科創板擬上市企業估值及預測

李九慧

摘 要：市場的估值水平是投資者對其進行投資與否的重要因素，本文通過對指標的進行權值處理以及線性回歸擬合的方法，求取了估值指標與基本面指標和流動性指標的關系，并且用神經網絡模型對未來的數據進行預測，形成了市場的估值水平分析體系。

關鍵詞：熵值法;多元線性回歸;神經網絡模型

引言：科創板由國家主席習近平于2018年11月5日在首屆中國國際進口博覽會開幕式上宣布設立，是獨立于現有主板市場的新設板塊。設立科創板并試點注冊制是提升服務科技創新企業能力、增強市場包容性、強化市場功能的一項資本市場重大改革舉措，科創板將補充我國成長型科技創新企業融資短板，有望成為中國版納斯達克（NASDAQ）。而根據往年數據進行正確估值及預測較為重要。

神經網絡模型：

人工神經網絡是一種對生物神經系統的模仿，通過大量簡單的基本處理單元以某種形式連接，與數字計算機相比，人工神經網絡在其構成原理和功能特點等方面接近人于腦，它不是單純按照給定程序一步一步地進行運算，而是能夠通過某種規則依據外部數據進 行自適應、總結規律、最終完成某種功能。網絡學習的準則：如果網絡作出錯誤判決，則通過網絡的自學習、自適應，可減少其犯同樣錯誤的可能性。網絡的各連接權值被賦 予（0，1）區間內的隨機值，將“H”所對應的模式輸入給網絡，網絡將輸入（X1）加權 （X2）求和、與門限比較、進行非線性運算從而得到網絡的輸出。在此情況下，網絡的輸 出為“1”和“0”的概率分別為1/2，是完全隨機的。如果輸出為“1”（結果正確），則使連接權值增大，以使網絡再次遇到“F”模式輸入時，能夠作出正確的判斷。

科創板擬上市企業估值及預測過程

（1）通過分析，我們需要對數據進行處理。首先中國股市中的B股項屬于無關變量，予以剔除。由于本文中指標變量的類型、單位不完全相同，為了消除變量的量綱效應，使得每個變量都具有同等的表現力，需要對數據進行標準化處理。運用SPSS軟件，基于原始數據均值和標準差的z-score標準化方法，即

異常值指樣本中的個別值，其數值明顯偏離它們所屬樣本的其余觀測值，也稱異常 數據，離群值。如果存在異常值但不剔除，會影響結果的準確性。使用EXCEL工具將標準化后的Z分數低于-3或高于3的數據看成是異常值，并復查錯誤值、極端值，予以剔除，使得大量數據的準確性提高。

（2）為了對中國A股市場的估值指標與基本面指標、流動性指標之間的關系進行定量分析，同時對美國NASDAQ市場的估值指標與基本面指標、流動性指標之間的關系進行定量分析，可采用熵值法將基本面指標的三個量包括年度營業收入、年度歸母凈利潤、年度凈資產收益率，和流動性指標包括年度單只股票交易量、年度單 只股票交易金額、年度單只股票平均換手率進行權重分析，從而得到基本面指標和流動性指標的綜合數據。進而采用線性多元回歸的方法將從2009-2018年的估值指標與基本面指標、流動性指標之間的關系進行定量分析

（3）數據標準化通過z-score標準化方法已經對所有數據進行了標準化，將一年每一個企業的市銷率標準化后數據相加可得該年中國A股市場的估值指標，將2009-2018年 的中國A股市場的估值指標和美國NASDAQ市場的估值指標都相應求出。

（4）熵值法求權重

在信息論當中，熵是關于不確定性的一種度量。熵越大表明信息量越大，其不確定性也就越小;反之，信息量越小且其不確定性越大。可以根據熵的特性，通過計算熵的值進行一個事件的隨機性以及無序程度的判斷;也可以用熵值的大小來判斷某一個變量的離散程度，變量的離散程度越大，則該變量對其相關結果的影響越大。因此，在本題中，可根據相關指標的離散程度，計算各個指標的權重，從而為多指標的綜合評價提供依據。根據信息熵的定義，一組數據的信息熵，即

將中國A股市場基本面的三個下層指標標準化之后數據與其對應的權重相乘，然后相加得到一個基本面指標。同理可得流動性指標

（5）多元線性回歸是利用多個自變量的最優組合來預測因變量的常用方法之一，其主要 步驟為：a.建立并求解出多元線性回歸方程;b.判定各自變量對因變量的影響程度;c.計算多元線性回歸方程的偏離度。以C元素為例，利用熵值法得到指標作為自變量，標準化后某一年的市銷率之和為因變量，結合多元線性回歸的經典模型可得到以下公式：

求解此矩陣方程得到回歸系數

帶入計算可得基本面指標x1，與流動性指標x2與估值指標y的多元線性回歸方程：

因此可求得美國NASDAQ市場的的估值指標與基本面指標、流動性指標之間的關系及中國A股市場的估值指標與基本面指標、流動性指標之間的關系。

（1）為了對中國A股市場和美國NASDAQ市場預測年的基本面 指標、流動性指標進行預測分析，進而結合第二問的估值指標與基本面指標、流動性指標之間的關系來求解這兩個市場預測年的估值指標。因此我們采用神經網絡模型來對預測年的基本面指標、流動性指標進行預測分析。

使用神經網絡模型有著其獨特的憂點1、具有高度的自學習和自適應能力：BP神經網絡在進行訓練期間，可對輸入和輸 出數據間的“合理規則”進行自動提取，并自我調整–將學習的內容通過網絡的權值進 行記憶。2、具有泛化能力：泛化能力–指在設計模式分類器時，需要考慮網絡在保證對其所需分類對象能夠進行正確分類、關心網絡經過訓練之后，是否可以對未見過的模式或有污染的模式正確分類。即將學習成果遷移。3、具有一定的容錯能力：在局部的或部分的基本處理單元受到破壞后，神經系統對訓練結果不會造成較大的波動，即，神經系統在受到局部損傷后可以繼續正常工作。故對用于科技股的估值有著獨特作用。

結語：本文采用熵值法及多元線性回歸方程模型，能夠很好的研究估值指標與基本面指標、流動性指標之間的關系，采用神經網絡模型能夠對過去幾年的數據進行學習從而對未來的數據進行預測，具有一定的準確性。整體可以對中國A股市場市場和以及美國NASDAQ市場以及我國首批科創板企業上市后的估值水平進行較好的處理和分析，具 有較好的推薦意義。

參考文獻：

[1]司守奎孫璽菁，數學建模算法與應用，北京：國防工業出版社，2015。

[2]魏也娜，科創板云計算企業適宜估值方法與估值倍數探討，

[3]徐宏宇，朱永麗.基于粒子群優化的PID神經網絡在熱電偶數學建模中的應用[J].沈陽：沈陽航空航天大學學報，2011，