基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型與聚類分析的上市企業(yè)的估值與預(yù)測

侯志賢

（山東科技大學(xué)，山東 泰安 271000）

考慮到不同企業(yè)類別其估值有所不同，因此本文首先對數(shù)據(jù)進(jìn)行預(yù)處理，利用SPSS對提供的數(shù)據(jù)進(jìn)行聚類分析，將前幾年的數(shù)據(jù)進(jìn)行分類統(tǒng)計(jì)，并且以平均市銷率作為基本數(shù)據(jù)，利用皮爾遜系數(shù)對科創(chuàng)板與納斯達(dá)克數(shù)據(jù)進(jìn)行檢驗(yàn)進(jìn)而得出兩者市場的估值溢價(jià)。

采用邏輯回歸的方法對數(shù)據(jù)進(jìn)行分析，設(shè)置參數(shù)以及進(jìn)行調(diào)試，擬合出估值指標(biāo)與基本面指標(biāo)以及流動性指標(biāo)的關(guān)系，然后對各項(xiàng)指標(biāo)之間的關(guān)系進(jìn)行分析、比較差異。

一、模型假設(shè)

1.假設(shè)條件都為理想情況

2.分析各個(gè)指標(biāo)之間無直接影響

3.不會突然爆發(fā)經(jīng)濟(jì)危機(jī)等情況

二、企業(yè)估值水平的預(yù)測

由于不同企業(yè)的估值的依據(jù)有一定差異，因此為建立一個(gè)統(tǒng)一的標(biāo)準(zhǔn)，對提供的數(shù)據(jù)進(jìn)行聚類分析。考慮到提供數(shù)據(jù)有許多為0的值，因此首先對數(shù)據(jù)進(jìn)行預(yù)處理，然后利用spss對數(shù)據(jù)進(jìn)行分類，以時(shí)間軸形式劃分，以平均市銷率為基本依據(jù)，最終通過皮爾遜系數(shù)與納斯達(dá)克數(shù)據(jù)關(guān)系進(jìn)行檢驗(yàn)即可得出兩者市場的估值溢價(jià)。

聚類與分類的不同在于，聚類所要求劃分的類是未知的。聚類是將數(shù)據(jù)分類到不同的類或者簇這樣的一個(gè)過程，所以同一個(gè)簇中的對象有很大的相似性，而不同簇間的對象有很大的相異性。

從統(tǒng)計(jì)學(xué)的觀點(diǎn)看，聚類分析是通過數(shù)據(jù)建模簡化數(shù)據(jù)的一種方法。傳統(tǒng)的統(tǒng)計(jì)聚類分析方法包括系統(tǒng)聚類法、分解法、加入法、動態(tài)聚類法、有序樣品聚類、有重疊聚類和模糊聚類等。采用k-均值、k-中心點(diǎn)等算法的聚類分析工具已被加入到許多著名的統(tǒng)計(jì)分析軟件包中，如SPSS、SAS等。

在統(tǒng)計(jì)學(xué)中，皮爾遜積矩相關(guān)系數(shù)用于度量兩個(gè)變量X和Y之間的相關(guān)(線性相關(guān))，其值介于-1與1之間。在自然科學(xué)領(lǐng)域中，該系數(shù)廣泛用于度量兩個(gè)變量之間的相關(guān)程度。它是由卡爾·皮爾遜從弗朗西斯·高爾頓在19世紀(jì)80年代提出的一個(gè)相似卻又稍有不同的想法演變而來的。這個(gè)相關(guān)系數(shù)也稱作”皮爾森相關(guān)系數(shù)r”。

考慮到提供給出的數(shù)據(jù)有錯誤的地方，因此利用SPSS對變量進(jìn)行預(yù)處理，然后利用SPSS聚類分析功能，最終得出聚類譜系圖，即對表格的數(shù)據(jù)進(jìn)行了大致分類。

市銷率是指股票市價(jià)與每股銷售額的比率。主要適用在對銷售收入較大但盈利水平還不明顯的企業(yè)。PS估值法的優(yōu)點(diǎn)在于：首先對于盈利能為為負(fù)值的企業(yè)，PS佑值法依然適用，因?yàn)槠髽I(yè)的銷售額一直是正值的，所W理論上PS估值法適合任何企業(yè)；相對于利潤與凈資產(chǎn)而言，企業(yè)的銷售額更為真實(shí)，估計(jì)法的結(jié)果可能更為可靠；市銷率的波動沒有市盈率大。

PS估值法的缺點(diǎn)在于：企業(yè)的銷售額較高并不一定代表企業(yè)的營業(yè)利潤也高;并且對于一些受成本波動較大的行業(yè)而言，PS估值法不太適用。[1]

