论文部分内容阅读
公司价值评估是对公司未来盈利能力的分析和评估。对于上市公司，其价值可以通过其发行的股票的收益率来体现。收益率越高，公司的价值越大，反之亦然。
目前，金融领域主要采用基本面分析，通过普通最小二乘(OLS)线性回归法在股票收益率与解释因素之间建立因素模型来实现对应上市公司的定量价值评估。OLS线性回归法主要存在两个问题：首先，该方法只能对股票收益率与解释因素进行线性建模；此外，由于一味地追求训练数据集上的经验误差最小化，使得所得模型在新数据集上的泛化能力较差。
为了有效地解决OLS线性回归法存在的上述问题，本文将ε-支持向量回归(ε-SvR)引入公司价值评估中。本文的研究成果主要如下：
1．利用ε-SVR方法在股票收益率与解释因素之间建立因素模型，以实现对公司价值的非线性建模。ε-SVR支持股票收益率与解释因素之间的非线性建模，而且在模型的学习过程中，ε-SVR同时考虑了模型对训练数据的拟合以及模型在新数据集上的泛化能力，在一定程度上能够防止“过学习”现象的发生，保证所得模型在新数据集上的性能。
2．利用金融领域的专家知识对ε-SVR算法的数据预处理过程进行了改进，进一步提高了模型的准确度。
3．利用ε-SVR对上海、深圳证券交易所的横截面股票数据进行了基本面分析，以实现对中国大陆上市公司的价值评估。
分析结果表明：相比OLS线性回归法，ε-SVR大大提高了公司价值评估模型的准确度。对于包含3个解释因素的回归模型，ε-SVR在测试数据集上的相关系数和标准误差分别提高和降低了 402％和 9.68％；在利用金融领域的专家知识对ε-SVR算法的数据预处理过程进行改进后，模型的性能也得到了较大的改善：测试数据集上的相关系数和标准误差分别提高和降低了26.94％和3.42％。