股票投资决策流程大全11篇

绪论：写作既是个人情感的抒发，也是对学术真理的探索，欢迎阅读由发表云整理的11篇股票投资决策流程范文，希望它们能为您的写作提供参考和启发。

篇（1）

从允许保险公司通过证券投资基金间接投资股市，到放开保险公司直接入市，权益类投资在保险公司整体资产配置中的重要性日益提高。现在权益类投资占保险公司整体资产配置的比重不是很高，但却是可以提高整体收益率的一个重要手段，值得深入研究。

一、投资目标

通过股票或基金的组合投资，直接或间接投资于中国的股票市场，在控制风险的前提下，实现投资净值的稳定增长和资产的长期增值，分享中国经济持续稳定高速增长的成果。

二、投资理念

（一）积极管理

1.中国的证券市场还不是非常有效的市场，价值被低估和高估的情况经常出现，市场充满投资机会

2.消极管理指导思想下的指数化分散投资还不能有效降低风险

投资的基本原理之一是分散化投资，也就是谚语常说的“不要把鸡蛋放在一个篮子里”。我们说，“鸡蛋”可以放在不同的“篮子”里，但前提是“篮子”必须结实，而在中国市场，结实的“篮子”太少，不结实的“篮子”太多。因此，过于分散化的投资还不能很有效地降低风险。

3.机构投资者的信息与人才优势使积极管理成为可能

当前中国的机构投资者队伍在不断壮大，境内的投资者包括基金管理公司、保险公司、财务公司、证券公司、信托投资公司等，境外的机构投资者则以QFII为主。机构投资者拥有资金、人才、信息等多方面优势，通过全球视角下的宏观、中观和微观分析，能更有效地发掘超额收益，使积极管理成为可能。

（二）价值投资

1.价值规律同样在证券市场发挥作用

价值规律告诉我们，在商品市场上，价格围绕价值波动。在证券市场上，价值规律同样发挥作用，即上市公司的股票价格也是围绕其内在价值进行波动的，当价格低于其内在价值时，应该大胆买入；当价格高于内在价值时，应该果断卖出。

2.在市场规模不断扩大及机构化、国际化的背景下，价值投资将逐步成为未来中国证券市场主流的投资理念

（1）中国证券市场规模不断扩大，少数机构操纵市场与股价的难度越来越大。

从1996年到2005年，股市流通市值增加了243％，而2005年下半年启动的“股改”，更是中国股市的重大制度性变革，“股改”之后，非流通股将逐步转为可流通股，中国股市的流通市值将在现有的基础上翻一番还多，这使得操纵市场的难度进一步加大（见图1）。

（2）机构化。我国证券市场机构投资者比重迅速上升，机构与散户的博弈变为机构之间的博弈。

（3）国际化。对外开放步伐逐步加快，发达国家成熟的投资理念对我国的影响逐步加深。从2003年QFII进入中国证券市场以来，截至2005年底，共有34家机构获批QFII资格，累计批准额度56.5亿美元，此外，还有很多境外投资机构以合资等方式进入中国证券市场。这些境外投资机构应用发达市场成熟的投资理念和投资方法，在全球视角内进行价值判断和投资决策，在取得良好的投资收益的同时，也深深影响了境内投资者的投资理念。

3.新兴市场下的相对价值投资

（1）中国公司治理结构不完善的情况较为普遍，具有绝对投资价值的品种较少。

（2）“常青树”较少。在国外成熟证券市场上，曾出现过一些令人艳羡的“百年老店”，使得长期价值投资成为可能。而在中国，大多数公司受体制机制的局限及经济周期和国家产业政策的影响较深，业绩起伏较大，往往是“各领一两年”，常青树型的上市公司较少。

（3）价值投资理念的确立需要一个不断反复和确认的过程。需要人们在经历市场风风雨雨的磨练和“教育”之后逐步认识和确立。

4.价值分析为主，技术分析为辅

股票价格的中长期走势取决于公司的基本面，但其中短期走势却时时受到市场偏好和供求关系的影响，因此技术分析具有短期指导作用。任何事物都是波浪式前进的规律，同样告诉我们：股票投资的“波浪理论”及在其指导下的波段操作，与价值投资可以并行不悖。

（三）组合优化

在优中选优的基础上，通过适当分散组合投资，可以降低投资的非系统性风险，获取风险调整后的最优收益。

三、股票投资策略

（一）价值投资理念下的两类投资风格

价值低估与业绩成长是股价上涨的根本动力。在价值投资理念的大旗下，又可以分为两类主要的投资风格：价值投资型与价值增长型或者两者的完美结合。

1.价值投资型

价值投资型股票往往具有以下四方面特征：

（1）较低的价格／收益（PE）比率，即低市盈率。

（2）以低于面值的价格出售。

（3）隐藏资产，“公司也许拥有曼哈顿，这是它从印第安人那里买来的，不过遵循良好的会计惯例，把这项购买以成本24美元人账。”

（4）长期稳定的现金分红比率。如果一家上市公司能长期稳定地现金分红，这本身就意味着该公司有稳定的经营模式、稳定的现金流，这也构成长期投资价值的一部分。

2.价值增长型

价值投资的另一种风格是价值增长型，这里强调其内在价值随着业绩的增长而增长。如果说长期价值投资型风格是一种防御型风格的话，价值增长型就是一种进攻型风格。价值增长型股票具有以下四点特征：

（1）处于增长型行业。

（2）高收益率和高销售额增长率。

（3）合理的价格收益比。对于高成长的股票而言，其市盈率往往会随着股价的上升而上升，这是增长预期在价格中的体现，是合理的，但是市盈率不能比增长率高出太多，最好是（P／E）／G小于或等于1.

（4）强大的管理层。

（二）前瞻性是选出好股票的关键

1.对历史的理解是股票投资的基本功

要做好股票投资，首先要对历史具有充分的了解和理解，以史为鉴，有助于指导我们现实的投资。

2.买股票就是买企业的未来

股票价格说到底是对未来现金流的折现，可以说，买股票就是买企业的未来。这就要求投资者具有前瞻性的眼光，能够见别人所未见。

3.任何超额利润都来自于独到的眼光

从众心理是投资的大敌，从众最多让投资者获得平均利润，而不可能获得超额利润，更多的时候从众心理会带来亏损；获取超额利润，必须要有独到的眼光。要能做到人弃我取，在市场低迷时敢于介入；也要能做到人取我弃，在市场过度乐观时果断卖出。

4.在前瞻性基础上优中选优

在前瞻性基础上，还要做到优中选优，保证投资的成功率。

四、基金投资策略

基金投资与股票投资既有相似之处，也有差异之处，相似之处是指对基金的投资同样要遵从价值投资理念，选择投资价值高的品种；不同之处在于基金的估值指标体系与股票有较大差异。在对基金进行投资价值分析时，可以从以下四方面入手：

（一）看过去

看过去是指考察基金公司和基金过去的业绩表现，大致包括三方面内容：

1.对既往业绩与风险进行评估

对既往业绩和风险进行评估等于绩效评估和归因分析。收益分析包括对净值增长率和风险调整后收益指标的分析（詹森比率、夏普比率、特雷诺比率等）。经过风险调整后的收益率指标，能更全面地反映基金经理对收益和风险的平衡能力。另外，还要对包括主动投资风险度、股票仓位调整、行业集中度、股票集中度、基金重仓股特征等指标进行分析。

