基于BP模型创业板指数预测研究

胡章明

[提要] 对于我国创业板上市企业来说，通常具有较高成长性和高技术含量，因此对于中国创业板企业分析相关研究也成为目前国内金融证券市场的重点。尤其对于其指数预测来说已经成为股票的份额以及市场资本运作的重要参考依据。在本研究中通过构建创业板上市公司财务绩效评价指标，并创建指数成长评价体系，提出利用神经网络BP完成指数预测，最后通过实验研究验证该模型对国内创业板上市企业指数预测评价的有效性，希望能给相关工作人员提供帮助。

关键词：BP模型;创业板;指数;预测;研究

中图分类号：F83 文献标识码：A

收录日期：2019年12月5日

随着目前创业板的建立，创业板上市企业的实际业绩问题成为社会高度重视的问题。创业板很多企业大多是处于成长过程中的中小型企业，部分企业具有较高的技术含量和创新性，其成长性也得到投资者的青睐。在本研究中深入对国内创业板上市企业指数预测，这对于企业成长性评价分析具有十分重要的作用。目前，在创业板上市企业绩效评估过程中使用的方法，包括模糊综合分析法、平衡基本法等多种方法，但这些方法在判定过程中存在一定的主观性，而采用神经网络方法能够去除这种专家经验的影响，利用实际观察数据，通过信息传递计算传播和误差反向传播进行权值调整，进而能够使数值与期望值接近，不断逼近输入输出的任意非线性问题。此外，本研究中针对国内创业板上市企业指数成长性问题进行综合评价，构建相应的模型，基于这种背景下该模型构建对于理论分析、政府引导以及上市公司发展来说都具有十分重要的作用。

一、创业板上市企业评价的神经网络分析

对于企业传统评价来说存在多种方法，包括主成分分析、因子分析、模糊分析、灰色理论等多种方法，然而不同的评价方法其产生的结果是存在一定差异的，因此需要不同实践方法进行分析，而采用神经网络分析方法时能够摆脱专家经验的影响，通过实际观察的数据在信息传递中采取正向传播和误差反向传播两种方式进行权值调整，进而能够使输出值与期望值无限接近，逼近输入输出时间任意非线性关系。在本研究中采用神经网络方式，能够对国内创业板上市企业成长性进行综合评价，提升了评价的合理性准确性，对于投资者来说能够为其提供重要的决策依据。构建创业板上市企业成长性评价体系时，为能够创建较为合理且可行性强的评价体系，在指标选举过程中需要满足相应的比较需求，如果所选择的指标过多，将会增加信息处理过程中产生的成本问题，由于创业板企业具有较高的风险且收益较高，而公司偿债能力能够从一定程度上反映其对于市场风险的应对能力，企业经营的目标是实现利润最大化，因此企业发展的归宿点是盈利能力，对于创业板上市企业来说是否能够实现可持续性发展对于其发展潜力来说是十分重要的，因此在本研究中可以选取盈利、偿债、发展这三个能力来反映其成长性财务指标。在本研究中针对这三个指标可将其作为一级指标，其对应的还有二级指标。

二、构建神经网络模型

神经网络是一种按照误差逆传播算法的前馈网络体系，也是目前使用广泛的网络模型开发方法，能够储存大量映射关系，没有在事前对该关系进行描述，是一种重要的数学方程分析，使用最速下降法，通过逆向传播的方式进行权值实现调整，能够使网络误差最小，典型的神经网络具有三等结构，包括输入、隐含和输出层这三个类型，主要用于非线性系统映射关系建模，该网络技术是采用学习算法和非线性可微转移函数多层网络方法，典型的神经网络使用的是梯度下降算法，包括牛顿算法和电磁炉算法这两种类型。对于目前使用较多的神经网络模型算法，即BP算法，具体体现于BP神经网络所使用的神经元是sIGMoId系统，可微分函数，能够实现输入、输出任意非线性因数关系，进而能够使神经网络擅长一些隐含大对数据的因数逼近的问题，尤其可以通过学习自适应实施新问题，因此可以使用分类模式识别函数等多个领域中，同时神经网络还有大量可调节的参数，无需进行提前建模，具有较强的灵活性，能够突出后天学习能力，使其能够随着外界变化逐渐丰富学习内容，同时还可以从一定程度上在线评价专家的经验理论认知，确保结果的客观性。神经网络是典型全局编辑网络，能够对每一个输入、输出的数据进行参数调整，因此可用于全局特征研究新问题分析。

