股票投資決策流程大全11篇

緒論：寫作既是個人情感的抒發，也是對學術真理的探索，歡迎閱讀由發表云整理的11篇股票投資決策流程范文，希望它們能為您的寫作提供參考和啟發。

篇（1）

從允許保險公司通過證券投資基金間接投資股市，到放開保險公司直接入市，權益類投資在保險公司整體資產配置中的重要性日益提高。現在權益類投資占保險公司整體資產配置的比重不是很高，但卻是可以提高整體收益率的一個重要手段，值得深入研究。

一、投資目標

通過股票或基金的組合投資，直接或間接投資于中國的股票市場，在控制風險的前提下，實現投資凈值的穩定增長和資產的長期增值，分享中國經濟持續穩定高速增長的成果。

二、投資理念

（一）積極管理

1.中國的證券市場還不是非常有效的市場，價值被低估和高估的情況經常出現，市場充滿投資機會

2.消極管理指導思想下的指數化分散投資還不能有效降低風險

投資的基本原理之一是分散化投資，也就是諺語常說的“不要把雞蛋放在一個籃子里”。我們說，“雞蛋”可以放在不同的“籃子”里，但前提是“籃子”必須結實，而在中國市場，結實的“籃子”太少，不結實的“籃子”太多。因此，過于分散化的投資還不能很有效地降低風險。

3.機構投資者的信息與人才優勢使積極管理成為可能

當前中國的機構投資者隊伍在不斷壯大，境內的投資者包括基金管理公司、保險公司、財務公司、證券公司、信托投資公司等，境外的機構投資者則以QFII為主。機構投資者擁有資金、人才、信息等多方面優勢，通過全球視角下的宏觀、中觀和微觀分析，能更有效地發掘超額收益，使積極管理成為可能。

（二）價值投資

1.價值規律同樣在證券市場發揮作用

價值規律告訴我們，在商品市場上，價格圍繞價值波動。在證券市場上，價值規律同樣發揮作用，即上市公司的股票價格也是圍繞其內在價值進行波動的，當價格低于其內在價值時，應該大膽買入；當價格高于內在價值時，應該果斷賣出。

2.在市場規模不斷擴大及機構化、國際化的背景下，價值投資將逐步成為未來中國證券市場主流的投資理念

（1）中國證券市場規模不斷擴大，少數機構操縱市場與股價的難度越來越大。

從1996年到2005年，股市流通市值增加了243％，而2005年下半年啟動的“股改”，更是中國股市的重大制度性變革，“股改”之后，非流通股將逐步轉為可流通股，中國股市的流通市值將在現有的基礎上翻一番還多，這使得操縱市場的難度進一步加大（見圖1）。

（2）機構化。我國證券市場機構投資者比重迅速上升，機構與散戶的博弈變為機構之間的博弈。

（3）國際化。對外開放步伐逐步加快，發達國家成熟的投資理念對我國的影響逐步加深。從2003年QFII進入中國證券市場以來，截至2005年底，共有34家機構獲批QFII資格，累計批準額度56.5億美元，此外，還有很多境外投資機構以合資等方式進入中國證券市場。這些境外投資機構應用發達市場成熟的投資理念和投資方法，在全球視角內進行價值判斷和投資決策，在取得良好的投資收益的同時，也深深影響了境內投資者的投資理念。

3.新興市場下的相對價值投資

（1）中國公司治理結構不完善的情況較為普遍，具有絕對投資價值的品種較少。

（2）“常青樹”較少。在國外成熟證券市場上，曾出現過一些令人艷羨的“百年老店”，使得長期價值投資成為可能。而在中國，大多數公司受體制機制的局限及經濟周期和國家產業政策的影響較深，業績起伏較大，往往是“各領一兩年”，常青樹型的上市公司較少。

（3）價值投資理念的確立需要一個不斷反復和確認的過程。需要人們在經歷市場風風雨雨的磨練和“教育”之后逐步認識和確立。

4.價值分析為主，技術分析為輔

股票價格的中長期走勢取決于公司的基本面，但其中短期走勢卻時時受到市場偏好和供求關系的影響，因此技術分析具有短期指導作用。任何事物都是波浪式前進的規律，同樣告訴我們：股票投資的“波浪理論”及在其指導下的波段操作，與價值投資可以并行不悖。

（三）組合優化

在優中選優的基礎上，通過適當分散組合投資，可以降低投資的非系統性風險，獲取風險調整后的最優收益。

三、股票投資策略

（一）價值投資理念下的兩類投資風格

價值低估與業績成長是股價上漲的根本動力。在價值投資理念的大旗下，又可以分為兩類主要的投資風格：價值投資型與價值增長型或者兩者的完美結合。

1.價值投資型

價值投資型股票往往具有以下四方面特征：

（1）較低的價格／收益（PE）比率，即低市盈率。

（2）以低于面值的價格出售。

（3）隱藏資產，“公司也許擁有曼哈頓，這是它從印第安人那里買來的，不過遵循良好的會計慣例，把這項購買以成本24美元人賬。”

（4）長期穩定的現金分紅比率。如果一家上市公司能長期穩定地現金分紅，這本身就意味著該公司有穩定的經營模式、穩定的現金流，這也構成長期投資價值的一部分。

2.價值增長型

價值投資的另一種風格是價值增長型，這里強調其內在價值隨著業績的增長而增長。如果說長期價值投資型風格是一種防御型風格的話，價值增長型就是一種進攻型風格。價值增長型股票具有以下四點特征：

（1）處于增長型行業。

（2）高收益率和高銷售額增長率。

（3）合理的價格收益比。對于高成長的股票而言，其市盈率往往會隨著股價的上升而上升，這是增長預期在價格中的體現，是合理的，但是市盈率不能比增長率高出太多，最好是（P／E）／G小于或等于1.

（4）強大的管理層。

（二）前瞻性是選出好股票的關鍵

1.對歷史的理解是股票投資的基本功

要做好股票投資，首先要對歷史具有充分的了解和理解，以史為鑒，有助于指導我們現實的投資。

2.買股票就是買企業的未來

股票價格說到底是對未來現金流的折現，可以說，買股票就是買企業的未來。這就要求投資者具有前瞻性的眼光，能夠見別人所未見。

3.任何超額利潤都來自于獨到的眼光

從眾心理是投資的大敵，從眾最多讓投資者獲得平均利潤，而不可能獲得超額利潤，更多的時候從眾心理會帶來虧損；獲取超額利潤，必須要有獨到的眼光。要能做到人棄我取，在市場低迷時敢于介入；也要能做到人取我棄，在市場過度樂觀時果斷賣出。

4.在前瞻性基礎上優中選優

在前瞻性基礎上，還要做到優中選優，保證投資的成功率。

四、基金投資策略

基金投資與股票投資既有相似之處，也有差異之處，相似之處是指對基金的投資同樣要遵從價值投資理念，選擇投資價值高的品種；不同之處在于基金的估值指標體系與股票有較大差異。在對基金進行投資價值分析時，可以從以下四方面入手：

（一）看過去

看過去是指考察基金公司和基金過去的業績表現，大致包括三方面內容：

1.對既往業績與風險進行評估

對既往業績和風險進行評估等于績效評估和歸因分析。收益分析包括對凈值增長率和風險調整后收益指標的分析（詹森比率、夏普比率、特雷諾比率等）。經過風險調整后的收益率指標，能更全面地反映基金經理對收益和風險的平衡能力。另外，還要對包括主動投資風險度、股票倉位調整、行業集中度、股票集中度、基金重倉股特征等指標進行分析。

其中對基金重倉股（前五大市值或者前十大市值）要進行重點研究，重倉股是基金經理自上而下和自下而上投資分析的綜合結果，對判斷基金經理的擇股能力有著重要參考意義，因此要對基金重倉股進行認真的對比分析。

2.基金經理的素質與能力

如果說買股票是買企業的未來，買企業的管理層，那么買基金就是買基金公司，具體而言就是買基金經理。基金業是個智力密集型行業，其投資業績主要是依靠管理團隊和基金經理的投資管理能力。因此，基金經理的投資理念、投資經驗、市場感覺、擇股擇時能力，對基金的業績都有巨大的影響，在選擇基金時，必須對基金經理的素質和能力進行全面的考察。

3.管理團隊

管理團隊是基金公司經營的核心，其對個體基金投資業績的影響不容忽視，特別是對不突出明星基金經理，而更注重整體管理的基金管理公司而言，其意義更為重要。因此，管理團隊也是選擇基金的重要指標。

（二）看現在

看現在包括三方面內容，首先是當前股市的估值水平，即市場點位，其次是備選基金在當前市場估值水平下的應對措施，這主要體現在股票倉位上，最后是基金公司的人員有無變動。

1.市場點位

市場點位代表市場的估值水平，如果當前點位較低，進一步上升空間較大，則作為投資者可以加大對基金的投資力度，或者選擇股票倉位較高的基金；如果當前點位已經比較高，估值水平已經較為充分，市場下跌的風險較大，則可以減少對墓金的投資力度，或者選擇股票倉位較低的基金。

2.股票倉位

對股票倉位的選擇需要結合投資者對市場點位和估值水平的判斷進行。如果投資者認為當前市場點位較低，可以選擇股票倉位較高的基金，反之則選擇股票倉位較低的基金。但問題在于目前我國基金信息披露是按季度進行，投資者只能了解上季度末的倉位情況，信息有些滯后，要想實時了解基金倉位，只能通過基金凈值變動進行估算，但這種估算的準確度不是很高。

3.人員變動

考察人員變動主要是看管理團隊、投資團隊、研究團隊等投資核心人員有無大的變動，如果一些重要的人員如總經理、投資總監、明星基金經理等離職，則對于未來基金的業績會帶來一定的不確定性。

（三）看未來

“看未來”主要是對基金組合未來的收益和風險狀況進行預測分析，包括四方面內容：

1.股票組合分析

對備選基金組合中個股尤其是重倉股的基本面進行分析，進行收益預測和估值分析。

2.規避風險

對股票組合的行業集中度、個股集中度、歷史波動率等風險指標進行分析，對基金組合的風險進行評估。同時對其組合中的個股進行認真研究，避免踩到“地雷”。

3.評估增長潛力

通過對組合中個股的收益和估值情況的預測，可以對基金凈值的增長情況進行預測，來衡量備選基金的增長潛力。

4.基金的“期限結構”

在選擇封閉式基金時，要考慮基金的剩余期限，根據市場走勢和基金凈值變動預測進行基金剩余期限的合理搭配。

（四）看價格

“看價格”主要是指對封閉式基金的折價率進行分析，在其他條件相同的情況下，選擇折價率相對較高的基金。

五、投資流程與方法

好的投資結果是建立在好的投資流程和投資方法基礎上的，將投資決策的各個步驟進行合理地安排和整合，可以有效地將基本面與技術面研究、定性與定量分析、時機選擇以及風險控制等結合起來，實現投資研究一體化、風險控制與投資交易并重。投資流程應該包括以下幾個步驟：

研究先行—實地考察—價值評估—比較分析—技術分析—決策選擇—買賣交易。

1.研究先行。進行自上而下的宏觀研究與自下而上的微觀分析，對行業以及股票的基本面進行了解。

2.實地考察。對企業進行實地調研，一方面了解企業未來經營發展情況，一方面也是對企業公開的報告和報表中的信息進行核實。

3.價值評估。在研究和實地考察的基礎上，從上市公司基本面角度進行數量化分析，對股票價值進行評估。

4.比較分析。將股票的估值指標與同類企業以及大盤進行比較，確認其估值高低。

篇（2）

一、選題背景

ST是英文Special Treatment縮寫,意即“特別處理”。該政策針對的對象是出現財務狀況或其他狀況異常的。1998年4月22日,滬深交易所宣布,將對財務狀況或其他狀況出現異常的上市公司股票交易進行特別處理(Special treatment),由于“特別處理”,在簡稱前冠以“ST”,因此這類股票稱為ST股。當一個公司的連續出現兩年虧損的時候,就會加上ST,提醒投資者這只股票可能在一年后退市。由于ST股是一些財務狀況不好的、可能退市的股票,因此投資者若是購買的是ST股票,會使用完全不同的投資決策,因此投資的股票是否是ST股票對于投資者在做投資決策的時候是非常重要的。

