基于小波神經網絡的上市企業估值預測

馬慧 王銀川 程偉為

一、引言

由于國內市場與美國市場上市的企業盈利能力不同以及投資者結構不同，造成基本面與流動性均存在較大差異，如何合理計算上市企業市場估值是擺在我們面前的當務之急。本文從中國A 股市場和美國NASDAQ 市場入手，從數據挖掘的角度探索上市企業基本面數據和流動性數據對市銷率的影響，以解決上市企業估值及其預測問題。常規的擬合方法如多元線性回歸難以解決此類問題，因此本文采用小波神經網絡算法較好的實現了定量分析的目的。

二、小波神經網絡模型的建立

（一）確定小波神經網絡結構

小波神經網絡算法是將小波基函數作為BP 神經網絡中的隱含層節點的傳遞函數，根據問題中兩市場估值指標與其基本面指標、流動性指標的分析，設計小波神經網絡，該網絡分為輸入層、隱含層和輸出層三層。其中，輸入層輸入為基本面指標（即年度營業收入、年度歸母凈利潤、年度凈資產收益率）、流動性指標（即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），共計6 個節點；隱含層由小波基函數構成，共計6 個節點；輸出層為估值指標。

（二）確定輸入層、隱含層、輸出層間的數據傳遞關系

設x1，x2，…，x6為小波神經網絡的輸入參數，Y1為小波神經網絡的預測輸出，ωij和ωjk為小波神經網絡權值。在輸入信號序列為xi（i=1，2，…，6）時，隱含層輸出計算公式為：

本模型采用的小波基函數為Morlet 母小波基函數，即：

圖1 小波神經網絡預測結果與實際結果對比

小波神經網絡輸出層計算公式為：

式中，ikω 為隱含層到輸出層權益；h(i)為第i 個隱含層節點的輸出；l 為隱含層節點數；m 為輸出層節點數。

（三）模型求解

將2010 ～2017 年中國A 股市場和美國NASDAQ 市場的數據作為訓練樣本，2018 年數據作為測試樣本。用訓練好的小波神經網絡進行預測輸出，預測結果與實際結果的對比如圖1 所示。

由圖1 可以看出，除個別樣本的預測偏差較大外，小波神經網絡關于中國A 股市場和美國NASDQ 市場的估值指標預測結果與實際結果擬合程度較高，預測誤差小，通過企業的基本面數據和流動性指標數據，能夠較為準確地估算出市銷率估值。

三、靈敏度分析及評價

通過改變的基本面指標和流動性指標的數值，我們可以得到各指標對中美兩市場市銷率的不同影響效果，從而定量分析各指標對市銷率貢獻度的差異性。將各指標分別增加10%，計算各股票市銷率值，然后取其平均值作為中美兩市場的平均估值。以年度營業收入為例，其對中國A 股市場和美國NASDAQ市場的市銷率值分別為-2.8%和-3.6%，由于版面限制，結果在此不詳細展示。

對比中美兩個市場的市銷率估值變化，可知：美國NASDAQ 市場對指標數據的敏感性普遍較高，而中國市場對各指標的敏感性較弱，這說明中國市場整體對抗風險的能力更強。三個基本面指標對市銷率的影響要比三個流動性指標的影響大。