上市公司投資價值的灰色—遺傳ＢＰ網絡模型算法

楊禮斌　劉蘭芳　王爽英

摘 要：提出將灰色數學、遺傳算法與BP網絡模型結合起來，構建一個灰色-遺傳BP網絡綜合評價模型，并將其應用于上市公司投資價值的綜合評價，取得了較好的效果。

關鍵詞：灰色數學；遺傳算法；BP網絡；上市公司

1 上市公司投資價值評價指標體系的構建

上市公司的經營活動表現為運用一定的資金以取得盈利，因此對上市公司的投資價值的綜合評價就包括經營成果的評價和實現這一成果的資產運用狀況的評價.這兩個方面相互聯系，但并不一定表現出變動的一致性.因此，在基礎財務指標體系中，主要應包括三類財務指標，一是反映企業資金運用狀況的，二是反映企業盈利能力的，三是反映這二者的聯接關系的。對上市公司通常使用的考核指標，它包括現期財務指標和增長率指標。

（1)股東權益比率。該指標為股東投入資金(凈資產)占全部資產的比重，反映企業營運資金的來源結構，也反映企業的長期償債能力。

（2)流動比率.該指標為流動資產與流動負債的比率，反映企業的短期償債能力.

（3)速動比率.亦稱酸性測試比率.該指標為速動資產與流動負債的比率，反映企業流動資產中可以立即用于償付流動負債的能力，用來測定資金流動性的大小.

（4)資產利潤率.該指標為營業利潤總額與資產總額的比率，反映企業總資產的盈利水平.

（5)凈資產收益率.亦稱凈值報酬率.該指標為凈收益與股東權益的比率，反映股東權益的收益水平.

（6)資產應收帳款率.該指標為應收帳款凈額與資產總額的比率，反映應收帳款占總資產的比重.

以上為現期財務指標.投資者不僅關心企業目前的生產經營實績，還應考慮企業的發展趨勢.因此，有必要構建以下趨勢財務指標:

（7)資產利潤率增長率X7.

（8)凈資產收益率增長率X8.

（9)凈資產增長率X9.

（10)資產增長率X10.

這些增長率指標，均為原指標的當期值與對比期值的差與對比期值的比值.

2 灰色—遺傳BP網絡評價模型

2.1 灰色—遺傳BP網絡評價模型的基本結構

灰色—遺傳BP網絡評價模型結構由灰色數據處理器和基于遺傳算法的BP網絡組成。灰色數據處理器的功能是將各個指標特征值化成無量綱的能被BP網絡接受的數據向量。

在本文中采用具有單隱含層的BP網絡，即由輸入層、隱含層和輸出層組成。輸入層神經元的個數由訓練的評價體系指標向量的維數決定，輸出層神經元的個數為1，隱含層神經元的個數利用實驗湊試法確定。

2.2 灰色—遺傳BP網絡評價模型的算法

本模型首先采用灰色數據處理器對被評對象的各指標的特征值進行量化處理；在此基礎上，隨機產生M組不同的權值初始值，采用實數編碼方案對該組中的每個權值（或域值）進行編碼，該碼鏈（染色體）就是對應一個權值和域值取特定值的一個神經網絡；將染色體表示的各權值分配到給定的網絡結構中，網絡以訓練集樣本作為輸出輸入，運行后返回誤差平方和倒數作為染色體的適應度函數，從而確定染色體的適應度函數值；對染色體組進行遺傳操作，即利用遺傳算法反復優化神經網絡的權值，使初始確定的一組權值分布得到不斷得進化，直至群體適應度趨于穩定或誤差e小于某一給定值或達到已預定的進化代數為止。此時解碼得到的權值組合已經充分接近最佳權值組合；然后利用BP神經網絡方法對網絡的權值和閾值進行微調，使網絡的輸出盡可能達到教師值。最后用訓練好的網絡對待評價的體系進行評價。其具體步驟如下：

