光伏建筑一體化板塊投資風險評估

李龍龍 吳雨桐

摘要：本文對光伏建筑一體化板塊37家股票投資風險評估并排名，并依據所給資金給出2021年6月份最優投資方案。首先對數據進行訓練，建立了神經網絡—BP模型，但是測試發現存在很大偏差且訓練效果也不理想，于是將時間序列與收盤價進行一階擬合得到多項式擬合模型，最后利用matlab程序計算出各支股票的價值參數和風險參數，以風險參數作為6月份的投資風險評估指標。

關鍵詞：板塊指數;神經網絡-BP模型;多項式擬合

一、緒論

光伏建筑一體化（BIPV）是充分利用工業建筑、公共建筑屋頂等資源實施分布式光伏發電工程，它對我國實現“碳達峰”和“碳中和”起到重要作用。現統計滬深股市中 37 家光伏建筑一體化相關企業的股票數據，將他們看作一個整體稱為光伏建筑一體化板塊。光伏建筑一體化板塊作為新興板塊，通過對光伏建筑一體化板塊個股投資風險進行評估，給出該板塊37支股票2021 年6月份投資風險由低到高的排序結果。然后依據投資風險設計出了一個最優的投資方案。

二、模型的建立與求解

本文需要對37支股票投資風險[1][2]進行由低到高的排序。以南玻A的股票為例進行分析處理預測，建立神經網絡—BP模型[3][4]進行預測。

Step1：數據預處理

將南玻A的交易時間、開盤價、最高價、最低價、收盤價以及成交量導入到新的Excel表格中，并添加此日收盤價數據。

訓練集：我們將除過最后50組之外的的數據作為訓練集，用做以擬合函數的參考依據。

測試集：我們將最后50組數據用來測試訓練好的模型的預測能力。

Step2：輸入輸出層設計

該模型以開盤價、最高價、最低價、收盤價、此日收盤價以及成交量作為輸入，以次日收盤價作為輸出，所以輸入層節點為6，輸出層節點為1。

Step3：隱含層設計

本文采用含有兩個隱層的四層多輸入單輸出的BP網絡建立預測模型。在選取隱層神經元個數的問題上參照了以下的經驗公式：

根據上式可以計算出神經元個數為4-13個之間，在本次實驗中選擇隱層神經元個數為5和4。

Step4：選取激勵函數，選取traingdm作為輸出層神經元的激勵函數。

Step5：模型的實現

（1）首先我們使用matlab繪制出南玻A公司股票收盤價的變化趨勢圖。

（2）好訓練參數，開始訓練，經測試訓練結果訓練效果不佳，我們改進算法。

Step6：我們將時間序列與收盤價進行一階多項式擬合，建立多項式模型[5]

Step7：利用matlab進行在95%的置信水平下進行多項式模型擬合，得到多項式模型如下：

擬合圖像如圖1所示：

分析結果為：SSE： 2.131e+04;R-square： 0.5664;Adjuste d R-square： 0.5664;RMSE： 1.744

模型的可決系數，擬合效果較好。

Step8：我們以方程斜率作為評價該股票的價值參數（value），以最大回撤函數計算出第二日最大虧損率作為評價該股票風險參數（risk）。在matlab中計算出當前值。

Step9：分別計算37家股票的價值參數和風險參數

若value值為負，說明該股票價值不高，不可長期持有，risk值越小股票短期操作價值越高。因此，此處我們選擇以風險參數（risk）為評估標準，評估給出該板塊 37 支股票2021年6月份投資風險：結果如圖2所示：

Step10：投資方案的制定

制定2021年6月份投資方案，為短線投資，我們以風險參數（risk）作為股票選擇的標準，即我們選取排名前五名的股票。

三、模型評價

多項式擬合建模迅速，對于小數據量、簡單的關系很有效，線性回歸模型十分容易理解，有利于決策分析。但是多項式擬合對于非線性數據或者數據特征間具有相關性多項式回歸難以建模，難以很好地表達高度復雜的數據。

參考文獻：

[1]許少雄.大數據與個人股票投資風險優化的思考[J].商訊，2019（26）：95-96.

[2]畢秋香.股票投資風險收益關系的實證分析[J].華南金融研究，2002（04）：31-34.

[3]侯媛彬， 杜京義， 汪梅.神經網絡[M]，西安電子科技大學出版社.

[4]肖靜， 鄒傳平， 鄭冬喜. 淺談BP神經網絡預測模型[J]. 科技資訊，2006（34）：9. DOI：10.3969/j.issn.1672-3791.2006.34.007.

[5]吳玲玲， 馮再勇， 張軼， 謝小韋.基于多項式擬合的大型風電場運行狀況分析[J].科技創新與應用，2021（09）：60-62.

作者簡介：李龍龍（1998.02-），男，漢，甘肅慶陽人，本科