基于投资者风险偏好的上市公司投资价值分类模型.pdfVIP

第 45卷第 l6期 数学的实践与认识 V0lI．45．No．16 2015年 8月 MATHEMATICSIN PRACTICE AND THEORY Aug．，2015 基于投资者风险偏好的上市公司投资价值分类模型 颜 瑞 ，张 群 z，黄晓霞z (1．北京信息科技大学经济管理学院，北京 100192) (2．北京科技大学东凌经济管理学院，北京 100083) 摘 要：从投资者的角度出发，建立上市公司投资价值分类模型．提出基于投资者 风险偏好变量的分类模型，并采用广义最小二乘支持向量机进行求解．实证分析表 明，模型能很好的体现投资者的风险偏好，并且算法也能针对问题有效的进行处理， 在机器学习方法中融入投资者的个人决策具有可行性和有效性． 关键词：投资价值；风险偏好；支持 向量机 近年来证券市场在我国有较大的发展，并且 已经逐步趋于成熟，在此过程中投资者对上 市公司价值的认识经历了几个阶段．在 2003年之前，投资者主要依据 自己掌握的信息资源主 观判断上市公司的价值，这一阶段的特点是缺乏客观性和可评价性．2003年之后，价值投资 理念开始影响中国证券市场，特别是2004年以后，价值投资理念已经成为证券市场的主导因 素．经过多年的发展，国内在上市公司投资价值评价指标方面的研究也取得了一些成果，主要 使用聚类分析 [1J、数据包络分析 [2]、层次分析法 0【]及价值增加法 [4]等统计分析方法，传统 的方法和模型无法克服检验困难和推广能力差的问题． 投资价值指标系统是一个非线性的复杂系统，而大量研究表明人工智能方法在处理这类 问题的时候效果更好，能够克服传统方法的不足．人j二智能方法的核心是机器学习理论，虽然 是模仿人类学习行为，但是其本质还是机器计算，而投资行为作为投资者的活动，应当更好的 体现投资者的决策，投资者在选择投资对象的时候应该依据更适合 自己的评估方法．投资者 在做决策的时候，很重要的一个考虑是 自身的风险承受能力，风险厌恶型的投资者希望避开 投资价值较低的公司，而风险喜好型的投资者可能认为某些投资价值较低的公司是具有潜力 的．本文拟通过加入投资者风险偏好变量，实现把投资者个人决策融入分类模型中，建立上市 公司投资价值分类模型，并采用广义最小二乘支持向量机处理该模型，对上市公司的投资价 值进行实证分析，最终得到一个可控性较强、推广性较好的上市公司投资价值分类模型． 1原理和方法 1．1数据挖掘 数据挖掘 (datamining)源于数据库技术所带来的海量数据和人们利用这些数据的愿望 收稿 日期：2012—07—03 资助项 目：国家 自然科学基金 ；北京知识管理研究基地资助项 目(71F1510910) 16期 颜 瑞，等：基于投资者风险偏好的上市公司投资价值分类模型 23 使用数据管理系统存储数据，并采用机器学习方法分析数据，挖掘海量数据所蕴涵的知识，便 促成了数据挖掘技术的形成 5[]．数据挖掘是指从大型数据库或者数据仓库中，提取潜在的、 未知的、有价值的知识、规则或者模型的过程．数据挖掘的任务包括两个 内容，第一是 分“ 类”，在已知类别的样本集 (训练集)上建立分类模型；第二是 “回归”，在建立模型之后进行 分析预测． 根据一般理论，上市公司价值主要体现在股东回报能力、债务偿付能力、盈利报酬能力、 资产管理能力和成长能力等许多方面，因此从这些指标中提取出公司价值的信息是客观的， 可以通过适当的方法构造上市公司投资价值分类器，依据分类器实现对投资价值的识别．因 此，依据数据挖掘思想和分类模型原理，建立上市公司投资价值分类模型是可行的．在分类模 型的建立过程中，加入体现投资者偏好的变量，建立一个更完善的上市公司投资价值分类模 型． 1．2 支持向量机 支持向量机 (SupportVectorMachine，SVM)是借助最优化方法解决分类问题的一个重 要工具，最初在上个世纪 90年代 由Vapnaik提出．支持向量机是建立在结构风险最小化原则 之上的一种方法 6【jj它集成了最大间隔超平面、Mercer核、凸二次规划、稀疏解和松弛变量 等多项理