（1）確定遺傳算法及BP神經網絡有關參數。設定遺傳算法的群體容量為M，交叉率、變異率采用自適應交叉率和變異率，BP神經網絡的輸入層神經元素由被評對象的指標向量決定，輸出層神經元數為1，隱含層神經元數采用實驗湊試法確定。

（2）初始化群體。隨機產生一組權值分布，采用實數編碼方案對該組中的每個權值（或域值）進行編碼，進而構造出一個個碼鏈（每個碼鏈代表網絡的一種權值分布），在網絡結構和學習規則已定的條件下，該碼鏈就是對應一個權值和域值取特定值的一個神經網絡。

（3）指標向量采用灰色數據處理方法進行無量綱處理。

設有n個單元(x1,x2,x3 ,…,xn)，m個指標（y1,y2,y3,…,ym），第i個單元第 j個指標的值為aij，每個單元的各個指標之間沒有統一的度量標準，每個單元之間無法作統一的比較，無法滿足神經網絡對樣本輸入值的要求。因此為了構造網絡的輸入樣本值，必須對數據進行初始化。

（4）染色體適應度函數 的確定。

f（x）=1/e 其中e=∑m ∑k(y﹎k-﹎k)

y﹎k及﹎k分別為第m個訓練樣本的第k個輸出節點的實際輸出與期望輸出（教師信號），e的計算過程（即神經網絡的信號正向處理過程）。

（5）把某一個學習模式的值作為輸入層單元的輸出{Ii}，用輸入層到隱含層的權值{v﹋i獇和隱含層單元的閾值θj求出隱含層單元j的輸出Hj：

Hj=f(∑iw﹋i狪i-θj)

（6）用隱含層的輸出{ Hj}，隱含層到輸出層的權值{w﹌j獇以及輸出層單元k的閾值γk，求出輸出層單元k的輸出y﹎k：

y﹎k=f(∑iv﹌j狧j-γk)

（7）由學習模式的教師信號和輸出層的輸出得到第m個模式的第k各節點的誤差e﹎k：

e﹎k=y﹎k-﹎k e=∑m∑me﹎k

在計算誤差的過程中，將閾值看成是輸入為-1的權值。

（8）重復4），5），6），7）用GA反復優化神經網絡的權值，使初始確定的一組權值分布得到不斷得進化，直至群體適應度趨于穩定或誤差e小于某一給定值或達到已預定的進化代數為止。此時得到的權值組合已經充分接近最佳權值組合。

（9）然后利用3.2節所講的BP網絡逆傳播學習算法對權值和閾值繼續進行優化,微調，直到e<ε為止，ε為給定的精度。

（10）對的評價的對象的指標向量進行數據處理，達到網絡的要求。

（11）將處理好的指標向量輸入訓練好的網絡，計算其輸出值。

（12）比較各輸出值的大小，將其排序，則其排序的結果就是我們要評價的結果。

3 多級灰色—遺傳BP網絡的上市公司投資價值測算

由于上市公司投資價值指標體系包含多個層次，所以本文首先分別根據B1、B2中包含的三級指標個數，各自建立自己的灰色—遺傳BP網絡評價模型，分別稱為M1、M2，然后根據二級指標的個數建立灰色—遺傳BP網絡評價模型M0，將M1、M2模型的輸出作為M0輸入，這樣建立了多級灰色—遺傳BP網絡綜合評價模型。

選取9家軟件類上市公司的各指標數據（如表1）和灰色評價結果值（如文獻［4］）作為訓練多級灰色—遺傳BP網絡評價模型的樣本和教師參數，對多級灰色—遺傳BP網絡評價模型進行反復學習訓練，直至達到預定的模型精度為止，然后，利用多級灰色—遺傳BP網絡評價模型和BP網絡評價模型對9家軟件類上市公司分別進行綜合評價，并與灰色評價結果相比較，見表2。