二、研究問題與技術方法

(一)研究問題

由于還沒有一種典型的函數來確定股票是否屬于ST股,所以,預測股票是否屬于ST股是很困難的。在本次研究應用中,將140支已發行股票分為兩類。將股票分類后,以此來判別基礎。

(二)技術方法-模型訓練及預測

預測模型的訓練一般有三種方法,分別是神經網絡、決策樹、回歸分析。

1.神經網絡(Neural Networks),是通過不斷調整各個輸入數據權重使得輸出的預測值與數據實際值的均方誤差最小化的模型。這種不斷調整的過程就是對神經網絡的訓練。這一訓練過程是不可見的。

2.決策樹(Decision Tree),決策樹是一種結構。通過應用簡單的決策規則,利用這種結構可以將大型記錄集分割成相互連接的小型記錄集。通過每一次連續分割,結果集中的成員彼此變得越來越相似。決策樹是一種類似流程圖的樹型結構,其中樹的每個內部節點均代表一個屬性的測試,其分枝就代表測試的每個結果,而樹的每個葉節點就代表一個類別,樹的最高層節點就是根節點,也是整個決策樹的開始。決策樹模型包含一系列規則,按照某個相關的特定目標變量,可將大量包含不同種類的總體分割為更小的、更相似的群組,它可用于計算給定記錄歸屬于某一個類別的概率,也可以通過將記錄分配到最可能的類來給記錄評分。訓練決策樹模型的過程,實質是確定最佳規則的過程。

3.回歸分析(Regression),是確定兩種或兩種以上變量間相互依賴的定量關系的一種統計分析方法。這一方法可以用來預測其中的變量值。訓練回歸模型的過程,實質是確定變量之間定量關系的過程。

在本次研究中,將用數據分別訓練三個模型,判斷出哪種模型的預測效果最佳,并用這種模型對將要上市的股票做出預測。

三、數據挖掘技術應用

(一)導入數據

將收集到的數據導入SAS中,通過運用這些數據進行模型的訓練和預測。

(二)SAS模型訓練

SAS流程圖如圖一。實際過程中,根據神經網咯、決策樹和回歸分析的效果來決定預測模型的選取。

主要步驟:

1.在SAS中導入已選擇相關企業訓練數據,并把variables中的F2選項定義為target。

2.在data partition 節點中選擇樣本隨機方法,并設置各部分比例。將各部分比例設為train 40%,validation 30%,test 30%。

3.運行assessment得到如下結果

從上圖中可以看出在10%比例的情況下,神經網絡模型和邏輯特回歸模型都可以到達100%的正確率,但是在20%比例的情況下,只有神經網絡模型可以達到100%的正確率,因此神經網絡模型的擬合較好,我們選擇神經網絡作為預測模型。

四、神經網絡模型分析

(一)神經網絡模型

根據SAS的神經網絡模型的運行結果,我們可以得到如下的權值:

根據結果可以看出,在42個數據取20%的時候,我們取第九個數,這九個數的預測都是百分之百正確的,正明這個神經網絡模型的效果是顯著的,因此我們取0.8752作為閾值,當算出來的閾值大于0.8752的時候就歸為1-ST股,否則為0-非ST股。

(二)預測

用測試的數據集來進行預測,也就是看測試集里面的股票哪些是屬于被ST的,哪些是沒有被ST的,根據SAS的運行結果得到如下所示的圖。

從圖中可以看出前20只股票的閾值都大于0.8752,因此基于神經網絡模型的分類,前20只股票都應屬于ST股,而在實際情況下第7只望春花和第17只力諾工業卻不是ST股票。因此通過對比,我們可以看出,神經網絡的分類是比較準確的,但是也不能做到百分之百的正確率,我們可以依據神經網絡模型對不確定的股票進行預測,判斷它是屬于ST股票還是屬于非ST股票,幫助我們在證券投資上做出投資決策。由于這種分類不是百分之百正確的,我們也不能完全依靠模型做出來的結果進行預測,還應根據其他指標,如,宏觀經濟與其他基本面的分析對股票投資進行分析。

五、結束語

篇（3）

兩屆金牛獎得主

資料顯示，本次建信基金獲譽“2010年度債券投資金牛基金公司”已是公司二度獲此殊榮，去年建信基金也曾摘得同一獎項，目前該公司是獲得此獎項次數最多的基金公司。

這一榮譽的獲得得益于建信基金在固定收益投資管理上的突出表現。銀河證券基金研究中心統計數據顯示，截止2010年12月31日，建信貨幣基金近三年的收益率達19.89%，在同類46只基金中位列第4位，持續良好的表現，使其曾連續兩次獲得 “開放式貨幣市場金牛基金獎”。建信穩定增利債券基金2010年凈值增長率超過10%，較之同期同類產品平均收益率高出約20%。建信收益增強債券基金2010年的收益率也超過9%，明顯高于同類產品6.36%的同期平均收益率。

偏股基金業績逆勢而上

近年來，建信基金不僅在債券投資方面表現出色，在偏股型基金的投資管理上也做出了較好的成績。WIND資訊的統計數據顯示，截至2010年底，建信基金主動投資股票型基金的過往投資業績在58家基金公司中排名第18，較2009年上升6個名次。

銀河證券基金研究中心的統計數據顯示，2010年建信基金管理公司旗下各偏股型產品均大幅超越了同期滬深300指數，其中建信核心精選基金2010年的凈值增長率為12.51%，在同類可比的167只基金中排29名。就長期業績而言，建信恒久價值基金自成立以來的累計凈值增長率為227.59%，被銀河證券基金研究中心評為四星級基金。

此外，2010年5月底成立的建信社會責任ETF及聯接基金也較好地把握了建倉時機。截至2010年12月31日這兩只基金分別取得了12.14%和7.60%的收益率。

高效的投研團隊

篇（4）

長期投資業績穩定

在股票投資方面，以該公司成立的首只基金建信恒久價值股票基金為例，截至3月19日，該基金今年以來實現了7%的凈值增長率，自成立以來的累計凈值增長率達到178.19%。而此次榮獲“三年期股票型金牛基金”獎的建信核心精選股票基金，其表現更令人驚艷，該基金成立以來取得了87.26%的累計凈值增長率，最近3年逆市實現13.78%的凈值增長率，在同類可比的390只基金中排名列入前10位。上述兩只基金均獲得上海證券基金評價研究中心五星評級。

在固定收益投資方面，曾榮獲“三年期債券型金牛基金”獎的建信穩定增利債券基金今年以來實現4.52%的凈值增長率，近3年則實現了21.60%的凈值增長率，在348只同類型基金中進入前5位。而成立以來更是獲得了49.46%的累計凈值增長率，同樣獲得上海證券基金評價研究中心五星評級。

建信基金屢獲殊榮不僅僅來源于上述幾只基金的靚麗出彩，更是源于公司整體投資業績長期的出現表現。海通證券金融產品研究中心數據統計顯示，2010～2012年，公司權益類產品投資業績呈逐年提升之勢，就3年業績而言，該公司則憑借持續穩健的業績表現列入業內前25%。固定收益類產品絕對收益更是以15.17%進入十強。

秉持價值投資理念

真正的、永遠的成功屬于那些首先努力建立思維模式格柵。然后學會以善于聯系、多學科并用的方式思考的人們。

——查理·芒格

成立近8年的建信基金管理公司，如何在持續低迷的市場大環境下取得優異的投資業績？又如何在強手林立的基金公司圈中得到業界的高度認可？在建信基金董事長江先周看來，是先進的企業文化起了作用。取得的成績和獲得的認可都不是結果，而是持續積累過程的一種外在表現。芒格所說的“思維模式格柵”，對建信基金而言，就是公司發展的“靈魂”——企業文化。

在建信基金成立之初，就確立了明確的企業文化，即以持有人“建設財富生活”為使命、以“持有人利益重于泰山”為核心原則，堅持“誠信、專業、規范、創新”的核心價值觀，為投資者創造穩定的回報，致力于成為“最可信賴、持續領先的資產管理公司”。簡言之，對建信基金而言，持有人的利益始終是最重要、最優先的。而這種企業文化也必然滲透到公司的投研業務中，并在公司的投資文化中打下鮮明的烙印，具體體現主要有以下幾點。

做真正的價值投資者

建信基金在投資理念上堅持“基本面驅動、研究創造價值”，這與建信基金企業文化一脈相承，也是建信基金能夠在長跑中勝出的決定性因素。只有長期穩健地取得良好的投資業績，才能真正實現對持有人利益的維護，而過往經驗證明，堅持價值投資，通過對基本面的深入研究，能夠創造出穩定可靠的投資收益。

建信基金在投資上并不追逐熱點，不過分看重市場短期的漲跌，而是真心沉下來做一個價值投資者，扎實研究基本面，建立起以價值投資為核心的投研文化。

穩定的投研團隊

基金公司最需要的是人才及有戰斗力的團隊。具有相對穩定性的投研團隊是基金管理公司做好資產管理、取得良好業績的必要條件。建信基金的企業文化和投資理念，受到一批具備多年從業經驗的資深基金經理的認可，并隨著公司的發展，通過以老帶新，互助互進，最終形成了現階段較為穩定的投研團隊。

團隊式投資管理體制能夠更好地抵御人員流動所帶來的風險，無論是基金個體，還是公司整體投資業績隨著明星基金經理離職而出現大幅下滑的風險都會明顯降低。

中長期的考核標準

建信基金在投資團隊的建設以及基金經理的培養上強調循序漸進，一步一個腳印。公司以中長期業績作為績效考核的標準，看重業績的穩定性、連續性，不對基金經理過分施加短期排名壓力，也不鼓勵基金經理為了追逐短期排名而去承擔過大的或者不必要的風險。

穩中求進的投資策略

在投資策略上，建信基金傾向于穩中求進。具體而言，在市場處于弱市的時候，建信基金的策略是“穩”，一旦市場的轉好，建信基金“進”的投資策略會有所表現。年年穩健的表現疊加起來，本質上就是一種進取的表現。建信基金這種“別樣”的進取方式，越來越給投資者留下深刻的印象。

嚴謹的投資管理流程

從上圖中可以看出，基金經理根據投資決策委員會的決策，構建投資組合、并負責組織實施、追蹤和調整，以實現基金的投資目標。研究部提供相關的投資策略建議和證券選擇建議，并負責構建和維護股票池。交易部根據基金經理的交易指令，進行基金資產的日常交易，對交易情況及時反饋。

企業的生存、發展和壯大乃至輝煌都離不開優異業績的支撐。建信基金的發展同樣如此，而締造優秀業績的正是以下這些“明星”。

個個都是“明星”

作為銀行系基金管理公司，建信基金繼承了其大股東建行在公司治理方面豐富的經驗和優勢，高度重視投資決策流程的制度化、規范化和科學化。經過幾年來不懈努力，逐漸打造出一支經驗豐富、凝聚力強、高度專業化的投研團隊，并不斷對其進行充實、完善。

