大数据概念股盈利能力分析

刘婷祎

一、问题提出

当移动互联网、物联网、云计算等充斥着我们生活的方方面面，以及视频监控、智能终端、应用商店等的普遍应用，全球的数据量也出现了爆炸式的增长。但是我们对其的利用却仅限于基础分析方面，很多专业化分析并没有被使用，为了能更好地研究分析这类股票，首先需要研究这类股票的盈利能力。而股票的盈利能力也就是指该股票在一段时间内赚取利润的能力，也被称为“资金增值能力”。因此研究大数据概念股的盈利能力就显得尤为重要。

二、研究设计

（一）样本选取和数据来源

截至2017年7月29日，创业板板块中大数据概念股共有601支。根据可比性、综合性等因素，并且考虑数据的可用性，本文選取了其中的56支股票，并针对新浪财经网2017年第一季度的披露数据进行分析研究。

（二）研究方法

因子分析是经过考虑多个变量间相关系数矩阵（或协方差矩阵），同时考虑多个变量在内部的依赖关系，找出少数几个随机变量来综合反映所有变量，这几个随机变量不可直接测量，故称为因子。由于各个因子间是互不相关的，因此所有变量都可以用公因子表示使之成为线性组合。这也就表明因子分析的目的就是使变量的数目变少，使所有变量被少数因子代替，从而去分析整个问题。

因子分析主要经过以下几个步骤：第一，选出衡量盈利能力的财务指标；第二，对财务指标这些原始变量进行标准差标准化以消除数据指标不同量纲的影响，同时求其相关矩阵R，分析变量之间的相关关系；第三，根据KMO测度和Bartlett球体检验以确认待分析的原有若干指标变量是否适合作因子分析；第四，因子提取；第五，因子旋转和命名。因子分析的目的是要通过找出主因子，并明确每个主因子的意义，从而使结构简化。第六，先计算每一个样本点的因子得分，并综合评价每一个样本点的因子得分。

（三）变量选取

本文选取了9项财务指标衡量创业板板块中大数据概念股的盈利能力。其中9项指标为：主营业务利润率（X1）、总资产净利润率（X2）、成本费用利润率（X3）、营业利润率（X4）、销售净利率（X5）、股本报酬率（X6）、净资产报酬率（X7）、资产报酬率（X8）、销售毛利率（X9）。

三、实证分析

（一）KMO测度和Bartlett球体检验

通过运用SPSS19.0软件求得的KMO值（用于比较变量间简单相关系数和偏相关系数的指标）为0.724>0.7，因此因子分析效果一般会比较好。巴特利特球形度检验值为973.749，并且它对应的概率值P接近于0（sig=0.000）。也就是说在显著性水平为0.05的情况下，显著性水平远高于概率P值，故此时应该拒绝巴特利特球形度检验的零假设，也表明单位矩阵和相关系数矩阵之间有显著性差异。通过以上对结果的分析，进一步说明原有变量适合做因子分析。

（二）因子命名

通过spss19.0软件，首先对原始数据指标进行标准化处理，然后根据其标准化矩阵，从而得出样本相关系数矩阵，最后由相关系数矩阵出发得到的特征根、解释方差的比例。根据特征值大于1的默认标准，同时根据累计方差贡献率大于85%的原则，可选取3个因子进行分析，见表1。为了判断这种提取方法是否准确，特利用碎石图来协助判断。碎石图用于显示各因子的重要程度，其横轴为因子序号，纵轴表示特征值大小。它将因子按特征值从大到小依次排列，从中可以直接观察到哪些是最主要的因子。峰的陡峭斜率对应于较大的特征值，而后者对应于较小的特征值，其影响较弱。碎石图告诉我们，前3个因子的散度位于陡坡上，后5个因子离散形成一个平台，并且特征根小于1个。因此提取3个公因子是合适的。

采用方差极大值得到旋转的因子载荷矩阵可以看出：在公因子F1上有较高的利润指标是：X2（总资产净利润率%）、X3（成本费用利润率%）、X4（营业利润率%）、X5（销售净利率%）；X6（股本报酬率%）、X7（净资产报酬率%）、X8（资产报酬率%）是在公因子F2上载荷较高的利润指标；X1（主营业务利润率%）、X9（销售毛利率%）是在公因子F3上载荷较高的利润指标；根据公因子较高的指标分布，综合收益因子表示F1，用来反映该股票的综合盈利能力；资本资产报酬率因子表示公因子F2，用来反映该股票的投资回报水平；主营业务盈利因子表示F3，用来反映该股票资本资产创造利润的能力。

