基于支持向量機(jī)的上市公司投資回報(bào)預(yù)測(cè)

◎黃詩(shī)蘊(yùn)

基于支持向量機(jī)的上市公司投資回報(bào)預(yù)測(cè)

◎黃詩(shī)蘊(yùn)

該文先利用SPSS因子分析確定影響較大的財(cái)務(wù)指標(biāo)，然后采用支持向量機(jī)（SVM）來(lái)處理上市公司財(cái)務(wù)指標(biāo)數(shù)據(jù)，較客觀地預(yù)測(cè)上市公司的投入資本回報(bào)率（ROIC）,為投資人的決策提供支持。

支持向量機(jī)（SVM）是在高位特征空間使用線性函數(shù)假設(shè)空間的學(xué)習(xí)系統(tǒng)，它由一個(gè)來(lái)自最優(yōu)化理論的學(xué)習(xí)算法訓(xùn)練，該算法實(shí)現(xiàn)了一個(gè)由統(tǒng)計(jì)學(xué)習(xí)理論導(dǎo)出的學(xué)習(xí)偏置。此學(xué)習(xí)策略由Vapnik和他的合作者提出，是一個(gè)準(zhǔn)則性的并且強(qiáng)有力的方法。

風(fēng)險(xiǎn)度量是風(fēng)險(xiǎn)投資中的重要組成部分，能否對(duì)投資回報(bào)率進(jìn)行準(zhǔn)確估計(jì)關(guān)系到整個(gè)風(fēng)險(xiǎn)管理體系的成敗。我們可以將上市公司的投資回報(bào)率劃分為若干檔，如0％～5％檔、5％～10％檔、10％以上檔。利用支持向量機(jī)預(yù)測(cè)上市公司投資回報(bào)率的所屬檔位，從而進(jìn)行風(fēng)險(xiǎn)控制。

支持向量機(jī)上市公司投入資本回報(bào)率預(yù)測(cè)的實(shí)證分析

樣本的選擇。本文選擇了2013年年報(bào)4386家上市公司的財(cái)務(wù)指標(biāo)，去除缺失部分指標(biāo)的公司后剩余798家上市公司作為樣本。之所以選擇2013披露的年度報(bào)告是因?yàn)樵摃r(shí)間段股市相對(duì)比較平穩(wěn)，能夠較好地避免極端因素對(duì)預(yù)測(cè)結(jié)果的影響。以上數(shù)據(jù)全部從銳思數(shù)據(jù)庫(kù)獲得。

變量的選擇。本文首先將全部財(cái)務(wù)指標(biāo)（共50個(gè)）導(dǎo)入SPSS中進(jìn)行因子分析。結(jié)果顯示14個(gè)因子可解釋76.11％的方差。通過(guò)旋轉(zhuǎn)成分矩陣，本文選取了每個(gè)因子中載荷較高的指標(biāo)作為預(yù)測(cè)模型中的變量，其中因變量選取了載荷最高的投入資產(chǎn)回報(bào)率（ROIC），其余13個(gè)成分為自變量因子。成分1為產(chǎn)權(quán)比率(％)_Dbequrt；成分2為經(jīng)營(yíng)活動(dòng)盈利能力指標(biāo)（包括銷(xiāo)售凈利率(TTM)(％)_NetprfrtTTM，成本費(fèi)用利潤(rùn)率(％)_Totprfcostrt）；成分3為現(xiàn)金流與償還短期負(fù)債能力指標(biāo)（包括經(jīng)營(yíng)凈現(xiàn)金流量/負(fù)債合計(jì)_NOCFtotlia，成本費(fèi)用利潤(rùn)率(％)_Totprfcostrt）；成分4為總資產(chǎn)周轉(zhuǎn)率(次)_Totassrat；成分5為流動(dòng)比率(％)_ Currt；成分6為股利支付率(％)_Divprt；成分7為扣除非經(jīng)常損益后的凈利潤(rùn)／凈利潤(rùn)_Nprfcutnprf；成分8為歸屬母公司股東的凈利潤(rùn)/凈利潤(rùn)_NPPCNPDP；成分9為凈利潤(rùn)/利潤(rùn)總額_NPTPDP；成分10為賒銷(xiāo)管理能力指標(biāo)（包括長(zhǎng)期負(fù)債與營(yíng)運(yùn)資金比率(％)_Ldbwrkcap，應(yīng)收賬款周轉(zhuǎn)率(次)_ARTrat，流動(dòng)資產(chǎn)/總資產(chǎn)_Curtotast）成分11為年換手率YrFulTurnR；成分12為營(yíng)業(yè)利潤(rùn)增長(zhǎng)率(％)_Opeprfgrrt；成分13為利息保障倍數(shù)_Intcvr。