建信基金不刻意塑造明星基金經理，而是強調“萬花齊放春滿園”。當投資團隊中的每一個成員都接受了共同的思維方式、價值取向和行為特征，并付諸投資中時，業績的取得自然水到渠成，基金經理也自然個個都成為了“明星”。我們特意展現了這些明星們的投資臉譜，以饗讀者。

王新艷

基金檔案

建信核心精選股票基金

基金類型：股票型基金

業績表現：最近3年實現13.78%的凈值增長率，成立以來取得了87.26%的累計凈值增長率。

所獲榮譽：2013年3月30日榮獲《中國證券報》等機構評選的“三年期股票型金牛基金”獎，上海證券基金評價研究中心五星基金評級。

保持投資業績的穩定性，平滑投資風險，是對持有人負責任的態度。如果說，基金是一輛通向財富終點的列車，業績優良且長期穩定的基金，就像是行駛平穩的列車，雖然速度不一定最快，但乘客在任何時點上車，都可以放心安全地通向目的地。而業績大起大落的基金，就像行駛速度忽快忽慢，時而發生故障的列車，雖然有時可以疾馳如飛，但如果沒有選擇合適的時點上下車，反而有可能與目的地背道而馳。對于持有人而言，基金僅僅在特定時間內取得良好的投資業績是不夠的，持續性和穩定性更為重要。

萬志勇

基金檔案

建信優勢動力封閉基金

產品類型：封閉式股票型基金

業績表現：近半年以來實現12.80%的凈值增長率，近3年取得了5.06%的凈值增長率。

所獲榮譽：2013年3月30日、2012年3月29日分別榮獲《中國證券報》等機構評選的“三年期封閉式金牛基金”獎、“2011年度封閉式金牛基金”獎。

始終堅持基本面會驅動股價，上市公司本身的價值才是帶來收益的根本。要把最核心的資產投向那些長期的、有基本面支撐的上市公司。因為從整體來看，有基本面支持的股票表現會更為出色。當然，不排除在個別的情況下，基本面好的股票表現也不盡如人意，基本面差的股票也會出現不小的漲幅。但基金做的是組合投資，而不是個別股票，在持倉的股票數量足夠多的情況下，基金整體必然會體現上述特征，即有基本面支持的股票整體表現更好，并且投資時間越長，這樣的組合的穩定性會越好。

鐘敬棣

基金檔案

建信穩定增利債券基金

基金類型：債券型基金

篇（5）

我國證券市場經過二十多年的發展，正在逐漸走向成熟，以股權分置改革取得成功為標志，我國證券市場步入了一個新的發展時期。近年來許多知名企業由海外市場回歸國內資本市場，我國關于資本市場理論的研究成果層出不窮，證券市場中出現了許多新事物，如股權分置改革及創業板的推出，金融危機爆發對全球證券市場的影響等，生機勃勃的金融實踐為證券投資學的發展提供了豐富的素材。基本目標是闡述證券投資基本理論與方法，要求學生掌握證券投資的主要分析手段與工具，理解證券市場基本功能和作用，了解現代證券投資理論的主要內容及發展趨勢；學會運用證券投資分析及投資策略來解決現實投資決策問題，并通過實踐教學檢驗來引導學生進行創新思維，使學生初步具備扎實的證券投資理論功底，能夠靈活運用理論進行證券投資決策，為其它專業課學習奠定堅實的基礎。基于此，我們的教學內容應立足于中國證券業發展的實際情況，借鑒發達國家成熟的證券投資理論，對證券投資基本知識進行了全面的闡述，同時注重反映該學科的最新理論成果和中國證券市場的最新發展，并針對證券投資實務性強的特點，加強實踐指導、案例教學，以期將理論教育與實際應用結合起來。

（二）充分發揮網絡優勢，使用多媒體教學軟件

為了培養學生就業后能夠盡快適應不同工作崗位的工作需求，我們提出了“厚基礎，寬口徑”的教學理念。隨之而來的是相應課時的壓縮與教學內容增加的矛盾，這就要求教師在課堂上能夠很好利用上課時間，如果教師在課堂上花費大量時間去板書和抄寫例題，無疑會浪費很多課堂時間，而多媒體教學軟件的運用大大緩解了這一矛盾。教師通過事先制作的多媒體課件，不僅能夠把許多相關理論知識串聯起來，更為重要的是能夠把很多抽象的圖表更清晰直觀地表現出來，也避免了學生要一邊聽講一邊又要忙著記筆記，提高了學生學習的積極性和學習效率。我們要求學生每天花十五到二十分鐘時間通過網絡瀏覽搜狐財經、新浪財經及和訊網等相關的財經資訊，使學生能夠及時了解相關政策實施與變動，分析其對證券市場的影響。

（三）注重多種教學方法使用，提升教學效果

證券投資學是實踐性、應用性很強的課程，為了加強學生的綜合分析能力和利用所學專業知識解決實際問題的能力，在教學過程中考慮采用多種教學方法和手段：對于一些難以理解的理論知識通過案例的搜集和分析，使學生能夠清楚其理論的背景和意義，采用模擬教學法能夠讓學生把很多復雜的例如股票上市程序、股票發行定價等很抽象的理論直觀地展示在學生面前，一方面激發學生的學習興趣，同時能夠很好地拓展學生的思維能力和歸納總結能力。我們在教學過程中有意識地安排學生以小組的形式去進行案例的搜集和整理，并在課堂上進行演示，由其他小組成員針對案例中提出的問題進行思考和質疑，最后由教師進行總結。這樣使得老師和同學及同學之間形成了良好的互動，極大地激發了學生的學習興趣，提高了學生分析問題和解決問題的能力。每學期我們都會組織學生去證券營業部去參觀學習，一方面能夠使同學們盡快熟悉證券交易的程序與交易規則，使學生能夠親身體驗證券交易的場景，其次通過與證券營業部從業人員與股民的交流，讓同學能夠進一步加深對證券投資的直觀感受。

（四）不斷完善實踐教學環節

證券投資分析涉及到經濟學、金融學、會計學等多種學科的理論知識，是對各種理論知識的一種綜合應用，學生如果能在證券投資實際操作中接受有關投資理論教育，有助于學生認識和把握證券投資相關理論和投資實踐。實踐教學是證券投資學課程教學的重要環節，通過模擬實驗，學生不僅能夠容易了解證券投資分析技術的基礎理論，也能夠掌握相應具體的證券投資分析技術手段，有利于學生學習和接受新的知識，有利于教師改進教學方法和教學手段，提高教學水平。我院于2008年購買了世華財訊投資模擬軟件及“大智慧”行情分析系統，并建立了證券投資模擬實驗室，通過實踐操作，使學生對證券投資產生興趣，熟悉證券交易規則和程序，掌握基本投資方法。我們要求學生在上課前有意識瀏覽相關的財經資訊，并要求學生能夠對證券市場產生影響的相關政策法規進行歸納整理，以小組的形式進行匯報；同時利用世華財訊的股票投資模擬系統進行股票投資模擬操作，其股票模擬操作系統完全與上海和深圳證券交易系統同步，在學生了解和熟悉投資模擬軟件的交易程序和交易規則后，我們會給每位學生分配一定數量的資金，要求學生在規定的時間內進行股票投資交易，在課程結束后提交投資模擬心得體會。為了提高實踐教學的效果，我們在校內外選聘了具有扎實的專業知識和有豐富的實踐經驗的教師擔任實踐教學指導教師，并進行相關專業知識的培訓及講座。近年來一直與國泰君安公司與證券營業部建立了良好的合作關系，通過定期不定期的聘請相關人員來我院授課，開展講座，并在每學期組織學生去證券營業部參觀、學習，使學生對證券交易的流程有了清楚地了解。我們連續幾年與宏源證券石河子營業部合作舉辦股票交易模擬大賽，并對成績優異的同學給予物質和精神獎勵，極大地激發了學生的學習興趣與學習熱情。我院學生在全國大學生股票投資模擬大賽中也取得較好的成績。

篇（6）

引言

近年來，隨著中國藏品熱和我國政府關于藝術品交易政策的改變，中國已經取代美國成為世界第一大藝術品交易市場。2010年7月，深圳文化產權交易所推出了“深圳文化產權交易所1號藝術品資產包”，這是國內外首次出現的“權益拆分”投資模式，即藝術品股票。自此藝術品股票作為一種新型的金融產品越來越受到人們的關注［1］。由于藝術品股票價格受多方面的影響，尤其是藝術品交易市場相對于股票市場來說莊家的影響更大，所以需要尋求更為有效的方法來對藝術品交易市場進行預測。在藝術品股票市場，每天都會產生海量的交易數據，這些數據雖然存儲在數據倉庫中，但是并沒有得到有效的利用。通過數據挖掘技術分析股票市場數據，投資者可以從中得出有效的投資信息，并綜合分析利弊以后做出投資決策，提高投資收益率。一般來說，數據挖掘是指從數據庫或數據倉庫中發現隱藏的、預先未知的、有趣的信息的過程［2］。在國內，臺灣義守大學陳慶翰開發了MIAT仿生物智慧股票預測系統，該系統是一個可以建立自我學習、自我組織、自我調節、自我改善的高度自主性智慧型系統［3］。國內還有許多著名的學者在股票預測方面做過大量的工作。國際方面，Mor-gan、Stannlog等人已經開發了AI(AutomatedInvestor)系統，該系統通過采用聚類、可視化和預測技術來尋求最佳投資時機［4］。本文致力于通過關聯規則算法獲得藝術品股票之間的關聯關系，如“在某個時間段X范圍內，藝術品股票A和B價格上漲時，有80%的情況下，股票C的價格也會隨之上漲”。這樣，就可以對投資者有一定的借鑒意義，防止被套牢。

1關聯規則介紹

1．1算法思想假設有多個購物籃，每個購物籃是由多個項組成的集合(即為項集itemset)，那么一個在多個購物籃中出現的項集稱為“頻繁”項集。定義1支持度:如果I是一個項集，I的支持度(sup-port)指包含I的購物籃的數目，此時定義一個支持度閾值(supportthreshold)s，如果I的支持度不小于s，則I為頻繁項集。定義2置信度:Ij的置信度即為集合I∪{j}的支持度與I的支持度的比值。顧名思義，置信度即為得到的規則的可信任程度。AGRAWALR和SRIKANTR于1994年提出了Apriori算法，該算法是關聯規則挖掘的最有影響的迭代算法［5］。設Cm為大小為m的候選項集集合，Ln為大小為n的真正頻繁項集集合。Apriori算法是將候選項集不斷過濾，得到頻繁項集，再將頻繁項集進一步過濾，得到新的頻繁項集，如:首先找到“1項集”的集合，再將其支持度與支持度閾值相比較，過濾得到頻繁“1項集”，記作L1，再將其進行組合，得到“2項集”，再將其支持度與支持度閾值相比較，過濾得到頻繁“2項集”，記作L2，以此類推，直到找到最終的頻繁項集。具體步驟如圖1。1．2算法實例表1為某商場9天內的商品交易情況，設定支持度為2置信度為80%。利用Apriori算法尋找所有滿足條件的關聯規則的過程如圖2所示。接下來四項集只有{I1，I2I3，I4}，且其支持度為1，小于支持度閾值，故{I1，I2，I3，I4}不是頻繁項集。由以上步驟可得:最大的頻繁項集為{I1，I2，I3}{I1，I2，I4}。關聯規則產生步驟如下:(1)對于每個頻繁項集l，產生其所有非空真子集;(2)對于每個非空真子集s，如果其置信度不小于最小置信度閾值，則為強關聯規則。經計算，強關聯規則為I4I2和I1＆＆I4I2，置信度均為100%。

