一種上市公司績效綜合評價方法
【專利摘要】一種上市公司績效綜合評價方法。其包括模型建立、模型求解、模型選擇、條件密度預測和隨機性評價等步驟。本發(fā)明效果：建立了上市公司績效綜合評價的神經(jīng)網(wǎng)絡分位數(shù)回歸模型，結(jié)合了神經(jīng)網(wǎng)絡模型與分位數(shù)回歸模型兩個方面的優(yōu)勢，能夠準確刻畫上市公司績效水平的變動規(guī)律，表現(xiàn)出強大的功能。給出了上市公司績效綜合評價的神經(jīng)網(wǎng)絡分位數(shù)回歸模型的標準梯度優(yōu)化算法，在不影響模型估計精度的前提下，提升模型的計算速度。建立了上市公司績效綜合評價的神經(jīng)網(wǎng)絡分位數(shù)回歸模型選擇的AIC準則，能夠選擇恰當?shù)哪Ｐ徒Y(jié)構(gòu)，有效地避免了模型過于復雜、陷入過度擬合的窘境。
【專利說明】一種上市公司績效綜合評價方法

【技術(shù)領域】
[0001] 本發(fā)明屬于非線性分位數(shù)回歸理論與方法在綜合評價中應用【技術(shù)領域】，特別是涉 及一種上市公司績效綜合評價方法。

【背景技術(shù)】
[0002] 上市公司績效綜合評價是公司治理的一個重要組成部分，其評價結(jié)果的準確性及 關(guān)鍵影響因素識別的科學性直接關(guān)系到公司治理的成效。上市公司績效綜合評價是依據(jù)一 定的科學方法，對上市公司績效水平進行準確的推測：排序、分類，具有非線性、條件性、不 確定性等特征。
[0003] 上市公司績效綜合評價有其自身的復雜性，主要包括兩個方面。第一，評價指標體 系建立。傳統(tǒng)的公司績效評價，往往依靠質(zhì)量指標和財務指標，難以全面衡量企業(yè)的績效。 為此，需要建立更為全面的績效評價體系，如：經(jīng)濟增加值（EVA)績效評價、托賓Q值（Tobin Q value)績效評價、平衡記分卡績效評價等。第二，評價模型方法選擇。常用的方法主要 有：功效系數(shù)法、層次分析法、統(tǒng)計綜合評價方法、數(shù)據(jù)包絡分析法、灰色系統(tǒng)方法、模糊綜 合評價法、投影尋蹤評價法等，這些方法主要屬于參數(shù)類方法，一般具有顯式表示，計算過 程較為直觀。隨著理論與實踐發(fā)展，在綜合評價模型中紛紛引入一些人工智能與數(shù)據(jù)挖掘 的方法（如：人工神經(jīng)網(wǎng)絡、支持向量機、進化算法等），這些方法主要屬于非參數(shù)類方法， 一般沒有顯式表達，作用機理較為抽象，然而往往可以取得較好的綜合評價效果。
[0004] 然而，已有方法（無論是參數(shù)方法，還是非參數(shù)方法）往往得到的是一個確定性的 評價結(jié)果，對評價結(jié)果進行排序或分類都存在較高的誤判風險。如果可以實現(xiàn)對上市公司 績效的隨機性評價，得到帶有一定概率伴隨的上市公司績效評價結(jié)果，給出上市公司績效 水平的完整分布特征（概率密度），則能夠給出多種可能的綜合評價結(jié)果（包括：排序、分 類），每一可能結(jié)果的發(fā)生都與一定的概率水平相對應，從而降低誤判風險。