支持向量機(jī)核函數(shù)選擇及其預(yù)測(cè)結(jié)果

基本原理。通過(guò)使用Matlab關(guān)于向量機(jī)的核心函數(shù)SVMTRAIN與SVMCLASSIFY，對(duì)數(shù)據(jù)進(jìn)行分析。先使用SVMTRAIN函數(shù)，它可以使用訓(xùn)練矩陣數(shù)據(jù)樣本進(jìn)行函數(shù)擬合。然后用SVMCLASSIFY函數(shù)對(duì)測(cè)試樣本進(jìn)行分類(lèi)，預(yù)測(cè)結(jié)果。測(cè)試結(jié)果分為三類(lèi)，0％～5％（不含）的標(biāo)記為1，5％～10％（不含）的標(biāo)記為2,10％以上的標(biāo)記為3。

操作方法。本文首先選取了3.4％的樣本（共27個(gè)）作為測(cè)試樣本，其余作為訓(xùn)練樣本進(jìn)行實(shí)驗(yàn)。核函數(shù)分別選取了多項(xiàng)式核函數(shù)（Polynomial）、徑向基核函數(shù)（RBF）、Quadratic核函數(shù)與線性核函數(shù)（linear）進(jìn)行訓(xùn)練，得到如下結(jié)果（表1）。使用polynomial核函數(shù)的準(zhǔn)確率為85.19％，RBF核函數(shù)準(zhǔn)確率為62.96％，使用quadratic核函數(shù)的準(zhǔn)確率為81.48％，而使用線性核函數(shù)的預(yù)測(cè)準(zhǔn)確度最高，為96.29％。

表1：選取不同核函數(shù)的向量機(jī)方法下的預(yù)測(cè)結(jié)果（部分）

復(fù)核。重新隨機(jī)選取12％的數(shù)據(jù)為測(cè)試樣本，其余為訓(xùn)練樣本，用線性核函數(shù)進(jìn)行訓(xùn)練。結(jié)果表明，在增大了測(cè)試樣本減少了訓(xùn)練樣本的情況下，使用線性核函數(shù)的準(zhǔn)確率依然很高，為98.0％。因此選用線性核函數(shù)為SVMTRAIN中Kernal Funtion參數(shù)的值。

本方法的優(yōu)缺點(diǎn)

支持向量機(jī)技術(shù)可對(duì)上市公司投入資產(chǎn)回報(bào)率進(jìn)行有效的識(shí)別與分類(lèi)。以各方面的財(cái)務(wù)指標(biāo)作為自變量，以投資回報(bào)率作為因變量進(jìn)行預(yù)測(cè)。選用線性核函數(shù)訓(xùn)練的準(zhǔn)確度在90％以上，表現(xiàn)出向量機(jī)對(duì)有限樣本的良好泛化能力。我們可以在已知上市公司部分財(cái)務(wù)指標(biāo)的情況下，應(yīng)用這個(gè)方法判斷企業(yè)的投資回報(bào)率，從而為投資決策提供參考，一定程度上減小了投資風(fēng)險(xiǎn)。

行業(yè)間財(cái)務(wù)指標(biāo)的數(shù)據(jù)是存在差異的，不同行業(yè)間，理想的存貨周轉(zhuǎn)率、流動(dòng)比率等的理想值是不同的。要提高預(yù)測(cè)精度，可以分開(kāi)行業(yè)進(jìn)行預(yù)測(cè)。每個(gè)行業(yè)的前景也不一樣，應(yīng)該結(jié)合政策等具體分析。

本方法也存在一定缺陷。首先我們難以獲知公司每時(shí)每刻的財(cái)務(wù)指標(biāo)，只有等到期末才有正式的披露。同時(shí)，數(shù)據(jù)可能存在一定程度的粉飾和虛假，誤導(dǎo)投資決策行為。在預(yù)測(cè)結(jié)果中，存在一些誤差很大的異常值，可能和公司經(jīng)營(yíng)的微觀因素有關(guān)。因此，決策時(shí)需要多方面考慮，不要局限于對(duì)外披露數(shù)據(jù)的分析，而要深入調(diào)查公司情況。

（作者單位：北京科技大學(xué)）