2改進的關聯規則挖掘算法

在關聯規則挖掘算法中，經典的Apriori挖掘算法是通過項目集數目不斷增長來得到所有的頻繁項目集的，即先產生頻繁“1項集”，再產生頻繁“2項集”，直到頻繁項目集中的元素不能擴增為止。傳統的Apriori算法有兩個瓶頸:(1)需要多次掃描數據庫，對于候選項集Ck，需要掃描k次數據庫來確定其是否為頻繁項集，是否可加入Lk;(2)由于頻繁“k－1項集”產生候選“k－1項集”是將頻繁項集中的元素進行組合得到，呈指數增長，這將產生大量的頻繁項集，從而產生大量的關聯規則［6］。這兩個瓶頸明顯降低了算法的效率。因此，在傳統關聯規則算法的基礎上，本文提出Apriori算法的改進算法，即Partition算法。由于Apriori算法需要對數據庫進行多次掃描，這個過程非常繁瑣，可以將數據庫邏輯性地分成幾個互不相交的塊，即分而治之。Partition算法步驟如下:(1)每次都只針對單獨一個分塊，其中分塊的大小要保證可以放入主存，每個階段秩序被掃描一次，而算法的正確性是由每一個可能的頻集至少在該分塊中是頻集保證的。利用Apriori算法產生它的頻繁項集。(2)把所有分區產生的頻繁項集合并，生成候選項集，掃描整個數據庫，計算這些項集的支持度，最終得到全局的支持度不小于支持度閾值的頻繁項集。該算法流程如圖3。Partition算法共掃描數據庫兩次。第一次掃描是對數據庫進行分塊，找出各塊的頻繁項集，即局部頻繁項集;第二次掃描數據庫是求候選集的支持度，用以計算全局頻繁項集。相對于傳統Apriori算法，Partition算法全程只掃描兩次數據庫，大大減少了I/O操作。由于Partition算法是并行計算，同時對各個分區進行求頻繁項集的操作，大大提高了算法的效率。Partition算法是高度并行的，即把各個分塊的處理分配給不同的處理器來產生頻繁項集，在每一個循環結束之后，各個處理器之間會進行通信，以產生全局候選項集。

3關聯規則在股票方面的應用

在文化藝術品交易市場，每天都會產生大量的交易數據，利用數據挖據技術對股票市場的股票價格以及股票的走勢進行預測，通過運用關聯規則技術對藝術品股票市場進行分析，為投資人提供較為準確的預測結果，防止投資者盲目投資［7］。本文選擇了某藝術品股票交易市場2016年1月～5月幾個月的交易數據，以此為依據進行股票關聯規則挖掘。選取其中6只股票并分別記為A、B、C、D、E、F。然后對股票進行預處理，如果某天A股票上漲，則記為A0，若下跌則記為A1，其他股票同理。部分股票數據如表2所示。運用Apriori算法的改進算法———Partition算法進行關聯規則挖掘，在實驗中，設定支持度為60，置信度為70%，得到如表3所示挖掘結果。

篇（7）

二、我國養老保險基金各組成部分的投資運營現狀

我國養老保險體系由基本養老基金、個人賬戶基金、企業年金和全國社會保障基金四部分組成。在基本養老保險基金方面，《中國統計年鑒2010》的數據顯示，2009年的基本養老基金收入為11490．8億元，結余從1995年的429．8億元增加到12526．1億元。但是這部分基金是國民最基本的養老保障，所以國家規定這部分基金在留足兩個月費用后，結余部分只能存入銀行或購買國債。然而如果嚴格執行這種規定，以一年期銀行存款利率作為銀行存款收益率(若有利率調整，則以天數為權重進行加權平均)、以五年期國債票面利率作為國債收益率來計算養老基金的投資收益率，在排除通貨膨脹影響的情況下，基本養老基金的投資收益從2004年開始就進入了負增長階段。2004年一年期存款利率為2．03%，五年期國債票面利率為3．06%，通貨膨脹率為3．9%;2008年的一年期存款利率為3．93%，五年期國債票面利率為5．98%，通貨膨脹率為5．9%;2010年一年期存款利率為2．28%，五年期國債票面利率為2．53%，通貨膨脹率為3．3%①。基本養老金產生了嚴重的縮水現象。個人賬戶基金方面，由于我國養老保險制度從國家統籌現收現付制模式向統賬結合模式轉變過程中，為填補當年養老金發放空缺，過多地使用了個人賬戶基金，導致個人賬戶基金積累的名存實亡，造成嚴重的“空賬”運行問題。為緩解這一突出問題，我國自2000年開始推行“做實個人賬戶”改革，并取得了一些成效。2010年5月6日全國社保基金理事會公布的年度報告顯示，個人賬戶空賬運行問題已得到了初步緩解，2009年末個人賬戶基金增至439．59億元②。目前這部分基金以及中央財政對個人賬戶的補助基金都交予了各地區社保基金理事會投資運營，其投資收益率和社保基金的收益交融在一起。根據數據分析，個人賬戶基金的投資管理成效并不樂觀，上海市的平均實際收益率僅為0．22%，其他省份可見一斑。所以，如果延續現在的個人賬戶投資管理模式，個人賬戶基金很難達到保值增值的效果。近年來企業年金規模的發展也不容小覷，企業年金已經從2000年的191億元增值到目前的2525億元，在過去四年平均每年增加461億元。據專家預測，到2030年我國養老基金總規模有望達到15萬億元，屆時中國將成為世界第三大企業年金市場③。企業年金作為補充性養老保險基金，對安全性和流動性的要求較之基本養老基金略低，投資限制相對較小，相關文件也將企業年金的投資運營權交予了各地社會保險經辦機構或企業自身，資金的投資方向也有所放松，允許購買保險公司的團體保單、委托信托證券公司等機構投資于流動性良好、風險較低的金融產品，這就有助于充分利用投資組合提高投資收益水平。然而現實情況是:目前我國企業年金的銀行存款和國債占總投資額的80%以上，投資于金融產品的基金份額還不足20%，嚴重制約了企業年金投資收益的提升。據統計，企業年金的平均收益率2000年只有2．79%，中部地區還不足1%;雖然從2006年第四季度開始，企業年金的投資收益率有增長的趨勢，甚至在資本市場一片大好的2007年達到24．5%，但受金融危機沖擊，2008年又下滑到－1．83%。這也說明企業年金投資受市場波動影響較大，雖然多元化投資有利于實現養老金的保值增值，但目前缺乏良好的風險規避機制，極易引起收益大幅波動。全國社保基金是為了應付老齡化高峰的挑戰、填補當期養老金支付缺口而存在的，這部分基金的支出比例較低，大部分用于積累，這一特點使其有利于進行長期投資。全國社保基金在2010年已增至6927．73億元，其投資政策相對寬松，投資渠道除了債券、銀行存款和股票外，還包括資產證券化產品、證券投資基金、各種金融衍生工具以及海外投資等。隨著多元化投資策略的實施，全國社保基金的收益也不斷提高，特別是投資環境較好的2007年，投資收益率高達38．93%，收益額為1129．2億元。同時我們必須認識到，相對于發達國家，我國社會保障基金的投資收益率還是偏低，離支付壓力的增加所要求的收益率水平還有一定差距，而且我國養老金投資受資本市場波動性的影響過大，必須找到合理的規避市場風險的投資組合和投資工具，才能更好地實現養老基金規模的穩步增長。總體來看，目前我國養老基金運營管理模式在保障養老基金安全性和流動性方面取得了一定成效，但與國際收益水平相比還相差甚遠，而且跟不上我國經濟發展步伐，沒能充分享受我國整體經濟增長所帶來的成果。根據蔣斌等人的研究，只有養老基金賬戶長期收益率不低于長期通貨膨脹率與工資增長率之和時，才能使個人賬戶達到理論上設計的28%的替代率或支付額度，目前的收益顯然達不到。而且目前的經濟形勢和人口老齡化帶來的沖擊迫使養老金采取能帶來更高收益率的投資手段，以保證未來的支付能力。由于我國資本市場尚不成熟，投資環境尚不規范，急需建立有效規避風險的投資機制，找出有效的投資組合和資產配置比例。

三、利用多目標投資組合模型分析養老金投資組合管理模式

養老基金投資組合的建立必須遵守安全性和流動性的基本原則，同時兼顧收益性和社會效益。本文以這三種投資工具為分析對象，建立投資組合模型，分析不同投資比例下養老基金的投資收益和面對的風險。

(一)指標的選取和計算

考慮到養老金投資注重長期收益的特點，本文選用1998年至今13年的數據。以一年期存款利率作為銀行存款收益率，年內有利率調整的，以天數為權重進行加權平均。以五年期國債的票面利率作為債券收益率。股票收益率的確定以上證綜合指數和深證綜合指數為計算依據，采用多期加權平均的方法:先利用每天的收盤價計算環比增長率，然后相加得出當月股票收益率，依據每月的股票收益率計算每月的環比增長率，然后計算上證綜指和深證綜指的股票年收益率。截至2011年3月18日，根據上海交易所公布的滬市證券總市值為188783．67億元，深證交易所公布的深市總市值為90627．24億元，所以滬市和深市的股票收益率再以0．676和0．324為權重進行加權平均，最終得出股票的投資收益率。然后利用SPSS軟件對三種投資工具的投資收益率進行分析，得出三類投資工具的平均投資收益率、方差、標準差，如表1所示。對三種投資工具進行相關性分析，得出數據如表2所示。可知銀行存款投資收益和國債投資收益正相關，和股票投資收益率負相關;國債投資收益和股票投資負相關。

(二)建立多目標投資組合模型

篇（8）

股票投資評價資料獲取渠道

一是網站和專業報紙、雜志公開的上市公司基本面信息和財務面資料；二是通過實地考察獲取最有價值的上市公司基本面和財務面資料。

上市公司基本面分析

（一）行業風險和企業經營環境分析

1．社會、人口和技術變化分析：（1）消費群體狀況的影響：人群年齡結構、文化結構、開放程度和收入水平對企業產品的需求敏感性分析；（2）國際政治關系的影響；（3）環保等社會意識對行業的影響；（4）技術進步對行業的影響（一般較大）。2．行業發展與經濟運行周期的相關性：主要分析行業未來發展狀況與未來國家及區域經濟運行態勢的相關度，以及是否符合國家乃至地方的產業政策，國家產業政策即經濟制度安排，在社會資源配置的條件和實現的可能性等方面，直接決定著企業的未來發展空間。3．行業的周期性分析：根據行業發展周期，分析行業的成熟程度，飽和度以及所處的發展階段，包括初創期、成長期、成熟期、衰退期。4．行業的競爭性分析：主要分析行業內的競爭程度，企業在行業內所處的地位以及競爭優勢、劣勢等。5．行業的盈利性分析：主要考察企業所處行業的平均利潤率，從而推斷企業的利潤水平。6．行業的進入壁壘：分析行業進入的難易程度，判斷新競爭者加入的可能性，從而預測行業未來的競爭程度。7．行業的法律和政策環境：主要考察行業發展的法律及政策環境，法律和政策的穩定性，有無對行業發展產生不利影響的因素。

（二）企業競爭力分析

1．管理團隊素質。從企業法定代表人和主要管理人員的個人背景、從業經歷、經營業績、信用記錄、實干能力等方面出發，判斷企業管理團隊是否具有豐富的管理經驗和較高的管理水平、顯著的歷史經營業績、良好的信用記錄和社會聲譽等，由此評判企業主要經營管理人員的管理素質。