【發(fā)明內(nèi)容】

[0005] 為了解決上述問題，本發(fā)明的目的在于提供一種上市公司績效綜合評價方法。
[0006] 為了達到上述目的，本發(fā)明提供的上市公司績效綜合評價方法包括按順序進行的 下列步驟：
[0007] 步驟1)模型建立：基于神經(jīng)網(wǎng)絡結(jié)構(gòu)與分位數(shù)回歸模型，建立上市公司績效綜合 評價的神經(jīng)網(wǎng)絡分位數(shù)回歸模型；
[0008] 步驟2)模型求解：使用Huber范數(shù)對上述神經(jīng)網(wǎng)絡分位數(shù)回歸模型中的非對稱 "對勾"函數(shù)進行修正，然后使用標準的梯度優(yōu)化算法實現(xiàn)上述模型的求解；
[0009] 步驟3)模型選擇：在上述神經(jīng)網(wǎng)絡分位數(shù)回歸模型的經(jīng)驗損失函數(shù)中增加一個 包含懲罰參數(shù)為λ和隱層節(jié)點數(shù)J的懲罰項，以限制連接權(quán)重的光滑度，同時建立上市公 司績效綜合評價的神經(jīng)網(wǎng)絡分位數(shù)回歸模型選擇的赤馳信息準則，用于選擇恰當?shù)碾[層節(jié) 點數(shù)J和懲罰參數(shù)λ ;
[0010] 步驟4)條件密度預測：在建立的上市公司績效綜合評價的神經(jīng)網(wǎng)絡分位數(shù)回歸 模型基礎上，將影響因素或解釋變量的取值代入，由此實現(xiàn)上市公司績效在各個分位點的 條件分位數(shù)預測，并將在不同分位點處的條件分位數(shù)預測結(jié)果使用核密度方法進行密度估 計，由此實現(xiàn)上市公司績效水平的條件密度預測；
[0011] 步驟5)隨機性評價：在條件密度預測的基礎上，一方面，基于隨機占優(yōu)準則，給出 上市公司績效水平排序結(jié)果；另一方面，使用數(shù)值積分算法給出績效水平劃分區(qū)間的概率 計算，得到帶有一定概率伴隨的上市公司績效水平分類結(jié)果，最終實現(xiàn)上市公司績效水平 的綜合評價。
[0012] 在步驟1)中，所述的建立上市公司績效綜合評價的神經(jīng)網(wǎng)絡分位數(shù)回歸模型的 步驟如下：
[0013] 考慮三層感知器神經(jīng)網(wǎng)絡，以影響因素或解釋變量作為輸入，以響應變量的分位 數(shù)預測作為輸出，包含一個有J個節(jié)點的隱層，如圖1所示；在第T分位點處，第一步，計算 隱層第j個節(jié)點值： _4]

【權(quán)利要求】
1. 一種上市公司績效綜合評價方法，其特征在于：其包括按順序執(zhí)行的下列步驟： 步驟1)模型建立：基于神經(jīng)網(wǎng)絡結(jié)構(gòu)與分位數(shù)回歸模型，建立上市公司績效綜合評價 的神經(jīng)網(wǎng)絡分位數(shù)回歸模型； 步驟2)模型求解：使用Huber范數(shù)對上述神經(jīng)網(wǎng)絡分位數(shù)回歸模型中的非對稱"對勾" 函數(shù)進行修正，然后使用標準的梯度優(yōu)化算法實現(xiàn)上述模型的求解； 步驟3)模型選擇：在上述神經(jīng)網(wǎng)絡分位數(shù)回歸模型的經(jīng)驗損失函數(shù)中增加一個包含 懲罰參數(shù)為λ和隱層節(jié)點數(shù)J的懲罰項，以限制連接權(quán)重的光滑度，同時建立上市公司績 效綜合評價的神經(jīng)網(wǎng)絡分位數(shù)回歸模型選擇的赤馳信息準則，用于選擇恰當?shù)碾[層節(jié)點數(shù) J和懲罰參數(shù)λ ; 步驟4)條件密度預測：在建立的上市公司績效綜合評價的神經(jīng)網(wǎng)絡分位數(shù)回歸模型 基礎上，將影響因素或解釋變量的取值代入，由此實現(xiàn)上市公司績效在各個分位點的條件 分位數(shù)預測，并將在不同分位點處的條件分位數(shù)預測結(jié)果使用核密度方法進行密度估計， 由此實現(xiàn)上市公司績效水平的條件密度預測； 步驟5)隨機性評價：在條件密度預測的基礎上，一方面，基于隨機占優(yōu)準則，給出上市 公司績效水平排序結(jié)果；另一方面，使用數(shù)值積分算法給出績效水平劃分區(qū)間的概率計算， 得到帶有一定概率伴隨的上市公司績效水平分類結(jié)果，最終實現(xiàn)上市公司績效水平的綜合 評價。
2. 根據(jù)權(quán)利要求1所述的上市公司績效綜合評價方法，其特征在于：在步驟1)中，所 述的建立上市公司績效綜合評價的神經(jīng)網(wǎng)絡分位數(shù)回歸模型的步驟如下： 考慮三層感知器神經(jīng)網(wǎng)絡，以影響因素或解釋變量作為輸入，以響應變量的分位數(shù)預 測作為輸出，包含一個有J個節(jié)點的隱層，如圖1所示；在第τ分位點處，第一步，計算隱層 第j個節(jié)點值：
(1) 式中，
為第τ分位點處隱層權(quán)重向量；
為第τ分位點處隱層偏移向量；f(h)為隱層轉(zhuǎn)換函數(shù)；第二 步，計算輸出層節(jié)點值：
(2) 式中，
為第τ分位點處輸出層權(quán)重向量；b(<)) ( τ )為第 τ分位點處輸出層偏移；fW為輸出層轉(zhuǎn)換函數(shù)，這樣由式（1)和式（2)就組成了上市公司 績效綜合評價的神經(jīng)網(wǎng)絡分位數(shù)回歸模型。
3. 根據(jù)權(quán)利要求1所述的上市公司績效綜合評價方法，其特征在于：在步驟2)中，所 述的模型求解方法是： 所述的Huber范數(shù)表示如下：
(3) 使用上述Huber范數(shù)對上市公司績效綜合評價的神經(jīng)網(wǎng)絡分位數(shù)回歸模型中的非對 稱"對勾"函數(shù)
進行修正，結(jié)果見圖2,得到修正后的非對稱"對勾"
函數(shù)： (1， 然后基于修正后的非對稱"對勾"函數(shù)Aa)(w)對上述上市公司績效綜合評價的神經(jīng)網(wǎng)絡 分位數(shù)回歸模型中期望的非對稱損失函數(shù)式進行修正，得到：
(〇) 其樣本對應為經(jīng)驗損失函數(shù)：
(6) 式中，Yt為響應變量Y的時間序列取值，t = 1，2, "·，Τ ;最后取
，使用標準的梯 度優(yōu)化算法進行上述上市公司績效綜合評價的神經(jīng)網(wǎng)絡分位數(shù)回歸模型求解。
4. 根據(jù)權(quán)利要求3所述的上市公司績效綜合評價方法，其特征在于：所述的上市公 司績效綜合評價的神經(jīng)網(wǎng)絡分位數(shù)回歸模型求解過程如下：①取權(quán)重向量

