基于遺傳神經網絡的獨立機構投資者持股偏好研究

李辰穎，田治威，楊海燕

（1.北京林業(yè)大學，北京100083；2.廣西大學，南寧 530004）

0 引言

資本市場上活躍的兩大投資主體分別為個人投資者和機構投資者，機構投資者與個人投資者相比，其投資管理更加專業(yè)化、投資結構呈現組合化、投資行為更加規(guī)范化，也能夠在促進證券市場穩(wěn)定、健康及完善等方面發(fā)揮較大的作用，因而機構投資者對于上市公司和資本市場都是非常重要的，也正因如此，機構投資者持股行為特征一直是理論界和實務界的熱點話題之一。

通過總結國內外文獻的回顧與對比可以發(fā)現：（1）國內關于機構投資者持股特征的實證研究還相對較為缺乏，特別是獨立機構投資者持股特征的實證研究；（2）從研究方法來看大多數研究集中在多元線性回歸分析甚至是單變量分組檢驗，這樣的處理一方面忽略了機構投資者持股數量或比例與持股影響因素之間可能的非線性關系，另一方面將諸多的持股影響因素代入多元線性回歸模型可能會影響模型的精度，從而影響分析結論的穩(wěn)定性。為解決這些問題，本文采用改進遺傳神經網絡和平均影響值方法研究獨立機構投資者持股比例持股偏好。

1 研究思路及變量的選取

1.1 研究思路

本文的研究思路是：在選取上市公司安全性、盈利性等相關指標數據及獨立機構投資者持股比例的基礎上，首先將獨立機構投資者持股比例劃分為高持股組和低持股組，并對選取的指標與獨立機構投資者持股比例的關系采用改進后的遺傳BP神經網絡建模；最后在建模的基礎上，采用平均影響值方法研究上市公司相關指標對獨立機構投資者持股比例的影響情況。

1.2 變量的選取

依據研究目的，因變量選取了獨立機構持股比例。在自變量選取上，Eakins等發(fā)現機構投資者一般傾向持有流動比率高、規(guī)模大、流動性強、支付股利、排名較高的公司。Bushee[1]分別檢驗了不同類型機構投資者持股公司的特征，包括公司的規(guī)模、每股賬面價值、股票的市場回報率、債務水平、盈余的變化等變量，發(fā)現機構投資者偏好成長性較好的公司。Russell Reynolds Associates通過調查發(fā)現，機構投資者主要關注特征有：高管持股和高管受到外部權威獨立組織評價的結果等。

通過分析可發(fā)現，學者們主要選取了反映企業(yè)安全性、營利性、成長性、股權結構以及高管受外部評價結果5個方面的特征，因此結合本研究對象目的，選取了這5個方面的10個自變量（見表1）。

表1 變量說明表

需要說明的是這里將CEO聲譽作為高管受外部權威且獨立組織評價的結果，是參考了Milbourn[2]的研究結論，將CEO作為高管的代表，并用媒體曝光度度量CEO聲譽“量”上的積累，用按行業(yè)調整的企業(yè)績效作為CEO聲譽“質”的度量。

2 自變量與因變量模型的建立

2.1 遺傳神經網絡算法的改進

由于自變量與因變量之間存在非線性關系，而BP神經網絡具有較好的非線性擬合能力，故采用BP神經網絡進行建模，但BP神經網絡在網絡權值和閾值的訓練中易陷入局部極小值，所以需采用有效的優(yōu)化算法保證神經網絡收斂到全局最優(yōu)解。遺傳算法相對來說具有全局優(yōu)化能力，能保證BP神經網絡收斂到全局最優(yōu)解，故采用遺傳算法對BP神經網絡進行優(yōu)化。在參考史峰等[3]的算法（以下稱原算法）基礎上，為提升原算法的精度及計算效率，對原算法進行了改進，具體步驟見圖1所示。

