基于遺傳算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)的ROE預(yù)測(cè)模型設(shè)計(jì)摘要隨著市場(chǎng)競(jìng)爭(zhēng)壓力的日益增大，企業(yè)盈利能力的強(qiáng)弱顯得越來越重要.而凈資產(chǎn)收益率恰恰可以體現(xiàn)上市公司的盈利能力，同時(shí)，它可以衡量上市公司利用股東投入資金的效率，這是資本市場(chǎng)進(jìn)行企業(yè)估值的重要考慮因素.從理論上說，我國(guó)上市公司的ROE指數(shù)不僅反映了企業(yè)的盈利能力，企業(yè)管理者也可以通過這一指標(biāo)更好的掌握經(jīng)營(yíng)管理決策，以實(shí)現(xiàn)企業(yè)利益最大化的根本目標(biāo).因此分析上市公司ROE的影響因素并對(duì)公司下一年的ROE進(jìn)行預(yù)測(cè)具有重要的應(yīng)用價(jià)值.本文以2017-2018年制造業(yè)的1000家代表性上市公司數(shù)據(jù)為樣本數(shù)據(jù)，建立了預(yù)測(cè)模型，通過本年度的年度公共財(cái)務(wù)指標(biāo)預(yù)測(cè)明年的ROE.最后基于八個(gè)自變量的線性回歸分析和逐步回歸分析的結(jié)果，選擇與因變量相關(guān)的高度影響因素，利用當(dāng)前流行的GA優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法對(duì)公司下一年的ROE進(jìn)行預(yù)測(cè)研究，并對(duì)兩種預(yù)測(cè)模型進(jìn)行比較和分析，綜合評(píng)估兩種模型的預(yù)測(cè)效果，為上市公司的ROE給出了相對(duì)最優(yōu)的預(yù)測(cè)模型.結(jié)果表明：多元線性回歸與GA優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的相對(duì)誤差均值分別為20.92%和6.10%，說明GA優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)模型的整體預(yù)測(cè)精度更高，該模型對(duì)企業(yè)做出相關(guān)決策具有一定的指導(dǎo)意義.關(guān)鍵詞：凈資產(chǎn)收益率；回歸分析；預(yù)測(cè)模型；GA優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)目錄引言 [18].本文通過從上市公司ROE的諸多影響因素中選取與因變量相關(guān)的高度影響因素來建立指標(biāo)體系，構(gòu)建了基于多元線性回歸的ROE預(yù)測(cè)模型和基于遺傳算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)的ROE預(yù)測(cè)模型，本文的主要工作和得出的結(jié)論如下：（1）首先，本文通過建立多元線性回歸模型，采用線性回歸和逐步回歸的方法來預(yù)測(cè)上市公司的凈資產(chǎn)收益率，預(yù)測(cè)結(jié)果顯示：下一年的凈資產(chǎn)收益率(ROE)與當(dāng)年凈資產(chǎn)收益率(ROEt)、成長(zhǎng)速度(GROWTH)和資產(chǎn)周轉(zhuǎn)率(ATO)之間有著顯著的正相關(guān)關(guān)系，與債務(wù)資本比率(LEV)和收入質(zhì)量(ARR)有著顯著的負(fù)相關(guān)關(guān)系，這與理論上是相吻合的.但是模型的預(yù)測(cè)值與實(shí)際值的相對(duì)誤差均值較大，預(yù)測(cè)效果不是很好.（2）其次，本文采用灰關(guān)聯(lián)分析法從每個(gè)維度中選擇關(guān)聯(lián)度較高的因素，結(jié)果顯示，當(dāng)年凈資產(chǎn)收益率(ROEt)、成長(zhǎng)速度(GROWTH)、資產(chǎn)周轉(zhuǎn)率(ATO)、債務(wù)資本比率(LEV)和收入質(zhì)量(ARR)對(duì)上市公司下一年的凈資產(chǎn)收益率均有顯著的影響.（3）再次，將這5個(gè)影響因素作為BP神經(jīng)網(wǎng)絡(luò)模型輸入層向量，凈資產(chǎn)收益率作為神經(jīng)網(wǎng)絡(luò)輸出層向量，構(gòu)建5-5-1的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)預(yù)測(cè)測(cè)試集的平均相對(duì)誤差為15.27%.考慮到，將BP神經(jīng)網(wǎng)絡(luò)與灰色系統(tǒng)理論進(jìn)行結(jié)合，可以改善網(wǎng)絡(luò)的訓(xùn)練效果，提高模型的預(yù)測(cè)精度.因此，本文在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上構(gòu)建基于灰色神經(jīng)網(wǎng)絡(luò)的ROE預(yù)測(cè)模型，結(jié)果顯示，網(wǎng)絡(luò)預(yù)測(cè)測(cè)試集的平均相對(duì)誤差為10.48%.（4）最后，了解到，遺傳算法研究的熱潮再度興起，并逐步走向成熟，它與神經(jīng)網(wǎng)絡(luò)模型相結(jié)合得到了越來越廣泛的應(yīng)用.采用遺傳算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)模型的權(quán)重和閾值，經(jīng)過進(jìn)一步的訓(xùn)練，預(yù)測(cè)測(cè)試集的相對(duì)誤差的平均值為6.10%，可見模型得到了很好的改善，它是一種很好的凈資產(chǎn)收益率預(yù)測(cè)模型.但是，遺傳算法依然存在缺乏理論指導(dǎo)、編碼不確定性以及效率不比經(jīng)典的優(yōu)化算法高等不足，有待于進(jìn)一步改進(jìn).展望本文在建模和預(yù)測(cè)方面已經(jīng)取得了初步的成果，但是本文主要是基于定量分析方法進(jìn)行建模，而沒有考慮定性分析方法的結(jié)合.