其中对基金重仓股（前五大市值或者前十大市值）要进行重点研究，重仓股是基金经理自上而下和自下而上投资分析的综合结果，对判断基金经理的择股能力有着重要参考意义，因此要对基金重仓股进行认真的对比分析。

2.基金经理的素质与能力

如果说买股票是买企业的未来，买企业的管理层，那么买基金就是买基金公司，具体而言就是买基金经理。基金业是个智力密集型行业，其投资业绩主要是依靠管理团队和基金经理的投资管理能力。因此，基金经理的投资理念、投资经验、市场感觉、择股择时能力，对基金的业绩都有巨大的影响，在选择基金时，必须对基金经理的素质和能力进行全面的考察。

3.管理团队

管理团队是基金公司经营的核心，其对个体基金投资业绩的影响不容忽视，特别是对不突出明星基金经理，而更注重整体管理的基金管理公司而言，其意义更为重要。因此，管理团队也是选择基金的重要指标。

（二）看现在

看现在包括三方面内容，首先是当前股市的估值水平，即市场点位，其次是备选基金在当前市场估值水平下的应对措施，这主要体现在股票仓位上，最后是基金公司的人员有无变动。

1.市场点位

市场点位代表市场的估值水平，如果当前点位较低，进一步上升空间较大，则作为投资者可以加大对基金的投资力度，或者选择股票仓位较高的基金；如果当前点位已经比较高，估值水平已经较为充分，市场下跌的风险较大，则可以减少对墓金的投资力度，或者选择股票仓位较低的基金。

2.股票仓位

对股票仓位的选择需要结合投资者对市场点位和估值水平的判断进行。如果投资者认为当前市场点位较低，可以选择股票仓位较高的基金，反之则选择股票仓位较低的基金。但问题在于目前我国基金信息披露是按季度进行，投资者只能了解上季度末的仓位情况，信息有些滞后，要想实时了解基金仓位，只能通过基金净值变动进行估算，但这种估算的准确度不是很高。

3.人员变动

考察人员变动主要是看管理团队、投资团队、研究团队等投资核心人员有无大的变动，如果一些重要的人员如总经理、投资总监、明星基金经理等离职，则对于未来基金的业绩会带来一定的不确定性。

（三）看未来

“看未来”主要是对基金组合未来的收益和风险状况进行预测分析，包括四方面内容：

1.股票组合分析

对备选基金组合中个股尤其是重仓股的基本面进行分析，进行收益预测和估值分析。

2.规避风险

对股票组合的行业集中度、个股集中度、历史波动率等风险指标进行分析，对基金组合的风险进行评估。同时对其组合中的个股进行认真研究，避免踩到“地雷”。

3.评估增长潜力

通过对组合中个股的收益和估值情况的预测，可以对基金净值的增长情况进行预测，来衡量备选基金的增长潜力。

4.基金的“期限结构”

在选择封闭式基金时，要考虑基金的剩余期限，根据市场走势和基金净值变动预测进行基金剩余期限的合理搭配。

（四）看价格

“看价格”主要是指对封闭式基金的折价率进行分析，在其他条件相同的情况下，选择折价率相对较高的基金。

五、投资流程与方法

好的投资结果是建立在好的投资流程和投资方法基础上的，将投资决策的各个步骤进行合理地安排和整合，可以有效地将基本面与技术面研究、定性与定量分析、时机选择以及风险控制等结合起来，实现投资研究一体化、风险控制与投资交易并重。投资流程应该包括以下几个步骤：

研究先行—实地考察—价值评估—比较分析—技术分析—决策选择—买卖交易。

1.研究先行。进行自上而下的宏观研究与自下而上的微观分析，对行业以及股票的基本面进行了解。

2.实地考察。对企业进行实地调研，一方面了解企业未来经营发展情况，一方面也是对企业公开的报告和报表中的信息进行核实。

3.价值评估。在研究和实地考察的基础上，从上市公司基本面角度进行数量化分析，对股票价值进行评估。

4.比较分析。将股票的估值指标与同类企业以及大盘进行比较，确认其估值高低。

篇（2）

一、选题背景

ST是英文Special Treatment缩写,意即“特别处理”。该政策针对的对象是出现财务状况或其他状况异常的。1998年4月22日,沪深交易所宣布,将对财务状况或其他状况出现异常的上市公司股票交易进行特别处理(Special treatment),由于“特别处理”,在简称前冠以“ST”,因此这类股票称为ST股。当一个公司的连续出现两年亏损的时候,就会加上ST,提醒投资者这只股票可能在一年后退市。由于ST股是一些财务状况不好的、可能退市的股票,因此投资者若是购买的是ST股票,会使用完全不同的投资决策,因此投资的股票是否是ST股票对于投资者在做投资决策的时候是非常重要的。

二、研究问题与技术方法

(一)研究问题

由于还没有一种典型的函数来确定股票是否属于ST股,所以,预测股票是否属于ST股是很困难的。在本次研究应用中,将140支已发行股票分为两类。将股票分类后,以此来判别基础。

(二)技术方法-模型训练及预测

预测模型的训练一般有三种方法,分别是神经网络、决策树、回归分析。

1.神经网络(Neural Networks),是通过不断调整各个输入数据权重使得输出的预测值与数据实际值的均方误差最小化的模型。这种不断调整的过程就是对神经网络的训练。这一训练过程是不可见的。

2.决策树(Decision Tree),决策树是一种结构。通过应用简单的决策规则,利用这种结构可以将大型记录集分割成相互连接的小型记录集。通过每一次连续分割,结果集中的成员彼此变得越来越相似。决策树是一种类似流程图的树型结构,其中树的每个内部节点均代表一个属性的测试,其分枝就代表测试的每个结果,而树的每个叶节点就代表一个类别,树的最高层节点就是根节点,也是整个决策树的开始。决策树模型包含一系列规则,按照某个相关的特定目标变量,可将大量包含不同种类的总体分割为更小的、更相似的群组,它可用于计算给定记录归属于某一个类别的概率,也可以通过将记录分配到最可能的类来给记录评分。训练决策树模型的过程,实质是确定最佳规则的过程。

3.回归分析(Regression),是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。这一方法可以用来预测其中的变量值。训练回归模型的过程,实质是确定变量之间定量关系的过程。

在本次研究中,将用数据分别训练三个模型,判断出哪种模型的预测效果最佳,并用这种模型对将要上市的股票做出预测。

三、数据挖掘技术应用

(一)导入数据

将收集到的数据导入SAS中,通过运用这些数据进行模型的训练和预测。

(二)SAS模型训练

SAS流程图如图一。实际过程中,根据神经网咯、决策树和回归分析的效果来决定预测模型的选取。

主要步骤:

1.在SAS中导入已选择相关企业训练数据,并把variables中的F2选项定义为target。

2.在data partition 节点中选择样本随机方法,并设置各部分比例。将各部分比例设为train 40%,validation 30%,test 30%。

3.运行assessment得到如下结果

从上图中可以看出在10%比例的情况下,神经网络模型和逻辑特回归模型都可以到达100%的正确率,但是在20%比例的情况下,只有神经网络模型可以达到100%的正确率,因此神经网络模型的拟合较好,我们选择神经网络作为预测模型。

四、神经网络模型分析

(一)神经网络模型

根据SAS的神经网络模型的运行结果,我们可以得到如下的权值:

根据结果可以看出,在42个数据取20%的时候,我们取第九个数,这九个数的预测都是百分之百正确的,正明这个神经网络模型的效果是显著的,因此我们取0.8752作为阈值,当算出来的阈值大于0.8752的时候就归为1-ST股,否则为0-非ST股。

(二)预测

用测试的数据集来进行预测,也就是看测试集里面的股票哪些是属于被ST的,哪些是没有被ST的,根据SAS的运行结果得到如下所示的图。

从图中可以看出前20只股票的阈值都大于0.8752,因此基于神经网络模型的分类,前20只股票都应属于ST股,而在实际情况下第7只望春花和第17只力诺工业却不是ST股票。因此通过对比,我们可以看出,神经网络的分类是比较准确的,但是也不能做到百分之百的正确率,我们可以依据神经网络模型对不确定的股票进行预测,判断它是属于ST股票还是属于非ST股票,帮助我们在证券投资上做出投资决策。由于这种分类不是百分之百正确的,我们也不能完全依靠模型做出来的结果进行预测,还应根据其他指标,如,宏观经济与其他基本面的分析对股票投资进行分析。

五、结束语

篇（3）

两届金牛奖得主

资料显示，本次建信基金获誉“2010年度债券投资金牛基金公司”已是公司二度获此殊荣，去年建信基金也曾摘得同一奖项，目前该公司是获得此奖项次数最多的基金公司。

这一荣誉的获得得益于建信基金在固定收益投资管理上的突出表现。银河证券基金研究中心统计数据显示，截止2010年12月31日，建信货币基金近三年的收益率达19.89%，在同类46只基金中位列第4位，持续良好的表现，使其曾连续两次获得 “开放式货币市场金牛基金奖”。建信稳定增利债券基金2010年净值增长率超过10%，较之同期同类产品平均收益率高出约20%。建信收益增强债券基金2010年的收益率也超过9%，明显高于同类产品6.36%的同期平均收益率。

偏股基金业绩逆势而上

近年来，建信基金不仅在债券投资方面表现出色，在偏股型基金的投资管理上也做出了较好的成绩。WIND资讯的统计数据显示，截至2010年底，建信基金主动投资股票型基金的过往投资业绩在58家基金公司中排名第18，较2009年上升6个名次。

银河证券基金研究中心的统计数据显示，2010年建信基金管理公司旗下各偏股型产品均大幅超越了同期沪深300指数，其中建信核心精选基金2010年的净值增长率为12.51%，在同类可比的167只基金中排29名。就长期业绩而言，建信恒久价值基金自成立以来的累计净值增长率为227.59%，被银河证券基金研究中心评为四星级基金。

此外，2010年5月底成立的建信社会责任ETF及联接基金也较好地把握了建仓时机。截至2010年12月31日这两只基金分别取得了12.14%和7.60%的收益率。

高效的投研团队

篇（4）

长期投资业绩稳定

在股票投资方面，以该公司成立的首只基金建信恒久价值股票基金为例，截至3月19日，该基金今年以来实现了7%的净值增长率，自成立以来的累计净值增长率达到178.19%。而此次荣获“三年期股票型金牛基金”奖的建信核心精选股票基金，其表现更令人惊艳，该基金成立以来取得了87.26%的累计净值增长率，最近3年逆市实现13.78%的净值增长率，在同类可比的390只基金中排名列入前10位。上述两只基金均获得上海证券基金评价研究中心五星评级。

在固定收益投资方面，曾荣获“三年期债券型金牛基金”奖的建信稳定增利债券基金今年以来实现4.52%的净值增长率，近3年则实现了21.60%的净值增长率，在348只同类型基金中进入前5位。而成立以来更是获得了49.46%的累计净值增长率，同样获得上海证券基金评价研究中心五星评级。

建信基金屡获殊荣不仅仅来源于上述几只基金的靓丽出彩，更是源于公司整体投资业绩长期的出现表现。海通证券金融产品研究中心数据统计显示，2010～2012年，公司权益类产品投资业绩呈逐年提升之势，就3年业绩而言，该公司则凭借持续稳健的业绩表现列入业内前25%。固定收益类产品绝对收益更是以15.17%进入十强。

秉持价值投资理念

真正的、永远的成功属于那些首先努力建立思维模式格栅。然后学会以善于联系、多学科并用的方式思考的人们。

——查理·芒格

成立近8年的建信基金管理公司，如何在持续低迷的市场大环境下取得优异的投资业绩？又如何在强手林立的基金公司圈中得到业界的高度认可？在建信基金董事长江先周看来，是先进的企业文化起了作用。取得的成绩和获得的认可都不是结果，而是持续积累过程的一种外在表现。芒格所说的“思维模式格栅”，对建信基金而言，就是公司发展的“灵魂”——企业文化。

在建信基金成立之初，就确立了明确的企业文化，即以持有人“建设财富生活”为使命、以“持有人利益重于泰山”为核心原则，坚持“诚信、专业、规范、创新”的核心价值观，为投资者创造稳定的回报，致力于成为“最可信赖、持续领先的资产管理公司”。简言之，对建信基金而言，持有人的利益始终是最重要、最优先的。而这种企业文化也必然渗透到公司的投研业务中，并在公司的投资文化中打下鲜明的烙印，具体体现主要有以下几点。

做真正的价值投资者

建信基金在投资理念上坚持“基本面驱动、研究创造价值”，这与建信基金企业文化一脉相承，也是建信基金能够在长跑中胜出的决定性因素。只有长期稳健地取得良好的投资业绩，才能真正实现对持有人利益的维护，而过往经验证明，坚持价值投资，通过对基本面的深入研究，能够创造出稳定可靠的投资收益。

建信基金在投资上并不追逐热点，不过分看重市场短期的涨跌，而是真心沉下来做一个价值投资者，扎实研究基本面，建立起以价值投资为核心的投研文化。

稳定的投研团队

基金公司最需要的是人才及有战斗力的团队。具有相对稳定性的投研团队是基金管理公司做好资产管理、取得良好业绩的必要条件。建信基金的企业文化和投资理念，受到一批具备多年从业经验的资深基金经理的认可，并随着公司的发展，通过以老带新，互助互进，最终形成了现阶段较为稳定的投研团队。

团队式投资管理体制能够更好地抵御人员流动所带来的风险，无论是基金个体，还是公司整体投资业绩随着明星基金经理离职而出现大幅下滑的风险都会明显降低。

中长期的考核标准

建信基金在投资团队的建设以及基金经理的培养上强调循序渐进，一步一个脚印。公司以中长期业绩作为绩效考核的标准，看重业绩的稳定性、连续性，不对基金经理过分施加短期排名压力，也不鼓励基金经理为了追逐短期排名而去承担过大的或者不必要的风险。

稳中求进的投资策略

在投资策略上，建信基金倾向于稳中求进。具体而言，在市场处于弱市的时候，建信基金的策略是“稳”，一旦市场的转好，建信基金“进”的投资策略会有所表现。年年稳健的表现叠加起来，本质上就是一种进取的表现。建信基金这种“别样”的进取方式，越来越给投资者留下深刻的印象。

严谨的投资管理流程

从上图中可以看出，基金经理根据投资决策委员会的决策，构建投资组合、并负责组织实施、追踪和调整，以实现基金的投资目标。研究部提供相关的投资策略建议和证券选择建议，并负责构建和维护股票池。交易部根据基金经理的交易指令，进行基金资产的日常交易，对交易情况及时反馈。