圖1 改進后的遺傳BP神經網絡算法流程圖

（1）確定BP神經網絡拓補結構，包括BP神經網絡的層數，隱含層神經元的個數等；

（2）將BP神經網絡的權值和閾值進行編碼，并隨機賦值得到遺傳算法的初始種群G0；

（3）解碼得到權值和閾值，賦予新建的神經網絡；

（4）使用訓練數據訓練神經網絡，并用測試數據測試神經網絡，得到測試誤差，且計算適應度函數；

（5）將訓練后的神經網絡權值和閾值編碼，并根據適應度函數值的大小進行復制，然后進行交差和變異操作得到新的種群Gi；

（6）若神經網絡等于小于預設的誤差或遺傳算法達到最大進化次數，則停止計算，否則返回步驟（3）；

（7）將第（6）步采用遺傳算法得到的最優(yōu)解解碼，得到最優(yōu)BP神經網絡的權值和閾值。

改進后的算法與原算法的主要區(qū)別在于：在步驟5中，原算法直接對神經網絡訓練前的權值和閾值進行復制，變異和交叉操作得到新種群，而改進后的算法是對經過訓練后的神經網絡權值和閾值進行復制，變異和交差操作得到新的種群。兩種算法計算過程及結果比較將在計算結果中給出。

2.2 BP神經網絡設計

（1）訓練數據和測試數據的選取

本文的數據來源于萬德資訊中2010年滬深兩市A股上市公司的相關數據，在剔除了空值之后，依據變量選取部分所述方法得到10個自變量的值及因變量的值，共計743個樣本。

將2010年的獨立機構投資者持股比例按中位數分為高持股組和低持股組，并定義高持股組的因變量為1，低持股組為0，然后將總樣本80%的數據用于訓練為訓練數據，剩下的樣本為測試數據。為保證神經網絡收斂速度和收斂誤差，對樣本數據應用極差歸一化公式進行了歸一化。

（2）神經網絡結構的確定

定義了高持股組和低持股組因變量的數值后，就將問題轉化成一個分類問題。一般情況下3層BP神經網絡可以很好地解決模式識別問題，故構建的BP神經網絡包含輸入層、隱含層和輸出層3層。與自變量和因變量相對應輸入、輸出層神經元個數分別為10個和1個。

在確定隱含層神經元個數前需確定網絡訓練方法，結合本研究計算量，兼顧精度、速度及占用內存等方面情況，參考陳明忠[4]的結論，網絡訓練方法采用Levenberg-Marquardt算法。

在隱含層神經元個數的確定中，采用在經驗公式的基礎上，結合實驗法的方法。首先采用經驗公式n1=sqrt(m+n)+a（sqrt為平方根，n1為隱含層節(jié)點個數，m和n分別為輸入和輸出層節(jié)點個數，a為1～10之間的整數）確定隱含層神經元個數范圍為5～15個，接著用訓練數據訓練神經網絡，并用測試數據測試神經網絡并得到網絡分類錯誤率，錯誤率最小時所對應的神經元個數即為最佳隱含層神經元個數，在計算中為了克服神經網絡隨機初始權值和閾值帶來的影響，對每個隱含層神經元個數都訓練50次，并取平均值，結果如圖2所示。

圖2 隱含層神經元個數與神經網絡分類錯誤率

從圖2中可知，當隱含層神經元個數為9時，BP神經網絡分類錯誤率最小，大約為0.14，因而隱含層神經元個數為9個。

2.3 遺傳算法設計

(1)適應度函數。適應度函數定義為預測值與期望值的殘差，這里用均方誤差衡量。

(2)選擇。根據適應度值，在當前群體中采用輪盤賭模型選擇下一代，第i個個體的選擇概率為

式中Ei為第i個個體適應度值，m為種群數量。

(3)交叉。本研究交叉操作為：1）隨機選定第k個染色體ak和第l個染色體al；2）隨機產生[0,1]區(qū)間的隨機數b；3）ak和al在j位的交叉操作如下：

(4)變異。采用基本變異法，主要步驟如下：

1）設定變異概率Pm，隨機選擇發(fā)生變異個體；

2）將選中個體中的染色體隨機位的基因，替換為符合約束條件的任意值。

此外，經反復實驗并參考閆利軍[5]的相關結論，設定遺傳算法主要參數：最大進化次數30代，種群數量30，交叉概率0.6，變異概率0.1。

2.4 計算結果及性能分析

首先用訓練數據訓練改進后的遺傳BP神經網絡然后用測試數據測試訓練好的網絡，并得到網絡誤差和分類錯誤率，為了比較改進后的算法與原算法的性能，同時按原算法進行了計算。