2．企業員工隊伍素質。主要考察被擔保企業員工隊伍結構（包括業務技術結構、文化層次結構、年齡結構）和技術素質（主要考評勞動者的敬業精神和實際操作能力）。

3．產品、市場與銷售預測分析。主要從產品的特點、技術含量，產品細分化程度，產品可替代性、產品的生命周期、產品的品牌知名度、產品在市場上的競爭能力、市場分布狀況、主要市場份額，市場營銷及市場拓展能力、營銷隊伍的素質和穩定性、銷售網絡的穩定性，市場的未來變動趨勢，對主要客戶和供應商的依賴程度，其生產成本的優勢及市場議價能力，以及對主要競爭對手等方面加以分析。對企業產品的銷售預測除了基于對其市場需求的準確了解以及對企業的市場營銷能力、營銷網絡的分析外，更重要的是基于對企業以往的銷售歷史記錄和未來銷售合同的分析，同時還應對企業的銷售運作模式和結算方式進行分析，這也是預測企業未來現金流量的主要依據。

4．技術裝備水平和生產能力分析。技術硬件包括機械設備、單機或成套設備、基礎設施等水平，主要從設備先進性、適用性、設備成新度三方面考察；軟件部分主要考察企業生產工藝技術的先進性和成熟度，規模化生產的成熟程度以及市場的成熟度。一般應從以下幾個方面來分析。（1）技術來源：主要核實企業的技術是否具有自主知識產權，判斷技術的相對壟斷性和穩定性；（2）技術研發能力及發展潛力：主要考察研發人員的素質及企業技術的后續儲備發展潛力；（3）科研條件和技術市場優勢：考察企業科研投入、科研環境以及技術的市場需要程度、市場競爭力和應用范圍。（4）生產者的操作技術和熟練程度等。（5）同時應注重設備的綜合利用程度，是否能夠科學、有效、合理使用設備，是否最大限度地發揮了設備的生產能力。對企業生產能力的分析可以使業務人員了解到企業所預測的銷售收入是否與其實際生產能力相匹配，其生產設備以及工藝技術、原材料供應是否能夠保證銷售合同的順利完成。

5．經營戰略分析。財務報表分析的一個重要始點，它可以有助于確定企業的利潤動因和主要風險，進而據此正確評估企業經營的可持續性，使評估人員能夠在一個高質量的水平上探查企業的經濟狀況。主要包括企業產品市場定位，市場營銷策略，技術發展戰略，財務目標、舉債策略、投資及收購計劃，企業與其他企業競爭策略，企業發展方向等方面分析。

6．成本控制和成本降低能力。主要從企業的成本控制系統的組成（組織系統、信息系統、考核制度和獎勵制度）和成本控制的基本原則著手分析。前者主要觀察企業是否建立起成本中心、利潤中心和投資中心的責任和控制范圍；后者則主要看領導推動、全員參與情況以及經濟原則的貫徹情況。7．企業基礎管理水平。主要考評企業內部組織結構是否合理，各項管理規章制度是否健全，生產現場是否整潔，物流是否通暢，生產及管理效率是否高效，質量認證情況。

上市公司財務面分析

篇（9）

基金項目：黑龍江八一農墾大學研究生創新項目（項目編號：YJSCX2014-Y36）

中圖分類號：F83 文獻標識碼：A

收錄日期：2014年12月12日

一、引言

隨著資本市場不斷發展與完善，目前共有二千多家上市公司在滬深兩市掛牌交易。面對紛繁復雜的交易信息和多元化的投資策略，處于劣勢地位的廣大投資者如何在瞬息萬變的股市中選擇高價值的上市公司進行投資成為廣大市場參與者及國內外學者研究的熱點問題。作為投資價值理論的創始者，本杰明?格雷厄姆于1929年提出了基于安全邊際原則的投資理念；而巴菲特對投資價值理論的成功實踐則掀起了投資價值的研究熱潮。

針對投資價值的分析方法，學者林斗志（2003）通過運用統計分析的方法指出我國股票市場不穩定需要進行理性投資。費斯?邁克爾（2005）則引入了層次分析法來分析上市公司在財務方面的投資價值。任福軍（2005）通過引入因子分析法來研究其在證券行業投資價值評價中的有效性。張蕾（2007）則指出將層次分析法與因子分析法結合運用能更好的反映上市公司的內在價值，這有利于對投資者進行投資決策提供指導。

針對投資價值選取指標的研究，孟贊提出運用凈資產收益率、每股收益、市凈率、市盈率、產權比率這五個關鍵財務指標來反映公司的價值，以達到為投資者提供投資決策的目的。劉強、趙振全（2004）則進一步擴展指標，通過建立全面反映上市公司股票投資價值的指標體系對股票的相對投資價值進行分析。

投資價值分析還應結合行業的適用性來研究，李立輝（2002）通過對各行業的投資價值進行研究，得出各行業投資價值的綜合評估排序，并指出不同行業的投資價值不同。隨后，孫美、劉亞萍（2008）明確指出應區分不同行業來分析上市公司的投資價值才更具可比性。

總的來說，國內外關于上市公司投資價值的研究較為廣泛，許多學者在分析需區分行業進行研究方面達成一致，但大都集中在財務層面進行研究，并且研究方法存在一定的主觀性。

基于此，本文將投影尋蹤模型引入上市公司內在價值的量化評價領域克服了評價中存在的主觀性問題，并構建基于BSC的財務層面、顧客層面、內部流程層面及學習與成長層面的綜合指標體系，同時剔除了不同行業評價指標的偏差性，本文選擇信息技術行業為研究對象進行投資價值的實證研究。

二、研究設計

（一）運用投影尋蹤進行優序排列。投影尋蹤是一種被用來分析和處理高維度數據的有效方法。Kruscal首先使用投影尋蹤將高維度數據經過某種組合后投影到低維空間上，并通過一系列計算，極大化反映數據聚類程度的指標，從而得到反映高維數據結構特征的最優投影。相比傳統的方法，投影尋蹤分析法對數據的特征或結構沒有任何條件的限制，而且能夠直接觀察數據的優點，并能夠有效地排除專家判斷的主觀性，有利于提高綜合評價的可靠性與準確性。因此，本文運用投影尋蹤模型來計算代表上市公司內在價值的綜合得分并進行排名。

（二）評價指標的選取。本文考慮信息技術行業的獨有特征，根據平衡積分卡的原則來構建指標進行實證研究從而量化上市公司的內在價值。

1、財務層面指標的選取。從反映信息技術行業上市公司內在價值的角度出發，選取公司的盈利能力、發展能力、營運能力、償債能力來反映其內在價值在財務層面的體現。其中，選取銷售凈利率、凈資產收益率作為反映盈利能力的指標；發展能力指標則選取總資產增長率；流動資產周轉率則反映上市公司運營能力；最后，選取流動比率反映公司的償債能力。

2、顧客層面指標的選取。顧客的滿意程度對企業來說具有重大的意義，企業在顧客層面的指標則以新增顧客獲得率和顧客保持率為代表。

3、內部流程層面指標的選取。內部流程層面則選取銷售費用率來代表企業內部對銷售的重視程度，此外選擇R&D投入回報率及R&D占比來反映企業內部流程中對研發的重視，最后選擇存貨周占率來觀察企業內部存貨的積壓程度、內部的周轉情況。

4、學習與成長層面指標的選取。信息技術行業需要不斷改進現有產品和程序，引入新產品，才能適應激烈的市場競爭。公司學習和成長的能力是與公司價值直接相連的，只有加強學習與成長能力企業才能創造更多的價值。因此，要調動員工的創造力實現企業的目標企業必須重視員工的學習與成長。本文選取員工平均生產能力、本科及以上人員占比、技術人員占比及員工股票期權占比來反映企業內部員工的能力、員工質量、信息系統能力及員工保留保持率。

（三）內在價值評價指標體系。（表1）

三、實證分析

（一）樣本選取與來源。本文以滬市A股信息技術行業上市公司作為研究對象，樣本選取的主要約束條件有：2013年上市；目前狀態為正常上市；財務及非財務數據資料完善。最終獲得33家信息技術行業的上市公司。數據源于國泰安數據庫和上市公司年報。

（二）模型解析。運用投影尋蹤模型來量化上市公司內在價值，通過計算得出最佳投影方向：a*=（0.2134，0.0420，0.0565，

0.3094，0.0650，0.3133，0.3122，0.3227，0.0332，0.3746，0.2807，0.1541，0.1561，0.3586，0.3909）。根據投影尋蹤模型計算出的最佳投影方向結果，可以得到各個二級指標對上市公司內在價值評價結果的貢獻率。（圖1）

由圖1可知，二級指標對上市公司內在價值的影響程度從大到小依次如下：授予員工股票期權占比、R&D占比、技術人員占比、銷售費用率、新增客戶獲得率、客戶保持率、現金比率、存貨周轉率、銷售凈利率、本科及以上人員占比、員工平均生產能力、總資產增長率、流動資產周轉率、凈資產收益率、R&D投入回報率。

根據圖1所得的二級指標貢獻率，進一步計算得到一級指標的貢獻率，如圖2所示。（圖2）

由圖2可知，一級指標對上市公司內在價值貢獻率大排序依次為：內部流程層面>學習與成長層面>財務層面>顧客層面。因此，企業不應該像過去一樣只注重財務績效，企業應該關注更多的非財務層面的影響因素，加強企業內部的流程建設，同時注重企業自身的創新與學習以給企業注入源源不斷地活力。此外，企業在顧客層面應該加強管理。

根據a值，進一步求得不同密度下綜合評價投影值z10*（j）=（0.6500，0.6103，0.4256，0.8659，0.8650，0.7863，0.8523，0.9449，

0.8517，1.1229，1.0526，1.2330，0.7808，0.6494，0.9795，0.8977，0.5382，0.9997，1.2983，0.9885，0.9974，0.3568，1.0108，0.7008，0.9769，0.5764，0.5656，0.8278，0.5805，0.9787，1.5000，0.6152，1.6796）。根據投影值的大小，可得出33個樣本的排名，即信息技術行業上市公司內在價值綜合排名情況，如圖3和表2所示。（圖3、表2）

四、結論

本文通過對信息技術行業上市公司的內在價值進行研究得出如下結論：采用平衡計分卡比采用單一的財務層面的指標具有更高的解釋能力，通過平衡計分卡來分析上市公司的內在價值有助于了解企業價值創造的來源；平衡計分卡四個層面對企業價值都有顯著的影響力，不可偏廢；將投影尋蹤模型應用于上市公司內在價值評價領域，克服了傳統方法數據分辨精度不高和評價結果離散性不強的困難，從而使得到的上市公司內在價值排名結果更為客觀準確；運用投影尋蹤得出的各一級指標貢獻率可知內部流程層面、學習與成長層面是信息技術行業上市公司內在價值的主要影響因素，投資者在進行投資時應著重考慮這些方面。

主要參考文獻：

[1]瑪麗?巴菲特，戴維?克拉克等.巴菲特教你讀財報[M].北京：中信出版社，2009.

[2]林斗志.價值投資在我國股市表現的實證分析[J].財經科學，2003增刊.