企业的生存、发展和壮大乃至辉煌都离不开优异业绩的支撑。建信基金的发展同样如此，而缔造优秀业绩的正是以下这些“明星”。

个个都是“明星”

作为银行系基金管理公司，建信基金继承了其大股东建行在公司治理方面丰富的经验和优势，高度重视投资决策流程的制度化、规范化和科学化。经过几年来不懈努力，逐渐打造出一支经验丰富、凝聚力强、高度专业化的投研团队，并不断对其进行充实、完善。

建信基金不刻意塑造明星基金经理，而是强调“万花齐放春满园”。当投资团队中的每一个成员都接受了共同的思维方式、价值取向和行为特征，并付诸投资中时，业绩的取得自然水到渠成，基金经理也自然个个都成为了“明星”。我们特意展现了这些明星们的投资脸谱，以飨读者。

王新艳

基金档案

建信核心精选股票基金

基金类型：股票型基金

业绩表现：最近3年实现13.78%的净值增长率，成立以来取得了87.26%的累计净值增长率。

所获荣誉：2013年3月30日荣获《中国证券报》等机构评选的“三年期股票型金牛基金”奖，上海证券基金评价研究中心五星基金评级。

保持投资业绩的稳定性，平滑投资风险，是对持有人负责任的态度。如果说，基金是一辆通向财富终点的列车，业绩优良且长期稳定的基金，就像是行驶平稳的列车，虽然速度不一定最快，但乘客在任何时点上车，都可以放心安全地通向目的地。而业绩大起大落的基金，就像行驶速度忽快忽慢，时而发生故障的列车，虽然有时可以疾驰如飞，但如果没有选择合适的时点上下车，反而有可能与目的地背道而驰。对于持有人而言，基金仅仅在特定时间内取得良好的投资业绩是不够的，持续性和稳定性更为重要。

万志勇

基金档案

建信优势动力封闭基金

产品类型：封闭式股票型基金

业绩表现：近半年以来实现12.80%的净值增长率，近3年取得了5.06%的净值增长率。

所获荣誉：2013年3月30日、2012年3月29日分别荣获《中国证券报》等机构评选的“三年期封闭式金牛基金”奖、“2011年度封闭式金牛基金”奖。

始终坚持基本面会驱动股价，上市公司本身的价值才是带来收益的根本。要把最核心的资产投向那些长期的、有基本面支撑的上市公司。因为从整体来看，有基本面支持的股票表现会更为出色。当然，不排除在个别的情况下，基本面好的股票表现也不尽如人意，基本面差的股票也会出现不小的涨幅。但基金做的是组合投资，而不是个别股票，在持仓的股票数量足够多的情况下，基金整体必然会体现上述特征，即有基本面支持的股票整体表现更好，并且投资时间越长，这样的组合的稳定性会越好。

钟敬棣

基金档案

建信稳定增利债券基金

基金类型：债券型基金

篇（5）

我国证券市场经过二十多年的发展，正在逐渐走向成熟，以股权分置改革取得成功为标志，我国证券市场步入了一个新的发展时期。近年来许多知名企业由海外市场回归国内资本市场，我国关于资本市场理论的研究成果层出不穷，证券市场中出现了许多新事物，如股权分置改革及创业板的推出，金融危机爆发对全球证券市场的影响等，生机勃勃的金融实践为证券投资学的发展提供了丰富的素材。基本目标是阐述证券投资基本理论与方法，要求学生掌握证券投资的主要分析手段与工具，理解证券市场基本功能和作用，了解现代证券投资理论的主要内容及发展趋势；学会运用证券投资分析及投资策略来解决现实投资决策问题，并通过实践教学检验来引导学生进行创新思维，使学生初步具备扎实的证券投资理论功底，能够灵活运用理论进行证券投资决策，为其它专业课学习奠定坚实的基础。基于此，我们的教学内容应立足于中国证券业发展的实际情况，借鉴发达国家成熟的证券投资理论，对证券投资基本知识进行了全面的阐述，同时注重反映该学科的最新理论成果和中国证券市场的最新发展，并针对证券投资实务性强的特点，加强实践指导、案例教学，以期将理论教育与实际应用结合起来。

（二）充分发挥网络优势，使用多媒体教学软件

为了培养学生就业后能够尽快适应不同工作岗位的工作需求，我们提出了“厚基础，宽口径”的教学理念。随之而来的是相应课时的压缩与教学内容增加的矛盾，这就要求教师在课堂上能够很好利用上课时间，如果教师在课堂上花费大量时间去板书和抄写例题，无疑会浪费很多课堂时间，而多媒体教学软件的运用大大缓解了这一矛盾。教师通过事先制作的多媒体课件，不仅能够把许多相关理论知识串联起来，更为重要的是能够把很多抽象的图表更清晰直观地表现出来，也避免了学生要一边听讲一边又要忙着记笔记，提高了学生学习的积极性和学习效率。我们要求学生每天花十五到二十分钟时间通过网络浏览搜狐财经、新浪财经及和讯网等相关的财经资讯，使学生能够及时了解相关政策实施与变动，分析其对证券市场的影响。

（三）注重多种教学方法使用，提升教学效果

证券投资学是实践性、应用性很强的课程，为了加强学生的综合分析能力和利用所学专业知识解决实际问题的能力，在教学过程中考虑采用多种教学方法和手段：对于一些难以理解的理论知识通过案例的搜集和分析，使学生能够清楚其理论的背景和意义，采用模拟教学法能够让学生把很多复杂的例如股票上市程序、股票发行定价等很抽象的理论直观地展示在学生面前，一方面激发学生的学习兴趣，同时能够很好地拓展学生的思维能力和归纳总结能力。我们在教学过程中有意识地安排学生以小组的形式去进行案例的搜集和整理，并在课堂上进行演示，由其他小组成员针对案例中提出的问题进行思考和质疑，最后由教师进行总结。这样使得老师和同学及同学之间形成了良好的互动，极大地激发了学生的学习兴趣，提高了学生分析问题和解决问题的能力。每学期我们都会组织学生去证券营业部去参观学习，一方面能够使同学们尽快熟悉证券交易的程序与交易规则，使学生能够亲身体验证券交易的场景，其次通过与证券营业部从业人员与股民的交流，让同学能够进一步加深对证券投资的直观感受。

（四）不断完善实践教学环节

证券投资分析涉及到经济学、金融学、会计学等多种学科的理论知识，是对各种理论知识的一种综合应用，学生如果能在证券投资实际操作中接受有关投资理论教育，有助于学生认识和把握证券投资相关理论和投资实践。实践教学是证券投资学课程教学的重要环节，通过模拟实验，学生不仅能够容易了解证券投资分析技术的基础理论，也能够掌握相应具体的证券投资分析技术手段，有利于学生学习和接受新的知识，有利于教师改进教学方法和教学手段，提高教学水平。我院于2008年购买了世华财讯投资模拟软件及“大智慧”行情分析系统，并建立了证券投资模拟实验室，通过实践操作，使学生对证券投资产生兴趣，熟悉证券交易规则和程序，掌握基本投资方法。我们要求学生在上课前有意识浏览相关的财经资讯，并要求学生能够对证券市场产生影响的相关政策法规进行归纳整理，以小组的形式进行汇报；同时利用世华财讯的股票投资模拟系统进行股票投资模拟操作，其股票模拟操作系统完全与上海和深圳证券交易系统同步，在学生了解和熟悉投资模拟软件的交易程序和交易规则后，我们会给每位学生分配一定数量的资金，要求学生在规定的时间内进行股票投资交易，在课程结束后提交投资模拟心得体会。为了提高实践教学的效果，我们在校内外选聘了具有扎实的专业知识和有丰富的实践经验的教师担任实践教学指导教师，并进行相关专业知识的培训及讲座。近年来一直与国泰君安公司与证券营业部建立了良好的合作关系，通过定期不定期的聘请相关人员来我院授课，开展讲座，并在每学期组织学生去证券营业部参观、学习，使学生对证券交易的流程有了清楚地了解。我们连续几年与宏源证券石河子营业部合作举办股票交易模拟大赛，并对成绩优异的同学给予物质和精神奖励，极大地激发了学生的学习兴趣与学习热情。我院学生在全国大学生股票投资模拟大赛中也取得较好的成绩。