的初始值
計算函數(shù)
處下降梯度 方向
作為搜索方向
；③尋找可變步長：以
為起點沿搜 索方向
尋找適當步長
，使目標函數(shù)值具有某種意義的下降；④進行迭代計 算，計算下一個解的位置：
；⑤令
，重復上述步 驟②?④，直至
5. 根據(jù)權(quán)利要求1所述的上市公司績效綜合評價方法，其特征在于：在步驟3)中，所 述的模型選擇的方法是： 在上述經(jīng)驗損失函數(shù)中增加一個包含懲罰參數(shù)λ和隱層節(jié)點數(shù)J的懲罰項，得到：
(7) 式中，λ為懲罰參數(shù)；I |v| |2為向量v的2-范數(shù)，j為隱層節(jié)點數(shù)；同時建立上市公司 績效綜合評價的神經(jīng)網(wǎng)絡分位數(shù)回歸模型選擇的AIC準則如下：
⑶ 式中，[(P+2)J+1]為模型中待估計參數(shù)個數(shù)；之后通過網(wǎng)格搜索算法找到使得AIC準 則AIC( λ，J)達到最小的懲罰參數(shù)λ與隱層節(jié)點數(shù)J的組合，由此選擇出模型的結(jié)構(gòu)。
6. 根據(jù)權(quán)利要求1所述的上市公司績效綜合評價方法，其特征在于：在步驟4)中，所 述的使用核密度方法進行密度估計的方法是：在得到條件分位數(shù)預測結(jié)果之后，基于關(guān)系 式：P(QT) = d τ /dQ,得到條件密度預測結(jié)果：
(9) 式中，h為最優(yōu)窗寬；P (Qτ (Y | X ; θ ( τ )))為上市公司績效水平Y(jié)在給定影響因素X時 的條件密度函數(shù)。
7.根據(jù)權(quán)利要求1所述的上市公司績效綜合評價方法，其特征在于：在步驟5)中，所 述的隨機性評價的方法如下： (5. 1)基于隨機占優(yōu)準則的排序方案；分別使用一階隨機占優(yōu)準則與二階隨機占優(yōu) 準則，對兩家不同的上市公司進行排序；分別記兩家上市公司的條件概率密度為：PA(Q)與 PB(Q)，對應的條件分布函數(shù)為：
，則建立排序方案如 下： 一階隨機占優(yōu)：
(10) 二階隨機占優(yōu)：
(11) (5. 2)基于概率計算的分類方案；使用數(shù)值積分算法給出績效水平劃分區(qū)間的概率 計算，對上市公司績效水平進行分類；首先，使用分位數(shù)準則，計算上市公司績效水平的 無條件分位數(shù)：q〇.2, q〇.4, 得到 = 1. 0693, qa4 = 1. 3004, qa6 = 1. 5887, qa8 = 2. 2221 ;其次，對上市公司績效水平進行區(qū)間劃分，得到五個等級的區(qū)間：較差…，％2)、 一般[qQ.2, ％1.4)、中等[%1.4, ％1.6)、良好[%1.6, ％1.8)、優(yōu)秀[%1.8, + 00 );再次，計算上市公司績效 水平屬于某一等級的概率：
(12) 式中，Dj(j = 1，2,3,4,5)為五個等級區(qū)間。
【文檔編號】G06Q10/06GK104217296SQ201410468736
【公開日】2014年12月17日 申請日期:2014年9月15日 優(yōu)先權(quán)日:2014年9月15日
【發(fā)明者】劉樹勇, 穆健, 許啟發(fā), 王磊, 蔣翠俠, 李娜 申請人:國家電網(wǎng)公司, 國網(wǎng)天津市電力公司