篇（10）

一、引言

適時開展股指期貨交易具有重要的意義：為投資者開辟了新的投資渠道，進一步推動投資理念的轉變；創造性地培育機構投資者，改變投資者結構；回避股市系統風險，促進股價的合理波動，充分發揮經濟晴雨表的作用；深化資本市場改革，完善資本市場體系與功能，等等。但是，股指期貨也有其風險，保證金機制所產生的杠桿效應、每日結算制度帶來的資金壓力以及期貨高于現貨市場的敏感性，都給投資者造成了看得見的風險與壓力，它為投資者“以小博大”提供可能的同時，投資風險也被同步放大。

2007年10月底，中國證監會主席尚福林指出，中國股指期貨在制度和技術上的準備已基本完成，推出的時機正日趨成熟。一段時間以來，只聞樓梯響，不見人下來。股指期貨吊足了各路投資者的胃口，他們歷兵秣馬對股指期貨充滿了期待，期待在將來的股指期貨交易中一顯身手賺得個盆滿缽滿。在股指期貨何時推出仍然懸而未決的時候，正是繼續做好投資者風險控制教育的有利時機。

二、股指期貨風險何在

股指期貨作為金融衍生品的一種，風險規模大、涉及面廣，具有放大性、復雜性、可預防性等特征，股指期貨使價值投資理念得到弘揚，市場穩定性提高，但是，投資者投資方向一旦出現錯誤，風險會成倍放大。對于股票投資而言，三四個跌停也許并不會使持有者陷入絕境，但對于股指期貨，10％的升跌就會將保證金全部蝕光，滿倉操作更有“暴倉”的危險。概括起來，股指期貨風險成因主要有以下幾個方面：

1.基礎資產價格波動。期貨市場的投資機會是買賣期貨合約的獲利機會，市場機會的把握是投資成功的關鍵，但是機會是市場預期、分析、判斷的產物，存在著不確定性。股指期貨作為指數的衍生品與股票市場有著天然的密切聯系，相互影響、連鎖反應，股票指數的漲跌決定股指期貨的贏虧，股指期貨發揮著指引股指現貨的價格發現功能，也可能使股票市場波動增大。

2. 杠桿效應。股指期貨將以滬深300指數為交易標的，假設股指期貨的保證金為合約價值的10%，投資者投資500萬元的股指期貨，只需50萬元的保證金。如果看對了方向，當指數上漲5%時，他的盈利為25萬元；同理，如果判斷失誤，其虧損也會放大10倍，它在放大盈利的同時也放大了虧損，這種以小博大的高杠桿效應是股指期貨市場高風險的主要原因。而且這種虧損和股票的浮動盈虧不同，是真金白銀的實際進出，一旦被強行平倉，投資者不可能像股票那樣通過長期持有獲得“解套”。

3.高流動性。股指期貨設立的初衷是為了規避現貨市場的系統風險，但是，作為一種風險管理工具，它有著不同于現貨交易規則的高流動性，具體表現在，一是參與機構眾多；二是T＋0的交易制度和保證金制度，投資者可以用少量資金在當日多次交易數倍于面額的合約，再加上期貨交易實行每日無負債結算，一旦方向做反，稍大的價格波動就可能招致強行平倉，一次虧損就會將以前的盈利和本金消耗殆盡；三是作為期貨產品的時間概念與股票不同，一般持有5天以上即算長期，持有期的縮短必然使交易更加頻繁。

4.市場風險。股指期貨業務中市場風險來源于它的不確定性，因為任何分析都只是預測，存在著與市場價格偏移的可能性。期貨交易是一一對應的零和規則，即市場存在多少買方合約就存在多少賣方合約，如果市場中持有合約的買方賺了錢，那么持有合約的賣方肯定就賠了錢，反之亦然。投資者在每一次交易中，不是充當買方就是充當賣方，交易結果除了賺錢就是賠錢，概莫能外。也就是說，期貨交易買賣雙方必有一方賺錢，一方賠錢，這是機會和風險并存的客觀原因。

5.機制不健全帶來的風險。如果股指期貨市場管理法規和機制設計不健全，可能產生流動性、結算、交割等風險，在股指期貨市場發展初期，可能使股指期貨與現貨市場間套利有效性下降，導致股指期貨功能難以正常發揮。小而言之，有的機構不具有期貨資格，投資者與其簽訂經紀合同就不受法律保護；某些投機者利用自身的實力、地位等優勢進行市場操縱等違法、違規活動，使一些中小投資者蒙受損失；投資者在一些經紀公司或者公司簽署合同時，由于不熟悉股指期貨各個環節的流程，不熟悉相關法規，對于那些欺詐性條款不能識別而導致風險。

三、加強風險控制教育

股指期貨的投資理念、風險控制、交易標的、風險特征和運行規律等方面有著自己的特點，大力開展投資者教育和股指期貨知識宣傳、普及，有利于幫助投資者盡早熟悉市場、增強風險意識、提高投資決策水平；有利于投資者樹立科學的投資觀念，理性參與市場。

1.明確游戲規劃。股指期貨投資者教育工作效果的好壞，將直接關系到股指期貨產品能否順利推出、平穩運行、功能發揮、長遠發展，投資者風險控制教育以及股指期貨知識的普及是一項系統工程，需要監管部門、媒體和各相關機構的共同努力。中國金融期貨交易所制定了“一規則三細則五辦法"，明確了股指期貨的風險管理制度和實施辦法，這是股指期貨的基本原則及操作指南，首要的任務是要宣傳、普及這些規則、細則、辦法。除了可以利用電視、報紙和網絡等大眾媒體加以普及，也可采取成立培訓講師團、編印各種基礎知識讀本等形式，開展多層次、全方位的宣傳教育，避免期貨經營機構和投資者在對市場缺乏基本判斷，對市場風險缺乏基本了解的情況下盲目參與。

2.突出風險教育。投資者在依據預測提供的入市機會進行交易時存在交易風險，期貨交易機會和風險并存是客觀存在的。但是，一些投資者在入市之前不能正視期貨交易的風險，熱衷于期貨交易“以小博大"的市場機制，這需要在投資理念和輿論宣傳等方面積極加以引導，幫助他們認識金融期貨的特點，客觀評估各自的風險承受能力，從而做出科學理性的投資決策。

3.培養理性投資群體。把握機會是獲取收益的前提，控制風險是獲取收益的保證，投資收益實際上是把握投資機會和控制投資風險的報酬，面對機會和風險，不同投資者會做出截然不同的選擇。有些投資者缺乏期貨交易的常識和風險控制意識，喜歡聽信傳言跟風而動；有些投資者缺乏自信，在“一慢，二看，三通過"中失去了市場投資機會；有些投資者見漲就買，見跌就賣，一旦出錯，就立即砍單，習慣過度交易，熱衷于短線交易和滿倉交易，沒有止損概念，這些非理性投資群體將是期貨市場的失敗者。風險控制教育的目標是要培養一批理性投資者，他們對風險投資和資產管理有清晰的認識，面對市場機會和市場風險頭腦清醒，習慣于從風險的角度來考察和選擇市場機會，每一次交易都能經過縝密的分析、事后又善于總結經驗教訓，他們也會在某次交易中失手，但是，他們往往能夠笑到最后，成為股指期貨市場上的贏家。由眾多理性的投資者組成的市場才是理性的市場。

4.注意教育的針對性與實效性。風險控制教育既要宣傳投資機遇，更要告知市場風險；既要普及證券期貨基礎知識，又要培訓風險控制能力；既要明確金融期貨的重要作用和發展前景，又要正確面對可能遇到的困難和挫折。以風險防范為重點，深入剖析股指期貨的風險特征，使投資者獲得啟發和教益。初期可將工作重點放在基礎知識、法規政策、交易流程、風險特征等基礎知識的普及上，隨著投資者對股指期貨市場的逐漸熟悉，可以將培訓工作逐漸過渡到交易策略、風險管理和市場研究分析等領域。股指期貨對內地投資者來說是一個新生事物，但是國外的期貨市場大量的風險投資案例給我們提供了豐富的素材，從中選取典型案例教育投資者，是一種事半功倍的方法。

加強風險控制教育，不僅能夠普及股指期貨知識和相關政策、法規，提高全社會對期貨市場的認識，更重要的是，風險控制教育能夠使投資者、期貨從業人員樹立正確的投資理念，倡導理性參與的意識，為股指期貨的成功推出和平穩運行創造條件，為期貨市場的長遠發展奠定基礎。

四、提高風險自我控制能力

股指期貨在交易規則、方式、投資策略等方面與股票、債券、基金存在很大的差異，與投資商品期貨也不盡相同。對廣大的證券投資者來說，一定要深入地學習、系統地了解相關的知識，以改變業已形成的投資習慣和心理。尤其是在股指期貨推出的初期，中小投資者最好能抱著嘗試和學習的態度，在資金運用、風險控制和危機處理等方面加強自我約束。機會總是青睞有所準備的人，只有做好充足準備的投資者，才能成為股指期貨市場的實際得益者。

1.實力上的判斷。每一筆期貨交易既是一次賺錢的機會，也是一次冒險。投資者應該根據自己的資金實力、風險承受能力，了解股指期貨的風險究竟有多大，自己是否有這個能力，量力而行，才能享受到股指期貨交易的樂趣。善于獨立分析，善于總結經驗教訓，不人云亦云，不盲目跟風，在交易中又能夠控制好自己的情緒，才能虧得起贏得起。

2.知識上的準備。參與股指期貨交易，必須做好知識上的準備，要有效地把投入資金比例、開倉頭寸、止損幅度設置好，如果在知識面和操作技巧沒有預先的學習和貯備的情況下貿然參與股指期貨，將承受更多更大的風險。深入了解股指期貨的基本知識、風險控制的基本方法，熟練掌握期貨交易規則、期貨交易軟件的使用以及期貨市場的基本制度，將游戲規則了然于胸后再坦然進入這個機遇與風險并存的市場，將成為期貨投資贏虧的關鍵。

3.心理上的準備。期貨合約是一個完全被放大了的市場，對廣大投資者來說也是一個心理上的考驗。在指數大起大落，資金大進大出的股指期貨市場，一些投資者出現貪婪、恐懼、急躁等情緒在所難免，具備一定的心理素質，清醒地認識到自己的風險承受能力，在自己的心理承受能力的范圍內從事股指期貨，才可能夠在操作中游刃有余，避免出現心理上的崩盤。

4.控制風險的方法。由于每日結算制度的短期資金壓力，投資者既要把握股指期貨合約到期日向現貨價格回歸的特點，又要注意合約到期時的交割問題；既要拋棄股票市場滿倉交易的操作習慣，控制好保證金的占用比率，防止強行平倉風險，又要根據交易計劃加倉或止損，切忌心存僥幸心理硬扛或在貪婪心理驅使下按倒金字塔方式加倉。控制風險的方法很多，理論上的積累固然重要，也需要投資者在今后的操作實務中善于歸納、總結。

發展股指期貨是完善和深化我國證券市場的必然選擇，通過風險控制教育，讓投資者掌握股指期貨的運行規律，了解股指期貨的風險特點，這樣才能使投資者理性參與股指期貨交易，確保股指期貨的平穩運行。

參考文獻：

1.姜昌武.應對股指期貨時代的市場風險.中國證券報，2006.6.29

篇（11）

中圖分類號： TP181

文獻標志碼：A

Integrating piecewise linear representation and Gaussian process classification for stock turning points prediction

LI Feng1， GAO Feng1*， KOU Peng2

1.System Engineering Institute， Xian Jiaotong University， Xian Shaanxi 710049， China

；

2.College of Electrical Engineering， Xian Jiaotong University， Xian Shaanxi 710049， China

Abstract：

Focusing on the prediction issue of the price turning point in stock trading process， a prediction algorithm of stock price turning point， named PLRGPC， was proposed based on Piecewise Linear Representation （PLR） and Gaussian Process Classification （GPC）. The algorithm extracted the turning points of the historical stock price series by PLR， and classified the points with different labels. A prediction model of the stock price turning point was built based on GPC， and it was trained with the turning points extracted by PLR. Eventually， the model could predict whether a new price would be a price turning point， and could explain the result with probability. An experiment on the real stock data was carried out among PLRGPC， PLRBPN （PLRBack Propagation Network）， and PLRWSVM （PLRWeighted Support Vector Machine）. It showed that the PLRGPC had higher forecast accuracy than the other two algorithms， and its rate of return was higher than PLRBPN， almost equal to PLRWSVM. The experimental result proves that the PLRGPC is effective on stock turning point prediction and it can be applied in the actual stock investment trading.

