RBF神经网络在创业板新股定价问题上的研究

唐思

摘 要：随着新股的恢复发行上市，新股定价的重要性不断提升。而现有的新股定价法具有一定局限性，因此本文引入RBF神经网络对创业板新上市的股票的定价进行探讨，最终得出较为理想的预测结果，对创业板的新股定价具有一定的借鉴意义。

关键词：RBF神经网络；创业板；新股定价

一、RBF网络概述

径向基网络是相对于BP网络来说有其特殊特点的新颖的神经网络，它可以无限的逼近任何连续的函数，它是Powell M.

J.D首先提出的，包括输入层，隐含层和输出层。

（一）输入层的输入到隐含层的输入。输入层、隐含层之间权值向量与输入层输入向量距离llW1i-Xq ll。b是调节神经元的敏感度。隐含层的输入 n=llW1i-Xq ll×b。

（二）隐含层的输入到输出。隐含层激励函数选择e-n2为传递函数，radbas（n）=e-n2 ）。隐含层输出向量

（三）隐含层的输出到输出层的输出。输出层的输入为各隐含层神经元输出的加权求和。输出层的输出为yq=∑ni=1（ri×w2i）。

二、基于RBF网络的新股定价

（一）样本选择和指标选择。文章选取2014年1月份在深交所创业板上市的22个股票，前18个作训练样本，后4个作测试样本。输入指标包括主承销商等级，股权集中度，发行规模以及财务方面指标（包括每股收益，每股净资产，资产负债率，应收账款周转率以及净利润）。

（二）样本处理。由于神经网络matlab处理要将数据归于

[0，1]，才能准确的逼近。不能量化指标要进行编码转化。能量化指标直接用数据归一化法 。

（1）不能量化指标的编码转换。对于股权集中度主要是根据第一名大股东持股比例和前十名大股东持股比例来划分的，主要分为高度集中型，集中型，中间型，分散型和高度分散型。对于主承销商的等级，根据深圳证券交易所的数据，将所有主承销商的注册资本进行排名，1-30名的等级为高等级，30-80为中等级，80以后的为低等级。对于股票发行规模则是根据首发后总股本的大小来作为根据的，总股本大于10000万股的为大盘股，5000-10000万股的为中盘股，小于5000万股的为小盘股。在这里，我们将股票的发行价和上市首日开盘价的平均值作为股票的实际发行价格。这样将22个样本的主承销商等级，股权集中度，发行规模进行编码转换。

（2）能够量化指标的数据归一化。在这里我们采用最便捷的线性处理法，利用公式i=1，2…。其中Xj表示为该列的第j行数据，MAX（X）和MIN （X）分别表示该列的最大值和最小值这样将22个样本的财务方面指标（包括每股收益，每股净资产，资产负债率，应收账款周转率以及净利润）进行归一化。

（三）RBF网络的构建。本文选择newrbe（）构建RBF网络。net=newrbe（P，T，SPREAD）， P为输入向量，T为输出变量，SPREAD为拓展速度。由于不需测定隐含层数目，因此选择最优的SPREAD来决定最优值。经过matlab得出的估计值是[0，1]之间，因此要matlab语句反归一化。

（四）实证过程。通过对SPREAD取0.5，1，1.5进行matlab

程序计算，可得出3个预测值。

由表中可以看出，当spread=1时，相对误差最小。因此结果针对spread=1时的数据进行分析。

三、结果分析与解释

RBF神经网络对X19、X20、X21、X22的价格预测的准确度是较高的。其中X21的相对误差最大，这可能是选取的指标不能充分反应它的情况或者训练样本的数目不足，使得函数逼近能力欠佳。因此，RBF神经网络的新股定价的两个重要的影响因素是指标的选取和训练样本的数目。

尽管存在一定的误差，但是本文的指标的选取只涵盖四大类而且训练样本数目也不多，在此基础上能够对新发股票的价格预测作出一定准确性的判断，可以看出RBF神经网络在新股定价中的可行性和合理性，对创业板的新股定价具有一定的借鉴意义。

参考文献：

[1] 曹凤岐，董秀良.我国IPO定价合理性的实证分析[J].财经研究，2006，32（6）：4-14

[2] 蒋红.新股定价模型研究[D].西北农林科技大学，2012

[3] 王炜等.径向基函数（RBF）神经网络及其应用[J].地震报，2005（2）