基于改進神經(jīng)網(wǎng)絡(luò)的市銷率預(yù)測規(guī)劃模型

肖滟琳 吳昊

【摘? 要】在我國成長型科技創(chuàng)新企業(yè)融資成為短板的情況下，通過參照美國同類型市場NASDAQ上市公司的平均市銷率進而通過市銷率評估對國內(nèi)市場進行評估預(yù)測以及分析，進而實現(xiàn)對國內(nèi)市場的規(guī)劃.并且科創(chuàng)板公司在發(fā)展階段盈利增長速度極快，這導(dǎo)致了傳統(tǒng)估值方法不適合用來估值我國的科創(chuàng)板上市公司。在通過小波分析奇點法處理數(shù)據(jù)后，利用趨勢移動神經(jīng)網(wǎng)絡(luò)的灰色預(yù)測模型預(yù)測估值水平從而更合理地對上市公司進行估值。并根據(jù)子數(shù)據(jù)類型采用灰色預(yù)測與時序預(yù)測。

【關(guān)鍵詞】趨勢移動神經(jīng)網(wǎng)絡(luò)的灰色預(yù)測;上市企業(yè)評價;小波分析奇點法;灰色預(yù)測;時序預(yù)測

1.1.1科創(chuàng)板企業(yè)上市估值

市銷率（PS）是股票價值比上其每股銷售收入。與市盈率相比，市銷率波動幅度較小，且銷售額一般較為真實。但是市銷率也存在著不準(zhǔn)確性，主要表現(xiàn)為即使公司的銷售收入高速增長，盈利水平也可能變化不大，另外市銷率也沒有考慮到成本結(jié)構(gòu)在不同公司間存在差異。

市銷率的內(nèi)涵機理為：（1）低市銷率更有利;（2）市銷率的穩(wěn)定性很關(guān)鍵。估值溢價與折價水平是股票的價值的一方面。市場對某股票的預(yù)期即股票的發(fā)行溢價，是公司發(fā)展向上的一個代表指標(biāo)。

小波分析奇點法：信號的奇異點（突變點）往往蘊含著眾多的信號的關(guān)鍵信息。小波變換是基于傅里葉變換的進一步完備和拓展，它彌補了傅里葉變換在觀察局部時頻特性方面的不足（即只能判斷奇異信號的整體性質(zhì)，卻不能具體定位突變點），經(jīng)過改進，既有了良好的波形整體分析能力，又具備了出眾的時頻域局部化分析能力。設(shè)h（t）是函數(shù)f（t）和g（）的卷積，即：

在建模的過程中，為準(zhǔn)確建模、精確解決問題，考慮到市銷率的穩(wěn)定性，所以在測算2018年的估值水平前，用“小波分析奇點法”對各個公司2009-2018年的市銷率數(shù)據(jù)進行核查，排除掉數(shù)據(jù)異常的公司，對剩下的公司進行估值水平的測算（即求科創(chuàng)板公司2018年市銷率的平均值）。

1.1.2對模型的求解與分析

根據(jù)計算，2018年中國A股市場（上證指數(shù)成分股）的平均市銷率為4.92美國NASDAQ市場的平均市銷率為129.03經(jīng)過計算估值溢價算得美國NASDAQ市場的溢價高于中國，說明中國股票市場更有潛力。

1.2 2018年市場的估值水平測算

在對估值指標(biāo)與基本面指標(biāo)、流動性指標(biāo)之間的關(guān)系進行定量分析的過程屬于比較復(fù)雜的非線性系統(tǒng)，這種系統(tǒng)方程復(fù)雜，難以用數(shù)學(xué)方法建模，在這種情況下，我們選擇使用BP神經(jīng)網(wǎng)絡(luò)去表達這種非線性系統(tǒng)。得到第j個神經(jīng)元的輸出：

2.趨勢移動神經(jīng)網(wǎng)絡(luò)的灰色預(yù)測模型求解

需要對中國A股市場和美國NASDAQ市場2019年的基本面指標(biāo)、流動性指標(biāo)進行預(yù)測分析。同問題一，預(yù)測前需要對數(shù)據(jù)進行預(yù)處理，針對基本面指標(biāo)、流動性指標(biāo)采用趨勢移動法、簡單移動平均法和加權(quán)移動平均法。

在時間序列沒有明顯的趨勢變動時，用簡單移動平均法和加權(quán)移動平均法來預(yù)測能夠準(zhǔn)確反映實際情況。

由問題二可知，估值指標(biāo)與基本面指標(biāo)、流動性指標(biāo)之間存在定量關(guān)系，整合預(yù)測指標(biāo)與歷史指標(biāo)，BP神經(jīng)網(wǎng)絡(luò)預(yù)測先把輸入輸出歸一化處理，使取值范圍限定在[0，1]內(nèi)，再初始化權(quán)值和閾值，使所取的初始化權(quán)的值是處于（-1，1）之間的隨機數(shù)。

3.問題四模型的建立及求解

結(jié)果如下

預(yù)測值為99.4112。

結(jié)論

（1）篩選有效數(shù)據(jù)較為合理，提高了模型建立的準(zhǔn)確性。

（2）使用組合神經(jīng)網(wǎng)絡(luò)算法，確認參數(shù)間關(guān)系，利用灰色模型修正，得到結(jié)果誤差很小，十分可靠。

（3）該模型具有普適性，適于推廣到數(shù)據(jù)趨勢預(yù)測，電力負荷預(yù)測等領(lǐng)域。模型缺點：建模方法較單一，對于同一問題沒有建立多個模型，無法進行多種方法的分析比較。

參考文獻：

[1] 基于多維灰色模型及神經(jīng)網(wǎng)絡(luò)的銷售預(yù)測[J].黃鴻云劉衛(wèi)校丁佐華.軟件學(xué)報.2017（03）

[2] A study on geotechnical characterization and stability of downstream slope of a tailings dam to improve its storage capacity（Turkey）[J].NazliTunarOzcan，ResatUlusay，NihatSinanIsik.Environmental Earth Sciences.2013（6）

[3] Output feedback direct adaptive neural network control for uncertain SISO nonlinear systems using a fuzzy estimator of the control error[J].Mohamed Chemachema.NeuralNetworks.2012

[4] Neural network-based model for landslide susceptibility and soil longitudinal profile analyses：Two case studies[J].F.Farrokhzad，A.Barari，A.J.Choobbasti，L.B.Ibsen.Journal of African Earth Sciences.2011（5）

[5] A corresponding states treatment of the liquid–vapor saturation line[J].K.Srinivasan，K.C.Ng，S.Velasco，J.A.White.The Journal of Chemical Thermodynamics.2011（1）

[6] Unsteady seepage analysis using local radial basis function-based differential quadrature method[J].M.R.Hashemi，F(xiàn).Hatam.Applied Mathematical Modelling.2011（10）

[7] Modelling the mechanical behaviour of unsaturated soils using a genetic algorithm-based neural network[J].A.Johari，A.A.Javadi，G.Habibagahi.Computers and Geotechnics.2010（1）

[8] 改進的灰色神經(jīng)網(wǎng)絡(luò)預(yù)測方法[J].許同樂王營博孟祥川宋汝君.北京郵電大學(xué)學(xué)報.2018（06）

（作者單位：西華大學(xué)電氣與電子信息學(xué)院）