篇（6）

引言

近年来，随着中国藏品热和我国政府关于艺术品交易政策的改变，中国已经取代美国成为世界第一大艺术品交易市场。2010年7月，深圳文化产权交易所推出了“深圳文化产权交易所1号艺术品资产包”，这是国内外首次出现的“权益拆分”投资模式，即艺术品股票。自此艺术品股票作为一种新型的金融产品越来越受到人们的关注［1］。由于艺术品股票价格受多方面的影响，尤其是艺术品交易市场相对于股票市场来说庄家的影响更大，所以需要寻求更为有效的方法来对艺术品交易市场进行预测。在艺术品股票市场，每天都会产生海量的交易数据，这些数据虽然存储在数据仓库中，但是并没有得到有效的利用。通过数据挖掘技术分析股票市场数据，投资者可以从中得出有效的投资信息，并综合分析利弊以后做出投资决策，提高投资收益率。一般来说，数据挖掘是指从数据库或数据仓库中发现隐藏的、预先未知的、有趣的信息的过程［2］。在国内，台湾义守大学陈庆翰开发了MIAT仿生物智慧股票预测系统，该系统是一个可以建立自我学习、自我组织、自我调节、自我改善的高度自主性智慧型系统［3］。国内还有许多著名的学者在股票预测方面做过大量的工作。国际方面，Mor-gan、Stannlog等人已经开发了AI(AutomatedInvestor)系统，该系统通过采用聚类、可视化和预测技术来寻求最佳投资时机［4］。本文致力于通过关联规则算法获得艺术品股票之间的关联关系，如“在某个时间段X范围内，艺术品股票A和B价格上涨时，有80%的情况下，股票C的价格也会随之上涨”。这样，就可以对投资者有一定的借鉴意义，防止被套牢。

1关联规则介绍

1．1算法思想假设有多个购物篮，每个购物篮是由多个项组成的集合(即为项集itemset)，那么一个在多个购物篮中出现的项集称为“频繁”项集。定义1支持度:如果I是一个项集，I的支持度(sup-port)指包含I的购物篮的数目，此时定义一个支持度阈值(supportthreshold)s，如果I的支持度不小于s，则I为频繁项集。定义2置信度:Ij的置信度即为集合I∪{j}的支持度与I的支持度的比值。顾名思义，置信度即为得到的规则的可信任程度。AGRAWALR和SRIKANTR于1994年提出了Apriori算法，该算法是关联规则挖掘的最有影响的迭代算法［5］。设Cm为大小为m的候选项集集合，Ln为大小为n的真正频繁项集集合。Apriori算法是将候选项集不断过滤，得到频繁项集，再将频繁项集进一步过滤，得到新的频繁项集，如:首先找到“1项集”的集合，再将其支持度与支持度阈值相比较，过滤得到频繁“1项集”，记作L1，再将其进行组合，得到“2项集”，再将其支持度与支持度阈值相比较，过滤得到频繁“2项集”，记作L2，以此类推，直到找到最终的频繁项集。具体步骤如图1。1．2算法实例表1为某商场9天内的商品交易情况，设定支持度为2置信度为80%。利用Apriori算法寻找所有满足条件的关联规则的过程如图2所示。接下来四项集只有{I1，I2I3，I4}，且其支持度为1，小于支持度阈值，故{I1，I2，I3，I4}不是频繁项集。由以上步骤可得:最大的频繁项集为{I1，I2，I3}{I1，I2，I4}。关联规则产生步骤如下:(1)对于每个频繁项集l，产生其所有非空真子集;(2)对于每个非空真子集s，如果其置信度不小于最小置信度阈值，则为强关联规则。经计算，强关联规则为I4I2和I1＆＆I4I2，置信度均为100%。

2改进的关联规则挖掘算法

在关联规则挖掘算法中，经典的Apriori挖掘算法是通过项目集数目不断增长来得到所有的频繁项目集的，即先产生频繁“1项集”，再产生频繁“2项集”，直到频繁项目集中的元素不能扩增为止。传统的Apriori算法有两个瓶颈:(1)需要多次扫描数据库，对于候选项集Ck，需要扫描k次数据库来确定其是否为频繁项集，是否可加入Lk;(2)由于频繁“k－1项集”产生候选“k－1项集”是将频繁项集中的元素进行组合得到，呈指数增长，这将产生大量的频繁项集，从而产生大量的关联规则［6］。这两个瓶颈明显降低了算法的效率。因此，在传统关联规则算法的基础上，本文提出Apriori算法的改进算法，即Partition算法。由于Apriori算法需要对数据库进行多次扫描，这个过程非常繁琐，可以将数据库逻辑性地分成几个互不相交的块，即分而治之。Partition算法步骤如下:(1)每次都只针对单独一个分块，其中分块的大小要保证可以放入主存，每个阶段秩序被扫描一次，而算法的正确性是由每一个可能的频集至少在该分块中是频集保证的。利用Apriori算法产生它的频繁项集。(2)把所有分区产生的频繁项集合并，生成候选项集，扫描整个数据库，计算这些项集的支持度，最终得到全局的支持度不小于支持度阈值的频繁项集。该算法流程如图3。Partition算法共扫描数据库两次。第一次扫描是对数据库进行分块，找出各块的频繁项集，即局部频繁项集;第二次扫描数据库是求候选集的支持度，用以计算全局频繁项集。相对于传统Apriori算法，Partition算法全程只扫描两次数据库，大大减少了I/O操作。由于Partition算法是并行计算，同时对各个分区进行求频繁项集的操作，大大提高了算法的效率。Partition算法是高度并行的，即把各个分块的处理分配给不同的处理器来产生频繁项集，在每一个循环结束之后，各个处理器之间会进行通信，以产生全局候选项集。

3关联规则在股票方面的应用

在文化艺术品交易市场，每天都会产生大量的交易数据，利用数据挖据技术对股票市场的股票价格以及股票的走势进行预测，通过运用关联规则技术对艺术品股票市场进行分析，为投资人提供较为准确的预测结果，防止投资者盲目投资［7］。本文选择了某艺术品股票交易市场2016年1月～5月几个月的交易数据，以此为依据进行股票关联规则挖掘。选取其中6只股票并分别记为A、B、C、D、E、F。然后对股票进行预处理，如果某天A股票上涨，则记为A0，若下跌则记为A1，其他股票同理。部分股票数据如表2所示。运用Apriori算法的改进算法———Partition算法进行关联规则挖掘，在实验中，设定支持度为60，置信度为70%，得到如表3所示挖掘结果。