還可以從以下幾個(gè)方面進(jìn)行未來的研究：在指標(biāo)選擇過程中，只選擇可量化的指標(biāo)數(shù)據(jù)，而沒有對(duì)行業(yè)代碼等定性因素進(jìn)行量化，這將影響預(yù)測(cè)模型的全面性和準(zhǔn)確性.在未來的研究中，可以選擇一些成熟的定性分析方法，并可以按照一定的標(biāo)準(zhǔn)對(duì)定性指標(biāo)進(jìn)行量化，以更好地提高模型的預(yù)測(cè)精度.本文對(duì)神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的選取存在一定的隨機(jī)性，目前，對(duì)于隱藏層節(jié)點(diǎn)數(shù)的選擇還沒有統(tǒng)一的理論指導(dǎo)，未來的研究可以集中在這方面.本文采用遺傳算法對(duì)灰色神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值進(jìn)行優(yōu)化，將來還可以考慮采用其他算法，例如粒子群算法和模擬退火算法.在人工神經(jīng)網(wǎng)絡(luò)方面，可以選擇Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行組合建模分析.遺傳算法在一些機(jī)制方面缺乏理論指導(dǎo).本文使用遺傳算法對(duì)灰色神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值進(jìn)行優(yōu)化，依然存在網(wǎng)絡(luò)結(jié)構(gòu)，學(xué)習(xí)規(guī)則，參數(shù)設(shè)置和初值設(shè)置等諸多問題，以后需要進(jìn)一步優(yōu)化研究.參考文獻(xiàn)景濱杰.回歸分析法在經(jīng)濟(jì)預(yù)測(cè)中的應(yīng)用淺析[J].山西經(jīng)濟(jì)管理干部學(xué)院學(xué)報(bào),2004,15(03):32-34.EastonP,TaylorG,ShroffP,etal.UsingForecastsofEarningstoSimultaneouslyEstimateGrowthandtheRateofReturnonEquityInvestment[J].JournalofAccountingResearch,2002,40(03):657-676.KijewskaA.DeterminantsoftheReturnonEquityRatio(ROE)ontheExampleofCompaniesfromMetallurgyandMiningSectorinPoland[J].Metallurgy,2016,55(02):285-288.牛晉徽.基于灰色遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的江西省GDP預(yù)測(cè)[D].景德鎮(zhèn):景德鎮(zhèn)陶瓷大學(xué),2016.李俊,徐志京,唐貝貝.基于GA優(yōu)化的灰色神經(jīng)網(wǎng)絡(luò)船舶交通流量預(yù)測(cè)方法研究[J].船海工程,2013,42(05):135-137.胡志祥,許玉芳.凈資產(chǎn)收益率指標(biāo)反映上市公司盈利能力問題探討[J].價(jià)值工程,2013,32(36):149-150.魏偉,顏醒華.基于多元回歸分析的中國(guó)旅游上市公司投資效率研究[J].重慶師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,30(05):128-133.韓宜穎,郭越.建筑業(yè)上市公司盈利水平的多元回歸分析[J].河北企業(yè),2015,22(01):11-12.陳玥.基于回歸分析的ROE預(yù)測(cè)模型[J].福建質(zhì)量管理,2017,34(12):6-12.萬一鋒.我國(guó)上市公司ROE預(yù)測(cè)研究(下)——基于扣除非經(jīng)常性損益后盈余結(jié)構(gòu)的經(jīng)驗(yàn)分析[J].中國(guó)集體經(jīng)濟(jì),2011,31(11):91-95.萬一鋒.我國(guó)上市公司ROE預(yù)測(cè)研究(上)——基于扣除非經(jīng)常性損益后盈余結(jié)構(gòu)的經(jīng)驗(yàn)分析[J].中國(guó)集體經(jīng)濟(jì),2011,30(10):115-118.林勤.基于遺傳算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)的浙江省公路客運(yùn)量預(yù)測(cè)模型[D].武漢:華中師范大學(xué),2013.卻立勇.基于遺傳算法優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)的基巖氣藏水鎖損害預(yù)測(cè)[D].北京:中國(guó)石油大學(xué),2019.牛晉徽.基于灰色遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的江西省GDP預(yù)測(cè)[D].景德鎮(zhèn):景德鎮(zhèn)陶瓷大學(xué),2016.王德闖.遺傳優(yōu)化改進(jìn)的灰色神經(jīng)網(wǎng)絡(luò)電子商務(wù)交易額預(yù)測(cè)研究[D].大連:遼寧師范大學(xué),2017.王小川,史峰,郁磊,等.MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M].北京:北京航空航天大學(xué)出版社,2013:1+20-23.李楠.基于優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)的電信業(yè)協(xié)調(diào)發(fā)展分析[J].西安電子科技大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版),2014,24(0