圖3為采用改進后方法得到的最優(yōu)個體適應度值與進化次數關系圖，從圖中可以看出進化初期最優(yōu)個體適應度值隨進化代數增加快速下降，之后下降較為緩慢，達到最大進化次數30次時，最優(yōu)個體適應度值為0.0519；圖3虛線為采用原算法得到的最優(yōu)個體適應度值與進化次數關系圖，可看到在進化了100次之后最優(yōu)個體適應度值為0.0672。通過對比易發(fā)現，改進后的算法效率較高，用了較少的進化次數就達到了比原算法還優(yōu)的效果，主要原因是改進后的算法可將BP神經網絡在權值閾值訓練中具有方向性的優(yōu)點與遺傳算法具有全局尋優(yōu)的優(yōu)點結合起來，既避免了遺傳算法到達最優(yōu)解附近隨機搜索最優(yōu)解的缺點又克服了神經網絡在權值閾值訓練中易陷入局部極小值的缺點。

表2是分別采用改進后算法與原算法得到的神經網絡分類錯誤率。改進后的算法與原算法相比，訓練數據與測試數據的分類錯誤率均較低，說明對本例而言，改進后的算法分類準確率優(yōu)于原算法。

表2 用改進后算法與原算法分類錯誤率統計表

3 影響關系分析

平均影響值法(MIV)被認為是在神經網絡中評價自變量相關性最好的指標之一，可用于確定神經網絡中輸入變量對輸出變量影響大小，其絕對值大小代表影響的相對重要性。故采用MIV法研究上市公司相關指標對獨立機構投資者持股比例的影響關系。MIV法的步驟這里不作介紹，請參閱相關文獻。

采用訓練好的改進遺傳神經網絡，并依據上述步驟求解得到各自變量MIV絕對值如表3所示。

表3 自變量MIV絕對值

從表3可得，上市公司的安全性和盈利性對獨立機構資者所持上市公司股權比例影響比較大。總體來說獨立機構投資者偏好于持有規(guī)模大，盈利能力強，且風險小的企業(yè)的股票，獨立機構投資者持股特征具有追求盈利且規(guī)避風險的特性。投資者的投資目標決定了持股行為，獨立機構投資者的投資目標是在保證資金安全的基礎上追求盈利，這一方面決定了其傾向于選擇安全性較高的企業(yè)，而規(guī)模大、償債能力強的企業(yè)相對來說比較穩(wěn)定與可靠，另一方面也決定了其傾向于選擇盈利性高的企業(yè)，因而反映企業(yè)業(yè)績的每股收益和凈資產收益率也是其在選擇投資目標時重點關注的指標。

4 結論

本文研究了獨立機構投資者持股行為特征，在研究中為了提高模型精度和計算效率，改進了遺傳神經網絡方法，改進后的算法較原算法在分類準確率和效率上有一定程度的提升，之后在建模的基礎上采用MIV方法研究了影響關系，結果表明上市公司的安全性和盈利性對獨立機構資者所持上市公司股權比例影響較大，這體現了獨立機構投資者追求盈利且規(guī)避風險的特性。

本文的不足之處在于僅采用了2010年一年的數據進行研究，還應進行更大樣本的實證研究工作。

[1]Bushee B，Noe C.Corporate Disclosure Practices,Institutional Investors,and Stock Return Volatility[J].Accounting Research，2000，38(S).

[2]Milbourn T T.CEO Reputation and Stock-based Compensation[J].Journal of Financial Economics，2003，68(2).

[3]史峰，王小川，郁磊，李洋.Matlab神經網絡30個案例分析[M].北京：北京航空航天大學出版社.2009.

[4]陳明忠.BP神經網絡訓練算法的分析與比較[J].科技廣場，2010，(3).

[5]閆利軍，李宗斌，楊曉春.基于混合優(yōu)化算法的遺傳算法參數設定研究[J].系統工程與電子技術，2007，(10).