光伏建筑一体化板块投资风险评估

李龙龙 吴雨桐

摘要：本文对光伏建筑一体化板块37家股票投资风险评估并排名，并依据所给资金给出2021年6月份最优投资方案。首先对数据进行训练，建立了神经网络—BP模型，但是测试发现存在很大偏差且训练效果也不理想，于是将时间序列与收盘价进行一阶拟合得到多项式拟合模型，最后利用matlab程序计算出各支股票的价值参数和风险参数，以风险参数作为6月份的投资风险评估指标。

关键词：板块指数;神经网络-BP模型;多项式拟合

一、绪论

光伏建筑一体化（BIPV）是充分利用工业建筑、公共建筑屋顶等资源实施分布式光伏发电工程，它对我国实现“碳达峰”和“碳中和”起到重要作用。现统计沪深股市中 37 家光伏建筑一体化相关企业的股票数据，将他们看作一个整体称为光伏建筑一体化板块。光伏建筑一体化板块作为新兴板块，通过对光伏建筑一体化板块个股投资风险进行评估，给出该板块37支股票2021 年6月份投资风险由低到高的排序结果。然后依据投资风险设计出了一个最优的投资方案。

二、模型的建立与求解

本文需要对37支股票投资风险[1][2]进行由低到高的排序。以南玻A的股票为例进行分析处理预测，建立神经网络—BP模型[3][4]进行预测。

Step1：数据预处理

将南玻A的交易时间、开盘价、最高价、最低价、收盘价以及成交量导入到新的Excel表格中，并添加此日收盘价数据。

训练集：我们将除过最后50组之外的的数据作为训练集，用做以拟合函数的参考依据。

测试集：我们将最后50组数据用来测试训练好的模型的预测能力。

Step2：输入输出层设计

该模型以开盘价、最高价、最低价、收盘价、此日收盘价以及成交量作为输入，以次日收盘价作为输出，所以输入层节点为6，输出层节点为1。

Step3：隐含层设计

本文采用含有两个隐层的四层多输入单输出的BP网络建立预测模型。在选取隐层神经元个数的问题上参照了以下的经验公式：

根據上式可以计算出神经元个数为4-13个之间，在本次实验中选择隐层神经元个数为5和4。

Step4：选取激励函数，选取traingdm作为输出层神经元的激励函数。

Step5：模型的实现

（1）首先我们使用matlab绘制出南玻A公司股票收盘价的变化趋势图。

（2）好训练参数，开始训练，经测试训练结果训练效果不佳，我们改进算法。

Step6：我们将时间序列与收盘价进行一阶多项式拟合，建立多项式模型[5]

Step7：利用matlab进行在95%的置信水平下进行多项式模型拟合，得到多项式模型如下：

拟合图像如图1所示：

分析结果为：SSE： 2.131e+04;R-square： 0.5664;Adjuste d R-square： 0.5664;RMSE： 1.744

模型的可决系数，拟合效果较好。

Step8：我们以方程斜率作为评价该股票的价值参数（value），以最大回撤函数计算出第二日最大亏损率作为评价该股票风险参数（risk）。在matlab中计算出当前值。

Step9：分别计算37家股票的价值参数和风险参数

若value值为负，说明该股票价值不高，不可长期持有，risk值越小股票短期操作价值越高。因此，此处我们选择以风险参数（risk）为评估标准，评估给出该板块 37 支股票2021年6月份投资风险：结果如图2所示：

Step10：投资方案的制定

制定2021年6月份投资方案，为短线投资，我们以风险参数（risk）作为股票选择的标准，即我们选取排名前五名的股票。

三、模型评价

多项式拟合建模迅速，对于小数据量、简单的关系很有效，线性回归模型十分容易理解，有利于决策分析。但是多项式拟合对于非线性数据或者数据特征间具有相关性多项式回归难以建模，难以很好地表达高度复杂的数据。

参考文献：

[1]许少雄.大数据与个人股票投资风险优化的思考[J].商讯，2019（26）：95-96.

[2]毕秋香.股票投资风险收益关系的实证分析[J].华南金融研究，2002（04）：31-34.

[3]侯媛彬， 杜京义， 汪梅.神经网络[M]，西安电子科技大学出版社.

[4]肖静， 邹传平， 郑冬喜. 浅谈BP神经网络预测模型[J]. 科技资讯，2006（34）：9. DOI：10.3969/j.issn.1672-3791.2006.34.007.

[5]吴玲玲， 冯再勇， 张轶， 谢小韦.基于多项式拟合的大型风电场运行状况分析[J].科技创新与应用，2021（09）：60-62.

作者简介：李龙龙（1998.02-），男，汉，甘肃庆阳人，本科