篇（7）

二、我国养老保险基金各组成部分的投资运营现状

我国养老保险体系由基本养老基金、个人账户基金、企业年金和全国社会保障基金四部分组成。在基本养老保险基金方面，《中国统计年鉴2010》的数据显示，2009年的基本养老基金收入为11490．8亿元，结余从1995年的429．8亿元增加到12526．1亿元。但是这部分基金是国民最基本的养老保障，所以国家规定这部分基金在留足两个月费用后，结余部分只能存入银行或购买国债。然而如果严格执行这种规定，以一年期银行存款利率作为银行存款收益率(若有利率调整，则以天数为权重进行加权平均)、以五年期国债票面利率作为国债收益率来计算养老基金的投资收益率，在排除通货膨胀影响的情况下，基本养老基金的投资收益从2004年开始就进入了负增长阶段。2004年一年期存款利率为2．03%，五年期国债票面利率为3．06%，通货膨胀率为3．9%;2008年的一年期存款利率为3．93%，五年期国债票面利率为5．98%，通货膨胀率为5．9%;2010年一年期存款利率为2．28%，五年期国债票面利率为2．53%，通货膨胀率为3．3%①。基本养老金产生了严重的缩水现象。个人账户基金方面，由于我国养老保险制度从国家统筹现收现付制模式向统账结合模式转变过程中，为填补当年养老金发放空缺，过多地使用了个人账户基金，导致个人账户基金积累的名存实亡，造成严重的“空账”运行问题。为缓解这一突出问题，我国自2000年开始推行“做实个人账户”改革，并取得了一些成效。2010年5月6日全国社保基金理事会公布的年度报告显示，个人账户空账运行问题已得到了初步缓解，2009年末个人账户基金增至439．59亿元②。目前这部分基金以及中央财政对个人账户的补助基金都交予了各地区社保基金理事会投资运营，其投资收益率和社保基金的收益交融在一起。根据数据分析，个人账户基金的投资管理成效并不乐观，上海市的平均实际收益率仅为0．22%，其他省份可见一斑。所以，如果延续现在的个人账户投资管理模式，个人账户基金很难达到保值增值的效果。近年来企业年金规模的发展也不容小觑，企业年金已经从2000年的191亿元增值到目前的2525亿元，在过去四年平均每年增加461亿元。据专家预测，到2030年我国养老基金总规模有望达到15万亿元，届时中国将成为世界第三大企业年金市场③。企业年金作为补充性养老保险基金，对安全性和流动性的要求较之基本养老基金略低，投资限制相对较小，相关文件也将企业年金的投资运营权交予了各地社会保险经办机构或企业自身，资金的投资方向也有所放松，允许购买保险公司的团体保单、委托信托证券公司等机构投资于流动性良好、风险较低的金融产品，这就有助于充分利用投资组合提高投资收益水平。然而现实情况是:目前我国企业年金的银行存款和国债占总投资额的80%以上，投资于金融产品的基金份额还不足20%，严重制约了企业年金投资收益的提升。据统计，企业年金的平均收益率2000年只有2．79%，中部地区还不足1%;虽然从2006年第四季度开始，企业年金的投资收益率有增长的趋势，甚至在资本市场一片大好的2007年达到24．5%，但受金融危机冲击，2008年又下滑到－1．83%。这也说明企业年金投资受市场波动影响较大，虽然多元化投资有利于实现养老金的保值增值，但目前缺乏良好的风险规避机制，极易引起收益大幅波动。全国社保基金是为了应付老龄化高峰的挑战、填补当期养老金支付缺口而存在的，这部分基金的支出比例较低，大部分用于积累，这一特点使其有利于进行长期投资。全国社保基金在2010年已增至6927．73亿元，其投资政策相对宽松，投资渠道除了债券、银行存款和股票外，还包括资产证券化产品、证券投资基金、各种金融衍生工具以及海外投资等。随着多元化投资策略的实施，全国社保基金的收益也不断提高，特别是投资环境较好的2007年，投资收益率高达38．93%，收益额为1129．2亿元。同时我们必须认识到，相对于发达国家，我国社会保障基金的投资收益率还是偏低，离支付压力的增加所要求的收益率水平还有一定差距，而且我国养老金投资受资本市场波动性的影响过大，必须找到合理的规避市场风险的投资组合和投资工具，才能更好地实现养老基金规模的稳步增长。总体来看，目前我国养老基金运营管理模式在保障养老基金安全性和流动性方面取得了一定成效，但与国际收益水平相比还相差甚远，而且跟不上我国经济发展步伐，没能充分享受我国整体经济增长所带来的成果。根据蒋斌等人的研究，只有养老基金账户长期收益率不低于长期通货膨胀率与工资增长率之和时，才能使个人账户达到理论上设计的28%的替代率或支付额度，目前的收益显然达不到。而且目前的经济形势和人口老龄化带来的冲击迫使养老金采取能带来更高收益率的投资手段，以保证未来的支付能力。由于我国资本市场尚不成熟，投资环境尚不规范，急需建立有效规避风险的投资机制，找出有效的投资组合和资产配置比例。

三、利用多目标投资组合模型分析养老金投资组合管理模式

养老基金投资组合的建立必须遵守安全性和流动性的基本原则，同时兼顾收益性和社会效益。本文以这三种投资工具为分析对象，建立投资组合模型，分析不同投资比例下养老基金的投资收益和面对的风险。

(一)指标的选取和计算

考虑到养老金投资注重长期收益的特点，本文选用1998年至今13年的数据。以一年期存款利率作为银行存款收益率，年内有利率调整的，以天数为权重进行加权平均。以五年期国债的票面利率作为债券收益率。股票收益率的确定以上证综合指数和深证综合指数为计算依据，采用多期加权平均的方法:先利用每天的收盘价计算环比增长率，然后相加得出当月股票收益率，依据每月的股票收益率计算每月的环比增长率，然后计算上证综指和深证综指的股票年收益率。截至2011年3月18日，根据上海交易所公布的沪市证券总市值为188783．67亿元，深证交易所公布的深市总市值为90627．24亿元，所以沪市和深市的股票收益率再以0．676和0．324为权重进行加权平均，最终得出股票的投资收益率。然后利用SPSS软件对三种投资工具的投资收益率进行分析，得出三类投资工具的平均投资收益率、方差、标准差，如表1所示。对三种投资工具进行相关性分析，得出数据如表2所示。可知银行存款投资收益和国债投资收益正相关，和股票投资收益率负相关;国债投资收益和股票投资负相关。

(二)建立多目标投资组合模型

篇（8）

股票投资评价资料获取渠道

一是网站和专业报纸、杂志公开的上市公司基本面信息和财务面资料；二是通过实地考察获取最有价值的上市公司基本面和财务面资料。

上市公司基本面分析

（一）行业风险和企业经营环境分析

1．社会、人口和技术变化分析：（1）消费群体状况的影响：人群年龄结构、文化结构、开放程度和收入水平对企业产品的需求敏感性分析；（2）国际政治关系的影响；（3）环保等社会意识对行业的影响；（4）技术进步对行业的影响（一般较大）。2．行业发展与经济运行周期的相关性：主要分析行业未来发展状况与未来国家及区域经济运行态势的相关度，以及是否符合国家乃至地方的产业政策，国家产业政策即经济制度安排，在社会资源配置的条件和实现的可能性等方面，直接决定着企业的未来发展空间。3．行业的周期性分析：根据行业发展周期，分析行业的成熟程度，饱和度以及所处的发展阶段，包括初创期、成长期、成熟期、衰退期。4．行业的竞争性分析：主要分析行业内的竞争程度，企业在行业内所处的地位以及竞争优势、劣势等。5．行业的盈利性分析：主要考察企业所处行业的平均利润率，从而推断企业的利润水平。6．行业的进入壁垒：分析行业进入的难易程度，判断新竞争者加入的可能性，从而预测行业未来的竞争程度。7．行业的法律和政策环境：主要考察行业发展的法律及政策环境，法律和政策的稳定性，有无对行业发展产生不利影响的因素。