總體而言，與絕對估值法相比較，相對估值法的優(yōu)勢在于計(jì)算比較筒單，也便于普通投資者理解和掌握，同時(shí)通過可比公司也揭示了行業(yè)外在的一些因素對公司發(fā)展的影響制約。同時(shí)相比于絕對估值法，相對估值法的缺點(diǎn)在于：市巧波動較劇烈時(shí)，市盈率、市凈率的變動比率也較為劇烈，可能對上市公司的價(jià)值評估產(chǎn)生較大的誤差。并且在選擇可比公司作為參照物時(shí)，實(shí)踐過程中可能不能選擇較好的可比公司，導(dǎo)致最終價(jià)值估計(jì)出現(xiàn)誤差。

納斯達(dá)克是當(dāng)今世界最大的電子股票市場，其股票交易系統(tǒng)是利用電子信息技術(shù)而建立的，它主要是為快速成長的高科技企業(yè)服務(wù)，其市場結(jié)構(gòu)獨(dú)特、上市環(huán)境寬松，吸引了眾多的高科技企業(yè)，微軟、英特爾、蘋果等企業(yè)都在納斯達(dá)克上市，并獲得飛速的成長成為世界知名大企業(yè)，因此，納斯達(dá)克代表了新技術(shù)的發(fā)展方向，并成功樹立了一個(gè)”扶持創(chuàng)業(yè)企業(yè)”的形象。[2]

根據(jù)測算最終算出2018年中國A股市場與美國NASDAQ市場的估值水平平均值分別為2.099與0.765.

三、估值溢價(jià)

本文選用多項(xiàng)式邏輯回歸來建立估值指標(biāo)與基本面指標(biāo)，流動性指標(biāo)之間的關(guān)系，即進(jìn)行擬合回歸。通過邏輯回歸模型對中國A股市場的估值指標(biāo)與基本面指標(biāo)、流動性指標(biāo)之間的關(guān)系進(jìn)行定量分析，對美國NASDAQ市場也進(jìn)行此種分析，最終比較出兩個(gè)市場之間的差異。

LR模型是應(yīng)變量為二值分類變量的回歸模型，在滑坡敏感性評價(jià)中是應(yīng)用較為廣泛的一種非線性多元統(tǒng)計(jì)模型。本研究選取LR模型主要包括以下2個(gè)原因：1)能進(jìn)行不同類型的自變量分析；2)該模型不要求自變量符合正態(tài)分布，對識別變量的分布無限制，可以用來預(yù)測具有二項(xiàng)特點(diǎn)的因變量概率問題；LR模型將因變量轉(zhuǎn)化為發(fā)生 (記為1)和不發(fā)生 (記為0)的二元邏輯變量。滑坡發(fā)生的概率與影響因子之間的關(guān)系可表示為

其中，P代表發(fā)生的概率，范圍為[0，1]。Z代表變量疊加后的線性權(quán)重值得和；Xi代表各個(gè)影響因子，βi是邏輯回歸系數(shù)。利用SPSS軟件對提供的訓(xùn)練樣本進(jìn)行邏輯回歸，得到每個(gè)影響因子分級的回歸系數(shù)，該系數(shù)越大則表明相應(yīng)的影響因子影響越大。R模型屬于多元統(tǒng)計(jì)分析，不同于二元統(tǒng)計(jì)分析法，該方法對各個(gè)影響因子進(jìn)行綜合評價(jià)。

為了定量地評價(jià)空間預(yù)測結(jié)果，將訓(xùn)練后的模型分別以訓(xùn)練樣本和驗(yàn)證樣本數(shù)據(jù)作為模型輸入進(jìn)行計(jì)算，得到2種樣本的輸出結(jié)果。本文采用ROC曲線對模型的精度進(jìn)行評價(jià)。ROC曲線為受試者工作特征曲線，是反映敏感性和特異性連續(xù)變量的綜合指標(biāo)，并采用構(gòu)圖法揭示兩者的相互關(guān)系。將通過訓(xùn)練樣本集與驗(yàn)證樣本集得到的輸出結(jié)果分別導(dǎo)入至SPSS軟件進(jìn)行計(jì)算，所得的ROC曲線結(jié)果如下圖所示。其中訓(xùn)練樣本和驗(yàn)證樣本的AUC分別為0.91和0.89，表明LR模型的預(yù)測精度較為理想。

經(jīng)過預(yù)測發(fā)現(xiàn)無論是中國A股市長的各項(xiàng)指標(biāo)還是美國NASDAQ市場的估值指標(biāo)，都有一定的關(guān)系，并且這種關(guān)系可以通過模型證實(shí)。