英文關鍵詞Key words：

Piecewise Linear Representation （PLR）； Gaussian Process Classification （GPC）； stock trading signal； probabilistic prediction； investment strategy； risk preference

0引言

時間序列的分析預測問題一直是一個研究熱點，在時間序列問題中金融股票價格的分析和預測是一個重要的研究領域。現有對股票價格的預測研究主要有兩種方法[1-2]：一種是關注短期內股票價格變化的預測，該研究方法不僅需要解決數據高頻變化帶來的問題，同時在實際應用中不適合中長期投資交易；另一種研究方法關注對股票價格轉折點的預測，進而確定股票交易信號。實際投資中，在股票價格轉折點處進行交易能夠獲得最優的收益，因此認為股票價格轉折點是股票最佳交易信號[1-4]。通常，相比價格的短期變動，價格轉折點之間具有更長的時間間隔，可以避免股票數據高頻變化帶來的影響。如果能對股票價格轉折點進行準確的預測，就能夠確定股票的交易信號，從而給投資者帶來更大的收益。然而，對股票交易信號的預測需要解決轉折點提取、預測模型建立等一系列問題，導致目前仍沒有很好的預測方法。

對股票交易信號進行預測的首要問題是如何確定股票價格歷史數據中的交易點即轉折點。如何提取歷史數據中具有交易價值的轉折點是一項困難的工作，國內國外的很多學者對這一問題進行了深入研究并取得了大量成果[5-7]。除了傳統的離散傅里葉變換[8]以及小波分析[9]等方法外，Chang等[2]將分段線性表示（Piecewise Linear Representation， PLR）應用到股票歷史數據轉折點的提取問題中，取得了一定成果。PLR算法能夠準確地將股票價格歷史數據分成不同的類型，輸出的相鄰段之間的連接點恰好可以表示股票價格趨勢的變化，同時其閾值的選取具有很好的靈活性，可以適應不同的投資類型（短、中、長期）。

股票交易信號預測所需解決的第二個問題是如何對股票價格與特征（各種股票價格指標）之間的關系進行建模，進而對交易信號進行分類預測。近年來，利用BP神經網絡（Back Propagation Network， BPN）、支持向量機（Support Vector Machine， SVM）等方法在股票價格預測問題上均取得了較好的研究成果。如Zhang等[10]研究了應用BPN解決股票預測中如訓練集最優化長度、神經網絡輸入選取等問題。Chang等[2-3]應用BPN對股票交易信號與影響因素之間的關系進行了建模研究。Cao等[11]應用帶有附加參數的SVM算法對股票價格預測進行了研究。特別地， Chang等[2-3]在對股票交易信號進行預測的研究中綜合了PLR與BPN算法，PLR算法用來提取歷史數據中的轉折點，BPN算法則用來對關系進行建模。Luo等[1]采用了加權的支持向量機（Weighted Support Vector Machine， WSVM）對股票價格與影響因素之間的關系進行了建模研究。文獻[1-3]的研究結果表明，PLRBPN與PLRWSVM算法都能夠較好地對股票交易信號進行預測，具有一定的準確率，相比基本的買入持有投資策略能夠獲得更高的收益率。BPN與SVM在機器學習領域得到了大量應用[11-12]，但其數學基礎導致分類不具有實際概率意義，應用于股票預測不能對投資信號進行概率解釋，因而對于不同風險偏好類型的問題缺少一定的靈活性。

高斯過程分類（Gaussian Process Classification， GPC）[12]具有嚴格的數理統計基礎，與BPN和SVM相比具有易實現、超參數自適應獲取等優點，輸出結果具有實際概率意義，可對預測結果作出概率解釋，在時間序列預測問題中取得了較好的研究成果[13-14]。

本文結合PLR與GPC形成PLRGPC股票交易信號預測算法，其中：PLR算法用于提取歷史數據中的轉折點，GPC算法用于對股票價格與特征之間的關系進行建模。最后將預測結果準確率及交易決策收益率與PLRWSVM算法以及PLRBPN算法進行了分析對比，并對GPC的概率預測結果進行了分析。

1PLR算法原理

采用PLR算法對股票價格歷史數據中的轉折點進行提取。將股票價格歷史數據表示成近似的線段組合，則兩條線段之間的交點即是股票價格的轉折點，通常認為股票價格的轉折點即為最優交易點。

PLR算法將一個時間序列T={y1，y2，…，yl}表示為近似的線性分段的形式，即：

TPLR={L1（y1，y2，…，yt1），L2（yt1+1，yt1+2，…，yt2），…，Lk（ytk-1+1，ytk-1+2，…，yl）}

（1）

其中：ti表示第i段的結尾點，Li（yti-1+1，yti-1+2，…，yti）（1≤i≤k）表示點序列yti-1+1，yti-1+2，…，yti的近似替代直線。由于ti表示曲線移動趨勢的變化，因而通常將ti稱作轉折點。

本文中選取自頂向下的遞歸方法來線段化股票收盤價格數據，采用線性插值方法生成近似線。自頂向下算法首先掃描整個過程數據，找到最佳分割點，將序列分為 2個子序列，計算子序列的擬合誤差。文中擬合誤差選擇垂直距離（序列中各點到序列首尾連線的最大距離）。如果子序列最大擬合誤差大于閾值δ，用同樣方法將子序列再次劃分成2個子序列，直到所有子序列的擬合誤差都小于設定閾值δ。

圖1顯示了對同一股票時間序列作PLR運算的結果。股票數據來源為雅虎數據庫，選取代碼為sh600053的股票，時間范圍為20100104―20110818，參數δ分別選取為005、0.1、0.2。從圖1可以看出閾值δ對股票序列轉折點的提取結果有很大影響，對不同股票選取合適的閾值δ是必要的。

2高斯過程分類

基于高斯過程可以構建出回歸與預測兩類問題[15]。高斯過程分類是建立在貝葉斯推理框架下的一類有監督分類算法，最早用于解決非線性實值預測問題，與BPN和SVM相比其輸出結果具有概率意義，可用于解決概率預測問題[16]。

假定模型的訓練數據集為D=（X，y），包含N個數據樣本，其中：X=[x1，x2，…，xN]T是訓練集樣本組成的矩陣，y=[y1，y2，…，yN]為對應樣本矩陣的目標向量。對于樣本集中的每個訓練樣本xi∈Rd（i=1，2，…，N），對應的目標值即類別標簽yi∈{-1，1}。對于一個新的測試樣本的輸入向量x，其類別標簽是未知的，高斯過程分類通過計算后驗概率π（x）=p（y|D，x）來預測x所屬的類別。

引入隱函數f，對于一個輸入向量xi，其屬于某一類別的概率與該隱函數的值f（xi）成單調遞增的函數關系。

通過將邏輯對數（logistic）函數應用于隱函數f得到類概率的值，邏輯對數（logistic）函數為：

λ（z）=11+exp（-z）

（2）

于是得到π（x）=λ（f（x））。

通常將分類問題分為兩個步驟，首先就是需要計算對應一個輸入測試值的隱變量的分布情況，即：

p（f*|X，y，x*）=∫p（f*|X，x*，f）p（f|X，y）df

（3）

式中p（f|X，y）是隱變量的后驗，即：

p（f|X，y）=p（y|f）p（f|X）/p（y|X）

（4）

通過隱函數f*的分布得到一個輸入變量類別的預測概率：

*p（y*=+1|X，x*，f）=

∫ σ（f*）p（f*|X，x*，f）df*

（5）

進而將作為測試點x屬于類別+1的概率。

式（5）中積分直接計算比較困難，通常有兩種近似化分析方法進行近似計算：一種是拉普拉斯近似化方法（Laplace）[13]，另一種是期望傳播近似化（Expectation Propagation， EP）方法[14]。本文中高斯過程分類器的實現采用Laplace近似法實現，此處不作推導，推導過程可詳見文獻[17]。

對于樣本類標簽為（+1，-1）的二元分類，GPC的結果中測試樣本的隱函數均值以0為分界線分布于0平面上方或下方，輸出結果的正類概率分布于（0，1）區間內。

通常，對二元GPC的輸出進行簡易判斷，即當樣本屬于正類的概率π>0.5時，將其劃為正類；否則，將其劃為負類。但股票交易十分復雜并且具有不確定性，可能導致出現極少或者極多的概率預測結果超過0.5，此時按照上述分類方法效果不好。然而注意到，GPC輸出具有實際概率意義，代表了分類結果的可信度，在預測概率普遍不高（0.5）的情況下，可以靈活選取正負類的分類閾值，在保證輸出結果概率意義的條件下獲得更好的分類效果。

3基于PLR與GPC的股票交易信號預測

本文綜合PLR與GPC算法形成PLRGPC股票交易信號預測算法，PLR算法用于提取股票每日收盤價歷史數據中的轉折點，GPC算法用于對股票價格與特征之間的關系進行建模。為了客觀地說明PLRGPC股票預測算法的收益情況，選取了現今在實際投資領域較為常用的兩種決策方法來衡量PLRGPC預測算法的收益能力。

3.1模型輸入特征

模型的輸入變量是影響交易信號的特征。在股票預測問題中，輸入變量的選擇十分重要，通常選擇一些股票技術分析指標；，如移動平均線（Moving Average， MA）、相對強弱指數（Relative Strength Index， RSI）、【成交量（Trading Volume， TV）、威廉指標（Williams%R， WR）、隨機指標（KDJ）、平滑異同移動平均線（Moving Average Convergence/ Divergence， MACD）[1]等。此外許多學者也提出了大量的技術分析指標來分析預測股票交易信號；

而為了增加輸入變量的信息量，本文還參考文獻[1]增加了一些在股票市場研究中較為新穎的技術分析指標作為輸入特征。這些指標的具體說明如表1所示。

本文增加的第一個是價格振幅指標ALT（Amplitude of the price movement）表示一個交易日中價格的振動幅度，定義如下：

ALT=[HP（i）-LP（i）]/LP（i）

（6）

其中：HP（i）為第i個交易日的最高價，LP（i）為第i個交易日的最低價。ALT反映了股票的活躍程度，如果某只股票的ALT為0，表明這只股票活躍程度為0，往往其收益率較低。

另一個增加的特征指標是K線指數（Index for the Type of KLine， ITL），定義如下：

ITL=

1，CP（i）>OP（i）

-1，其他

（7）

其中：CP（i）為第i個交易日的收盤價，OP（i）為第i個交易日的開盤價。ITL對投資者的情緒有重要影響，當ITL=1時表明股票價格升高，對購買股票是一個積極影響；ITL=-1則對股票購買來說具有消極影響。

除了ALT與ITL之外，本文還選取了乖離率BIAS、10天ROC指標、順勢指標CCI、心里線指標PSY、買賣動力指標AR、買賣意愿指標BR、14天正方向變動指標DIP14以及14天負方向變動指標DIM14等技術指標作為輸入特征變量。表1顯示了本文所選取的輸入特征變量。

3.2數據樣本集構造

在時間序列分析中，通常將整個數據集分成一系列相互覆蓋的訓練測試數據集。本文將股票每日收盤價格歷史數據分成了一系列相互覆蓋的訓練測試數據集，使得數據可以得到更好的利用并且降低了數據的時變特性。圖2顯示了重疊分區中的兩個連續的訓練測試數據集。

