基于支持向量机的上市公司投资回报预测

◎黄诗蕴

基于支持向量机的上市公司投资回报预测

◎黄诗蕴

该文先利用SPSS因子分析确定影响较大的财务指标，然后采用支持向量机（SVM）来处理上市公司财务指标数据，较客观地预测上市公司的投入资本回报率（ROIC）,为投资人的决策提供支持。

支持向量机（SVM）是在高位特征空间使用线性函数假设空间的学习系统，它由一个来自最优化理论的学习算法训练，该算法实现了一个由统计学习理论导出的学习偏置。此学习策略由Vapnik和他的合作者提出，是一个准则性的并且强有力的方法。

风险度量是风险投资中的重要组成部分，能否对投资回报率进行准确估计关系到整个风险管理体系的成败。我们可以将上市公司的投资回报率划分为若干档，如0％～5％档、5％～10％档、10％以上档。利用支持向量机预测上市公司投资回报率的所属档位，从而进行风险控制。

支持向量机上市公司投入资本回报率预测的实证分析

样本的选择。本文选择了2013年年报4386家上市公司的财务指标，去除缺失部分指标的公司后剩余798家上市公司作为样本。之所以选择2013披露的年度报告是因为该时间段股市相对比较平稳，能够较好地避免极端因素对预测结果的影响。以上数据全部从锐思数据库获得。

变量的选择。本文首先将全部财务指标（共50个）导入SPSS中进行因子分析。结果显示14个因子可解释76.11％的方差。通过旋转成分矩阵，本文选取了每个因子中载荷较高的指标作为预测模型中的变量，其中因变量选取了载荷最高的投入资产回报率（ROIC），其余13个成分为自变量因子。成分1为产权比率(％)_Dbequrt；成分2为经营活动盈利能力指标（包括销售净利率(TTM)(％)_NetprfrtTTM，成本费用利润率(％)_Totprfcostrt）；成分3为现金流与偿还短期负债能力指标（包括经营净现金流量/负债合计_NOCFtotlia，成本费用利润率(％)_Totprfcostrt）；成分4为总资产周转率(次)_Totassrat；成分5为流动比率(％)_ Currt；成分6为股利支付率(％)_Divprt；成分7为扣除非经常损益后的净利润／净利润_Nprfcutnprf；成分8为归属母公司股东的净利润/净利润_NPPCNPDP；成分9为净利润/利润总额_NPTPDP；成分10为赊销管理能力指标（包括长期负债与营运资金比率(％)_Ldbwrkcap，应收账款周转率(次)_ARTrat，流动资产/总资产_Curtotast）成分11为年换手率YrFulTurnR；成分12为营业利润增长率(％)_Opeprfgrrt；成分13为利息保障倍数_Intcvr。

支持向量机核函数选择及其预测结果

基本原理。通过使用Matlab关于向量机的核心函数SVMTRAIN与SVMCLASSIFY，对数据进行分析。先使用SVMTRAIN函数，它可以使用训练矩阵数据样本进行函数拟合。然后用SVMCLASSIFY函数对测试样本进行分类，预测结果。测试结果分为三类，0％～5％（不含）的标记为1，5％～10％（不含）的标记为2,10％以上的标记为3。

操作方法。本文首先选取了3.4％的样本（共27个）作为测试样本，其余作为训练样本进行实验。核函数分别选取了多项式核函数（Polynomial）、径向基核函数（RBF）、Quadratic核函数与线性核函数（linear）进行训练，得到如下结果（表1）。使用polynomial核函数的准确率为85.19％，RBF核函数准确率为62.96％，使用quadratic核函数的准确率为81.48％，而使用线性核函数的预测准确度最高，为96.29％。

表1：选取不同核函数的向量机方法下的预测结果（部分）

复核。重新随机选取12％的数据为测试样本，其余为训练样本，用线性核函数进行训练。结果表明，在增大了测试样本减少了训练样本的情况下，使用线性核函数的准确率依然很高，为98.0％。因此选用线性核函数为SVMTRAIN中Kernal Funtion参数的值。

本方法的优缺点

支持向量机技术可对上市公司投入资产回报率进行有效的识别与分类。以各方面的财务指标作为自变量，以投资回报率作为因变量进行预测。选用线性核函数训练的准确度在90％以上，表现出向量机对有限样本的良好泛化能力。我们可以在已知上市公司部分财务指标的情况下，应用这个方法判断企业的投资回报率，从而为投资决策提供参考，一定程度上减小了投资风险。

行业间财务指标的数据是存在差异的，不同行业间，理想的存货周转率、流动比率等的理想值是不同的。要提高预测精度，可以分开行业进行预测。每个行业的前景也不一样，应该结合政策等具体分析。

本方法也存在一定缺陷。首先我们难以获知公司每时每刻的财务指标，只有等到期末才有正式的披露。同时，数据可能存在一定程度的粉饰和虚假，误导投资决策行为。在预测结果中，存在一些误差很大的异常值，可能和公司经营的微观因素有关。因此，决策时需要多方面考虑，不要局限于对外披露数据的分析，而要深入调查公司情况。

（作者单位：北京科技大学）