（三）各因子得分和综合得分

本文计算各公共因子得分是采用回归法进行的，计算的综合得分是通过各公共因子得分与各公共因子方差贡献率占公因子累计方差贡献率的比例来求得的。若是股票的某一项因子得分大于0，则表明该因子的获利能力超过样本平均水平，反之则低于样本平均水平；有较好盈利能力的股票的综合性能得分大于0，并且得分越大越好；盈利能力状况较差的股票的综合绩效得分小于0，并且其绝对值越大越不好，盈利能力处于一般水平的股票的得分处于0分附近。

综合得分排名前五的分析如下：杰恩设计的综合得分最高；排名第二的为华大基因以及排名第五的为道氏技术；前三支股票的 3个公因子的盈利能力都超过样本平均水平，并且资本资产报酬率因子的表现尤为突出；排名第三的为昆仑万维，它的3个公因子的盈利能力也超过样本平均水平，但是它的主营业务盈利因子尤为突出，这与前三支股票有很大差别；排名第四的为朗源股份，但是它的资本资产报酬率因子和主营业务盈利因子得分均小于0，这表明这两项因子的盈利能力均低于样本平均水平，综合得分全靠综合收益因子拉动。以上分析表明，虽然排名前五的股票的盈利能力比较好，但是在整体上既有优势，相应的也有劣势。

（四）归类分析

本文的归类分析是在以创业板大数据概念股中的56支进行因子得分分析的基础上，将每支股票的各个因子得分作为变量而得到的结果。

第一类的特点：在三个公因子中得分全为正，并且这类股票的综合业绩得分位居前茅，这也就表明这类股票的各项盈利能力都很强，因为这类股票不仅具有较强的综合盈利能力、而且还具有较高的资本资产报酬率和较高的主营业务盈利能力，所以这类股票可以称为综合发展型股票。

第二类的特点：在三个公因子中总有一项得分为负值，其中只有N中科的综合收益因子得分为负，而且相对于本股票其他二个因子得分来说，体现明显的弱势，有待改进。比如像中科电气、康泰生物、东软载波、天孚通信、影视胜、杭州园林、四方达，这些股票的F1综合收益因子和F3主营业务盈利因子得分很高，但是F2资本资产报酬率因子却为负，体现出它们运用资本资产创造盈利能力上相对较差，这也是今后需要改进的地方。同样的道理，长盈精密、寒锐钴业、赢合科技、雪榕生物在F3主营业务创造盈利能力上相对比较差。这类股票在综合业绩得分上总体来说居于中上游，但是其中一个方面在盈利能力上仍有欠缺，故可以称这类股票为全面综合发展欠缺型股票。

第三类的特点：在三个公因子中只有一项得分为正值，像朗源股份、金利华电、科大智能、山河药辅、华策影视、兴源环境、银河磁体在F_1 综合收益因子得分比较高，也说明了这类股票虽然在其他两个方面有很大欠缺，但是在综合收益创造盈利能力方面还是很有优势的。同样的道理，只有隆盛科技和富满电子在F_2资本资产盈利能力方面有很大优势，以及万达信息、华自科技、冠昊生物、華宇软件、汇纳科技、新开普、中青宝、拓尔思在F_3主营业务盈利能力方面有很大优势。这类股票在综合业绩得分上位居中下游，各项盈利能力发展不均衡，呈现单极化趋势，故可以称这类股票为发展单级型股票。

第四类特点：在三个公因子中得分全为负值，相应的这类股票的综合业绩位居最后，这也就表明这类股票的各项盈利能力都比较差，若想得到好的发展则需要全面改进各项盈利能力，故可以将这类股票定义为亟需全面改进型股票。

四、结论

根据上述关于大数据概念股的分类可知：第一类股票占创业板板块大数据概念股的10.71%。这类股票不仅综合业绩高，并且各项因子的盈利能力也都很强，被称为盈利能力综合发展型股票，但是这类股票相应比较少，因此投资的价值相对较好。第二类股票占比达23.21%，这类股票虽然盈利能力也比较强，在综合业绩得分上总体来说居于中上游，但是在某一因子方面还是由明显的欠缺，亟需改进，也被称为盈利能力全面综合发展欠缺型股票，因此在投资时需根据情况适当买卖。第三类股票占比达32.14%，这类股票在综合业绩得分上总体来说居于中下游，但是在某一方面还是有一定的优势，因此需要发展有力优势，及时补足欠缺的方面，也被称为盈利能力发展单级型股票，因此这类股票的投资须慎重。第四类股票占比高达33.93%，这类股票的各个因子盈利能力都比较差，综合业绩更是居于后位，处于创业板大数据概念股的中等偏下水平，需要改进的地方比较多，因此要是想投资这类股票需慎重，并及时关注这类股票的发展。