三、实例研究

在创业板上市企业样本选取的过程中，结合指标体系相关要求，在本研究中我们共选取了在深圳上市的60家创业板上市企业作为研究对象，根据所输入的数据特点和企业成长评价体系，结合不同指标所具有的量纲，导致指标存在公度性缺乏问题，无法实现线性组合，因此在构建模型前需要对各指标进行无量纲化处理分析，同时在较为复杂的网络背景下，其形成的数据差异较大，尤其不同字段中数据对于神经网络训练是极为不利的，因此原始数据经过预处理之后，能够使后续数据在处理过程中难度降低，确保运行程序加快，尤其对社区进行规划处理之后，能够使数據间的差异缩小，确保每一个数据项能够在所设置的区域范围内进行选取。从一定程度上来看，对于一些正向指标来说，值越大则证明该指标越好，在上述所遵循的指标中净利润增长率、净资产收益率、营业收入增长率等是正向指标，而逆向指标来说，该值越小则指标越好，通常为非正向指标，包括资产负债率，由于目前整体来看国内上市公司负债率偏高，因此资产负债率为一项指标。

通常所使用的非正向性指标包含流动比率、负债率、速冻比率等多项指标，然而由于目前国内一些中小型企业资产负债率是逆项指标，而相对来看速冻比率以及流动比例是偿债能力分析指标，这些指标越大则表明其具备的偿债能力越强，因此可将流动比率以及速冻比例作为专项指标进行分析，计算加权相加是综合得分，该分值越大表明企业整体财务效率越好。

四、构建神经网络模型和进行测试评价分析

设计输入和输入层，在选取输入层节点时是与输入数据特征向量相关的，其一个节点通常对应一个变量。当输入层节点为8，输出节点为1。设计隐含层设计，隐含层节点数是比较复杂的，在三层神经网络中隐含层是与输入层节点数据具有一定关系的，具体数目需要通过反复实验进行确定，在本研究中通过仿真结果分析，最终确定隐含层的鉴定数为10，这种情况下系统评价性能是比较好的。输入层以及中间层传递函数采用正切函数，中间总和输入层使用对数函数，输出限定在0～1之间。在模型新的测试过程中，我们选取50强的企业作为输入样本。通过上述10个步骤具有良好的收敛效果之后，能够对最后5组样本指标数据和成长性评价进行分析分别对应，模型检测输入节点输出结果最终获得检测结果。

通过本研究所构建的模型与现有方法进行比较，利用这种模型评价方法对国内目前创业板上市企业指数预测进行分析，具有较强的应用性，同时利用网络神经网络方法无需构建数据模型，且不需要对影响因素的权重进行仔细分析，只需要依靠专家知识和经验进行学习，通过网络学习的方式能够确保输出值与预期值相符合，神经网络是通过大量相对复杂的数据进行分类以及规律发现，具有独特的自学习和容错能力，能够使相对复杂的公式描述问题难度降低，利用这种人工神经网络法对国内创业板上市企业进行指数预测，该方法具有较强的准确性和可用性，同时能够预测未来一段时间内我国创业板上市企业的发展潜力。近期研究学生通过对比支持向量回归和神经网络运算，结果发现支持向量训练所需时间较长，而且需要进行多次迭代，其所产生的误差较小，是二次规划问题，其最终解为全局最优解，而采用神经网络是一种梯度算法，基于这种情况下对小样本进行预测分析时，相比神经网络算法来说，支持向量计算法更具有预测全局最优解的优势。

五、小结

本文通过对目前国内创业板上市企业进行特点分析，基于目前财务绩效评价指标的基础上，构建了创业板上市企业指数预测模型和评价体系，提出利用神经网络进行指数预测，最后通过深圳创业板上市公司作为实力验证了该模型对于企业成长评价的重要性。

主要参考文献：

[1]钟婷婷，张迪，陈真诚.基于BP神经网络的胰岛素评价预测模型[J].中国医学物理学杂志，2018（11）.

[2]吴慧静，赫晓慧.基于GA-BP神经网络的空气质量指数预测研究[J].安徽师范大学学报（自然科学版），2019（4）.

[3]范俊楠，张钰，贺小敏.基于BP神经网络的重点行业企业周边土壤重金属污染预测及评价[J].华中农业大学学报，2019（4）.