選。因此，后續(xù)研究中模型仍需改進，對指標(biāo)的選取再做探索和優(yōu)化。但作為一種理論研究，本文也證實了人工神經(jīng)網(wǎng)絡(luò)模型也可作為股票評級的工具，這也將作為進一步研究的課題。

圖2 創(chuàng)建完成的人工神經(jīng)網(wǎng)絡(luò)示意圖

圖3 人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