（二）企业竞争力分析

1．管理团队素质。从企业法定代表人和主要管理人员的个人背景、从业经历、经营业绩、信用记录、实干能力等方面出发，判断企业管理团队是否具有丰富的管理经验和较高的管理水平、显著的历史经营业绩、良好的信用记录和社会声誉等，由此评判企业主要经营管理人员的管理素质。

2．企业员工队伍素质。主要考察被担保企业员工队伍结构（包括业务技术结构、文化层次结构、年龄结构）和技术素质（主要考评劳动者的敬业精神和实际操作能力）。

3．产品、市场与销售预测分析。主要从产品的特点、技术含量，产品细分化程度，产品可替代性、产品的生命周期、产品的品牌知名度、产品在市场上的竞争能力、市场分布状况、主要市场份额，市场营销及市场拓展能力、营销队伍的素质和稳定性、销售网络的稳定性，市场的未来变动趋势，对主要客户和供应商的依赖程度，其生产成本的优势及市场议价能力，以及对主要竞争对手等方面加以分析。对企业产品的销售预测除了基于对其市场需求的准确了解以及对企业的市场营销能力、营销网络的分析外，更重要的是基于对企业以往的销售历史记录和未来销售合同的分析，同时还应对企业的销售运作模式和结算方式进行分析，这也是预测企业未来现金流量的主要依据。

4．技术装备水平和生产能力分析。技术硬件包括机械设备、单机或成套设备、基础设施等水平，主要从设备先进性、适用性、设备成新度三方面考察；软件部分主要考察企业生产工艺技术的先进性和成熟度，规模化生产的成熟程度以及市场的成熟度。一般应从以下几个方面来分析。（1）技术来源：主要核实企业的技术是否具有自主知识产权，判断技术的相对垄断性和稳定性；（2）技术研发能力及发展潜力：主要考察研发人员的素质及企业技术的后续储备发展潜力；（3）科研条件和技术市场优势：考察企业科研投入、科研环境以及技术的市场需要程度、市场竞争力和应用范围。（4）生产者的操作技术和熟练程度等。（5）同时应注重设备的综合利用程度，是否能够科学、有效、合理使用设备，是否最大限度地发挥了设备的生产能力。对企业生产能力的分析可以使业务人员了解到企业所预测的销售收入是否与其实际生产能力相匹配，其生产设备以及工艺技术、原材料供应是否能够保证销售合同的顺利完成。

5．经营战略分析。财务报表分析的一个重要始点，它可以有助于确定企业的利润动因和主要风险，进而据此正确评估企业经营的可持续性，使评估人员能够在一个高质量的水平上探查企业的经济状况。主要包括企业产品市场定位，市场营销策略，技术发展战略，财务目标、举债策略、投资及收购计划，企业与其他企业竞争策略，企业发展方向等方面分析。

6．成本控制和成本降低能力。主要从企业的成本控制系统的组成（组织系统、信息系统、考核制度和奖励制度）和成本控制的基本原则着手分析。前者主要观察企业是否建立起成本中心、利润中心和投资中心的责任和控制范围；后者则主要看领导推动、全员参与情况以及经济原则的贯彻情况。7．企业基础管理水平。主要考评企业内部组织结构是否合理，各项管理规章制度是否健全，生产现场是否整洁，物流是否通畅，生产及管理效率是否高效，质量认证情况。

上市公司财务面分析

篇（9）

基金项目：黑龙江八一农垦大学研究生创新项目（项目编号：YJSCX2014-Y36）

中图分类号：F83 文献标识码：A

收录日期：2014年12月12日

一、引言

随着资本市场不断发展与完善，目前共有二千多家上市公司在沪深两市挂牌交易。面对纷繁复杂的交易信息和多元化的投资策略，处于劣势地位的广大投资者如何在瞬息万变的股市中选择高价值的上市公司进行投资成为广大市场参与者及国内外学者研究的热点问题。作为投资价值理论的创始者，本杰明・格雷厄姆于1929年提出了基于安全边际原则的投资理念；而巴菲特对投资价值理论的成功实践则掀起了投资价值的研究热潮。

针对投资价值的分析方法，学者林斗志（2003）通过运用统计分析的方法指出我国股票市场不稳定需要进行理性投资。费斯・迈克尔（2005）则引入了层次分析法来分析上市公司在财务方面的投资价值。任福军（2005）通过引入因子分析法来研究其在证券行业投资价值评价中的有效性。张蕾（2007）则指出将层次分析法与因子分析法结合运用能更好的反映上市公司的内在价值，这有利于对投资者进行投资决策提供指导。

针对投资价值选取指标的研究，孟赞提出运用净资产收益率、每股收益、市净率、市盈率、产权比率这五个关键财务指标来反映公司的价值，以达到为投资者提供投资决策的目的。刘强、赵振全（2004）则进一步扩展指标，通过建立全面反映上市公司股票投资价值的指标体系对股票的相对投资价值进行分析。

投资价值分析还应结合行业的适用性来研究，李立辉（2002）通过对各行业的投资价值进行研究，得出各行业投资价值的综合评估排序，并指出不同行业的投资价值不同。随后，孙美、刘亚萍（2008）明确指出应区分不同行业来分析上市公司的投资价值才更具可比性。

总的来说，国内外关于上市公司投资价值的研究较为广泛，许多学者在分析需区分行业进行研究方面达成一致，但大都集中在财务层面进行研究，并且研究方法存在一定的主观性。

基于此，本文将投影寻踪模型引入上市公司内在价值的量化评价领域克服了评价中存在的主观性问题，并构建基于BSC的财务层面、顾客层面、内部流程层面及学习与成长层面的综合指标体系，同时剔除了不同行业评价指标的偏差性，本文选择信息技术行业为研究对象进行投资价值的实证研究。

二、研究设计

（一）运用投影寻踪进行优序排列。投影寻踪是一种被用来分析和处理高维度数据的有效方法。Kruscal首先使用投影寻踪将高维度数据经过某种组合后投影到低维空间上，并通过一系列计算，极大化反映数据聚类程度的指标，从而得到反映高维数据结构特征的最优投影。相比传统的方法，投影寻踪分析法对数据的特征或结构没有任何条件的限制，而且能够直接观察数据的优点，并能够有效地排除专家判断的主观性，有利于提高综合评价的可靠性与准确性。因此，本文运用投影寻踪模型来计算代表上市公司内在价值的综合得分并进行排名。

（二）评价指标的选取。本文考虑信息技术行业的独有特征，根据平衡积分卡的原则来构建指标进行实证研究从而量化上市公司的内在价值。

1、财务层面指标的选取。从反映信息技术行业上市公司内在价值的角度出发，选取公司的盈利能力、发展能力、营运能力、偿债能力来反映其内在价值在财务层面的体现。其中，选取销售净利率、净资产收益率作为反映盈利能力的指标；发展能力指标则选取总资产增长率；流动资产周转率则反映上市公司运营能力；最后，选取流动比率反映公司的偿债能力。