表1 軟件類上市公司財務數據統計表

代碼X1X2X3X4X5X6X7X8X9X10

00078750.150.8540.5790.1749.870.1071.1720.8567.08842.84

60071870.763.1391.9940.292110.1571.280.66820.24133.893

60065769.622.4722.0280.21816.490.1231.2951.12532.68832.786

00058331.821.9261.5840.16824.450.3271.481.17822.80718.858

60010051.311.5151.0160.15912.230.1741.0860.74227.90689.813

60077065.642.4762.2170.15917.270.3611.2090.95325.07416.392

00094853.251.1760.9020.19110.40.1810.7310.3412015

00083659.512.2621.6660.10010.80.1381.2420.7238.05133.972

00074864.082.1371.470.1667.210.1551.010.537-2.46218.306

表2 BP網絡模型與多級灰色—遺傳BP網絡綜合評價模型評價值對照表

代碼灰色評價值BP網絡模型評價值相對誤差多級灰色—遺傳BP網絡綜合評價模型評價值相對誤差

0007870.5150.5221.36%0.5180.58%

6007180.5400.5282.22%0.5380.37%

6006570.6360.6212.36%0.6410.79%

0005830.6520.6743.37%0.6591.07%

6001000.6440.6351.09%0.6480.62%

6007700.5050.5121.39%0.5010.792%

0009480.5110.5021.76%0.5080.587%

0008360.5350.5523.18%0.5390.758%

0007480.5030.5131.99%0.5070.795%

基金項目：

湖北省教育廳重點項目（B20081805）。

作者簡介：

夏飛萊（1975-），女，講師，碩士研究生，研究方向：高能核物理，物理教學研究。

從表2中多級灰色—遺傳BP網絡綜合評價模型的評價值可以發現，在九家軟件類上市公司中，投資價值的綜合評估系數平均為0.560，反映了在其投資價值高于所有中國滬深A股上市公司整體水平。事實上，軟件產業是朝陽產業，具有很好的成長性。另外一方面，還可算出，上市公司600657、000583、600100三家公司的投資價值大于軟件類上市公司的平均投資價值。

4 結語

同其它評價方法相比，多級灰色—遺傳BP網絡綜合評價模型具有以下特點和意義：

（1）它主要根據所提供的數據，通過學習和訓練，找出輸入和輸出之間的內在聯系，從而求出問題的解，而不是依據對問題的經驗知識和規則，因而具有自適應能力，則對弱化權重確定中人為的因素是十分有益的；

（2）能夠處理那些由噪聲或不完全的數據，具有乏化功能和很強的容錯能力；

（3）同BP網絡綜合評價模型相比，多級灰色—遺傳BP網絡綜合評價模型具有更高的精度和更快的收斂速度。

（4）本文提出將灰色數學、遺傳算法、BP網絡建立多級灰色—遺傳BP網絡綜合評價模型對上市公司進行研究，即拓寬了多級灰色—遺傳BP網絡綜合評價模型的應用范圍，也為上市

公司投資價值的研究提供了一種新的方法。

由于實際綜合評估往往是非常復雜的，各個因素之間相互影響，呈現出復雜的非線性關系，多級灰色—遺傳BP網絡綜合評價模型為處理這類問題非線性問題提供了強有力的工具。因此，與其它綜合評估方法相比，多級灰色—遺傳BP網絡綜合評價模型已越來越顯示它的優越性。

參考文獻

［1］傅榮林,秦壽康,陳湛本. 兼容多個綜合評價方案及其分類的數學模型［J］.系統工程學報1999.14(2)：31-35.

［2］王愛民. 神經網絡應用于灰色綜合評價的研究［J］.系統工程理論與實踐. 1995.15(10)：37-42.

［3］楊海東, 俞守華, 李立輝,劉智華. 灰色SOFM分類方法及其在水稻機械化生產方案中的應用［J］.農業系統科學與綜合研究.1999.(增刊)：131-134.

［4］王爽英，上市公司復合財務系數的灰關聯算法［J］.系統工程理論與實踐，No.8,2003,p122-129.

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。