圖2兩個連續的訓練測試集示意圖

假設數據集的總長度為r，每個訓練測試數據集中訓練集的長度為r1，測試集長度為r2，則整個數據集被分成相互覆蓋的訓練測試集的數量為：

對于訓練集和測試集數據的選取需綜合考慮算法模型本身要求及實際應用情況。測試集的長度r2不能選擇過長，否則會造成訓練模型失效；同時也不能選擇過短，這樣會頻繁更新模型，使得計算量過大。對于訓練集的長度r1不能選擇過短，否則訓練數據集過少，不能夠對模型進行很好的訓練；而r1如果選擇過大，會導致訓練集數據過多，不僅加大了運算量而且降低了模型的預測準確度。

3.3PLRGPC預測模型

本文綜合PLR與GPC結合形成PLRGPC算法。通過PLR可以提取股票每日收盤價格歷史數據中的轉折點，根據提取的轉折點可以將股票價格序列分成三類，即高位轉折點、低位轉折點和非交易點：低位轉折點應該是交易過程中的最佳買入點，高位轉折點應該是交易過程中的最佳賣出點。通過對轉折點與非交易點進行分類標記，可得股票歷史數據的類別標簽。在GPC對關系進行建模前，需要選擇合適的特征向量，特征向量通過對股票交易中的各種數據進行分析與處理得到。同時，為降低股票數據的時變性影響，將股票每日收盤價數據合理地劃分為訓練集和測試集。通過GPC算法在訓練集上進行訓練，獲取股票價格與特征之間的關系模型，然后以測試數據作為該模型的輸入，通過輸出判斷測試集數據的類別，判斷輸入數據是否為價格轉折點。

GPC采用OnetoRest的二元分類方法。將全部股票收盤價數據分為三類：峰值點、波谷點以及其余普通點。PLR提取轉折點后，對數據作兩次獨立的標記處理，兩次分類標記分別為{峰值點（+1），普通點（-1）+波谷點（-1）}與{波谷點（+1），普通點（-1）+峰值點（-1）}，然后分別對這兩個分類進行學習與預測，通過GPC可以得到股票價格轉折點的預測結果，如圖3所示。同時在PLR函數中將收盤價進行歸一化處理，提高準確性。

圖3PLRGPC算法原理

高斯過程分類算法輸入：根據3.1節，已經提取出包括股票當日收盤價格以及與價格相關的各項特征在內的共29個特征（CP，OP，HP，LP，MA5（5天的滑動平均值，下同）， MA6， MA10， MA20， MA30， MA60， WMS， KDJ_K， KDJ_D， KDJ_J， RSI， ALT， ITL， BIAS5， BIAS6， BIAS10， BIAS20， MACD， ROC10， CCI， PSY， AR， BR， DIP14， DIM14）。

高斯過程分類算法輸出：股票交易信號分類結果的概率值。通常選擇分類閾值為0.5，即輸出概率值大于0.5時認為是交易信號（+1類），輸出概率值小于0.5時是非交易信號（-1類）；同時，根據不同的風險偏好情況選擇不同的分類閾值，以適應不同風險偏好情況的投資策略。

確定了算法的輸入輸出，需要對模型訓練樣本進行構造。設xi為第i日股票價格特征向量，從數學上xi是一個1×29的行向量；yi為根據PLR算法對訓練集樣本中轉折點的標記結果，則yi=±1；xi與yi共同組成了訓練集樣本對。假設訓練集共有r1個交易日的數據，則訓練集中輸入部分的數據為X=[x1，x2，…，xr1]T，訓練集中輸出部分為y=[y1，y2，…，yr1]T。當進行預測時，輸入為測試集時間段內的特征向量x*，同樣也為一個1×29的行向量，而此時的輸出即為分類結果。X、 y與x*共同組成了訓練數據集D=（X，y）。

綜上，可總結PLRGPC算法流程如下：

輸入

股票歷史數據集D，PLR參數δ，訓練集長度r1，測試集長度r2；

輸出

待選轉折點交易信號及其概率。

算法流程：

1）根據3.2節計算方法計算股票價格特征向量M，并加入數據集D中。

2）歸一化數據集D和特征向量M。

3）計算訓練測試集數量q。

4）將i置為1。

5）當i≤q時：

a）從數據集D中選擇第i個訓練測試集；

b）根據給定的參數δ計算第i個訓練測試集中的轉折點；

c）根據計算出的轉折點對數據集中的收盤價格進行兩次分類標記，分別標記出買入點和賣出點；

d）使用第i個訓練集對預測模型進行訓練；

e）使用訓練好的模型對第i個測試集進行分類計算；

f）令i=i+1。

6）綜合q次測試集分類結果，輸出待選轉折點交易信號及其概率并計算分類準確率。

4實驗分析

本文設計了兩個實驗來評估PLRGPC算法在實際股票投資中的收益情況：實驗一衡量PLRGPC算法的預測準確率及收益情況，實驗二考察PLRGPC算法的概率預測應用。

4.1算法評價指標

對股票預測算法的評價指標主要包括投資收益率與預測準確率兩方面。

4.1.1收益率

選取實際股票投資中較常用的兩種投資交易方式來衡量算法的收益率：第一種投資方式為單買全賣型（投資決策一），第二種投資方式為全買全賣型（投資決策二）。

單買全賣型投資方式：在該投資方式下，每當出現買入信號時，總是以資金的一份作為購買資金買入股票，而當出現賣出信號時，總是賣出全部所持有的股票。

全買全賣型投資方式：在該投資方式下，如果出現買入信號，總是用所有的現有資金買入當前股票；而當出現賣出信號時，總是賣出全部所持有的股票。

收益率的計算方法如下：

pm=（bm-vm）/vm

（9）

其中：pm代表投資收益率，bm代表最終持有資金，vm代表初始資金。

4.1.2預測準確率

預測準確率定義為預測結果與測試集上PLR算法結果的匹配程度，其計算方法如下：

Acc=N′/N×100%

（10）

其中：Acc表示準確率，N′表示對測試集進行預測結果的交易信號與PLR算法結果相匹配的數量，N表示對測試集預測得出交易信號的總數量。

4.2PLRGPC算法實驗結果分析與對比

本部分考察GPC分類概率閾值選為0.5時的算法準確率及實際收益情況。實驗數據來源為雅虎數據庫，選取自上海證券交易所上市交易的20只股票數據對PLRGPC算法進行預測實驗。每只股票均選取自20080925―20110818時間段內，該時間段內分別大約含有600個交易日收盤價數據。選取交易日數據中后部約200個交易日數據作為測試數據，前400個交易日數據數據作為訓練數據集。為考察預測算法在股票不同變化趨勢下的準確率及收益率情況，將這20只股票分成三類：上升股、下降股以及平穩股。其分類標準是：如果在測試集數據段時間內最后一個交易日的收盤價比初始交易日的收盤價低10%及以上，則這只股票屬于下降股；如果該段時間內最后一個交易日的收盤價比初始交易日的收盤價高10%及以上，則這只股票屬于上升股；否則屬于平穩股。

所選股票中，有9只股票屬于下降股（代碼：sh600736， sh600197，sh600211， sh600694， sh600351， sh600488， sh600054， sh600019， sh600058），6只股票屬于平穩股（代碼sh600682， sh600597， sh600066， sh600881， sh600228， sh600697）以及5只股票屬于上升股（代碼：sh600107，sh600053， sh600051， sh600163， sh600167）。

GPC輸出結果具有實際概率意義，表明分類結果的可信度。可對正類的概率劃分閾值進行自定義選取，在保證交易點個數的情況下，尋求最佳的概率劃分閾值，不僅能夠獲得更高的收益率，并且不同概率閾值的選取對應不同的風險投資策略，對不同風險偏好者的投資策略選擇具有重要的指導意義。

在PLRGPC算法中，某些參數的選取對分類的準確度以及收益率存在影響，比如PLR算法的參數δ對訓練集有很大影響，同時GPC中協方差函數的選取以及迭代次數的選擇對算法的準確性也有很大影響。在后續的研究中，可以將GPC參數的最優化選取作為研究切入點，進一步提高算法的準確性以及投資收益率。

參考文獻：

[1]

LUO L， CHEN X. Integrating piecewise linear representation and weighted support vector machine for stock trading signal prediction [J]. Applied Soft Computing， 2013， 13（2）： 806-816.

[2]

CHANG PC， FAN CY， LIU CH. Integrating a piecewise linear representation method and a neural network model for stock trading points prediction [J]. IEEE Transactions on Systems， Man， and Cybernetics， Part C： Applications and Reviews， 2009， 39（1）： 80-92.

[3]

CHANG PC， LIAO T W， LIN JJ， et al. A dynamic threshold decision system for stock trading signal detection [J]. Applied Soft Computing， 2011， 11（5）： 3998-4010.

[4]

ABUMOSTAFA Y S， ATIYA A F. Introduction to financial forecasting [J]. Applied Intelligence， 1996， 6（3）： 205-213.

[5]

KEOGH E， CHU S， HART D， et al. An online algorithm for segmenting time series [C]// ICDM 2001： Proceedings of the 2001 International Conference on Data Mining. Piscataway： IEEE， 2001： 289-296.

[6]

KEOGH E， CHU S， HART D， et al. Segmenting time series： a survey and novel approach [J]. Data Mining in Time Series Databases， 2004， 57： 1-22.

[7]

WU H， SALZBERG B， ZHANG D. Online eventdriven subsequence matching over financial data streams [C]// Proceedings of the 2004 ACM SIGMOD International Conference on Management of Data. New York： ACM， 2004： 23-34.

[8]

AGRAWAL R， FALOUTSOS C， SWAMI A. Efficient similarity search in sequence databases [C]// FODO 93： Proceedings of the 4th International Conference on Foundations of Data Organization and Algorithms， LNCS 730. Berlin： Springer， 1993： 69-84.

[9]

CHAN KP， FU WC. Efficient time series matching by wavelets [C]// ICDE 1999： Proceedings of the 15th International Conference on Data Engineering. Washington， DC： IEEE Computer Society， 1999： 126-133.

[10]

ZHANG D， ZHOU L. Discovering golden nuggets： data mining in financial application [J]. IEEE Transactions on Systems， Man， and Cybernetics， Part C： Applications and Reviews， 2004， 34（4）： 513-522.

[11]

CAO L J， TAY F E H. Support vector machine with adaptive parameters in financial time series forecasting [J]. IEEE Transactions on Neural Networks， 2003， 14（6）： 1506-1518.

[12]

ZHANG Y， LU R， LUO Y. Electrooculogram assisted electromyography humanmachine interface system based on multiclass support vector machine [J]. Journal of Computer Applications， 2014， 34（11）： 3357-3360. （張毅，劉睿，羅元.基于支持向量機多分類的眼電輔助肌電的人機交互[J].計算機應用，2014，34（11）：3357-3360.）

[13]

KOU P， LIANG D， GAO F， et al. Probabilistic wind power forecasting with online model selection and warped Gaussian process [J]. Energy Conversion and Management， 2014， 84： 649-663.

[14]

KOU P， GAO F， GUAN X. Sparse online warped Gaussian process for wind power probabilistic forecasting [J]. Applied Energy， 2013， 108： 410-428.

[15]

LI Z. Network traffic forecasting model based on Gaussian process regression [J]. Journal of Computer Applications， 2014， 34（5）： 1251-1254. （李振剛.基于高斯過程回歸的網絡流量預測模型[J].計算機應用，2014，34（5）：1251-1254.）

[16]

RASMUSSEN C E， WILLIAMS C K I. Gaussian processes for machine learning [M]. Cambridge： Massachusetts Institute of Technology Press， 2006： 7-102.

[17]