2、顾客层面指标的选取。顾客的满意程度对企业来说具有重大的意义，企业在顾客层面的指标则以新增顾客获得率和顾客保持率为代表。

3、内部流程层面指标的选取。内部流程层面则选取销售费用率来代表企业内部对销售的重视程度，此外选择R&D投入回报率及R&D占比来反映企业内部流程中对研发的重视，最后选择存货周占率来观察企业内部存货的积压程度、内部的周转情况。

4、学习与成长层面指标的选取。信息技术行业需要不断改进现有产品和程序，引入新产品，才能适应激烈的市场竞争。公司学习和成长的能力是与公司价值直接相连的，只有加强学习与成长能力企业才能创造更多的价值。因此，要调动员工的创造力实现企业的目标企业必须重视员工的学习与成长。本文选取员工平均生产能力、本科及以上人员占比、技术人员占比及员工股票期权占比来反映企业内部员工的能力、员工质量、信息系统能力及员工保留保持率。

（三）内在价值评价指标体系。（表1）

三、实证分析

（一）样本选取与来源。本文以沪市A股信息技术行业上市公司作为研究对象，样本选取的主要约束条件有：2013年上市；目前状态为正常上市；财务及非财务数据资料完善。最终获得33家信息技术行业的上市公司。数据源于国泰安数据库和上市公司年报。

（二）模型解析。运用投影寻踪模型来量化上市公司内在价值，通过计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）。根据投影寻踪模型计算出的最佳投影方向结果，可以得到各个二级指标对上市公司内在价值评价结果的贡献率。（图1）

由图1可知，二级指标对上市公司内在价值的影响程度从大到小依次如下：授予员工股票期权占比、R&D占比、技术人员占比、销售费用率、新增客户获得率、客户保持率、现金比率、存货周转率、销售净利率、本科及以上人员占比、员工平均生产能力、总资产增长率、流动资产周转率、净资产收益率、R&D投入回报率。

根据图1所得的二级指标贡献率，进一步计算得到一级指标的贡献率，如图2所示。（图2）

由图2可知，一级指标对上市公司内在价值贡献率大排序依次为：内部流程层面>学习与成长层面>财务层面>顾客层面。因此，企业不应该像过去一样只注重财务绩效，企业应该关注更多的非财务层面的影响因素，加强企业内部的流程建设，同时注重企业自身的创新与学习以给企业注入源源不断地活力。此外，企业在顾客层面应该加强管理。

根据a值，进一步求得不同密度下综合评价投影值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）。根据投影值的大小，可得出33个样本的排名，即信息技术行业上市公司内在价值综合排名情况，如图3和表2所示。（图3、表2）

四、结论

本文通过对信息技术行业上市公司的内在价值进行研究得出如下结论：采用平衡计分卡比采用单一的财务层面的指标具有更高的解释能力，通过平衡计分卡来分析上市公司的内在价值有助于了解企业价值创造的来源；平衡计分卡四个层面对企业价值都有显著的影响力，不可偏废；将投影寻踪模型应用于上市公司内在价值评价领域，克服了传统方法数据分辨精度不高和评价结果离散性不强的困难，从而使得到的上市公司内在价值排名结果更为客观准确；运用投影寻踪得出的各一级指标贡献率可知内部流程层面、学习与成长层面是信息技术行业上市公司内在价值的主要影响因素，投资者在进行投资时应着重考虑这些方面。

主要参考文献：

[1]玛丽・巴菲特，戴维・克拉克等.巴菲特教你读财报[M].北京：中信出版社，2009.

[2]林斗志.价值投资在我国股市表现的实证分析[J].财经科学，2003增刊.

篇（10）

一、引言

适时开展股指期货交易具有重要的意义：为投资者开辟了新的投资渠道，进一步推动投资理念的转变；创造性地培育机构投资者，改变投资者结构；回避股市系统风险，促进股价的合理波动，充分发挥经济晴雨表的作用；深化资本市场改革，完善资本市场体系与功能，等等。但是，股指期货也有其风险，保证金机制所产生的杠杆效应、每日结算制度带来的资金压力以及期货高于现货市场的敏感性，都给投资者造成了看得见的风险与压力，它为投资者“以小博大”提供可能的同时，投资风险也被同步放大。

2007年10月底，中国证监会主席尚福林指出，中国股指期货在制度和技术上的准备已基本完成，推出的时机正日趋成熟。一段时间以来，只闻楼梯响，不见人下来。股指期货吊足了各路投资者的胃口，他们历兵秣马对股指期货充满了期待，期待在将来的股指期货交易中一显身手赚得个盆满钵满。在股指期货何时推出仍然悬而未决的时候，正是继续做好投资者风险控制教育的有利时机。

二、股指期货风险何在

股指期货作为金融衍生品的一种，风险规模大、涉及面广，具有放大性、复杂性、可预防性等特征，股指期货使价值投资理念得到弘扬，市场稳定性提高，但是，投资者投资方向一旦出现错误，风险会成倍放大。对于股票投资而言，三四个跌停也许并不会使持有者陷入绝境，但对于股指期货，10％的升跌就会将保证金全部蚀光，满仓操作更有“暴仓”的危险。概括起来，股指期货风险成因主要有以下几个方面：

1.基础资产价格波动。期货市场的投资机会是买卖期货合约的获利机会，市场机会的把握是投资成功的关键，但是机会是市场预期、分析、判断的产物，存在着不确定性。股指期货作为指数的衍生品与股票市场有着天然的密切联系，相互影响、连锁反应，股票指数的涨跌决定股指期货的赢亏，股指期货发挥着指引股指现货的价格发现功能，也可能使股票市场波动增大。

2.杠杆效应。股指期货将以沪深300指数为交易标的，假设股指期货的保证金为合约价值的10%，投资者投资500万元的股指期货，只需50万元的保证金。如果看对了方向，当指数上涨5%时，他的盈利为25万元；同理，如果判断失误，其亏损也会放大10倍，它在放大盈利的同时也放大了亏损，这种以小博大的高杠杆效应是股指期货市场高风险的主要原因。而且这种亏损和股票的浮动盈亏不同，是真金白银的实际进出，一旦被强行平仓，投资者不可能像股票那样通过长期持有获得“解套”。

3.高流动性。股指期货设立的初衷是为了规避现货市场的系统风险，但是，作为一种风险管理工具，它有着不同于现货交易规则的高流动性，具体表现在，一是参与机构众多；二是T＋0的交易制度和保证金制度，投资者可以用少量资金在当日多次交易数倍于面额的合约，再加上期货交易实行每日无负债结算，一旦方向做反，稍大的价格波动就可能招致强行平仓，一次亏损就会将以前的盈利和本金消耗殆尽；三是作为期货产品的时间概念与股票不同，一般持有5天以上即算长期，持有期的缩短必然使交易更加频繁。

4.市场风险。股指期货业务中市场风险来源于它的不确定性，因为任何分析都只是预测，存在着与市场价格偏移的可能性。期货交易是一一对应的零和规则，即市场存在多少买方合约就存在多少卖方合约，如果市场中持有合约的买方赚了钱，那么持有合约的卖方肯定就赔了钱，反之亦然。投资者在每一次交易中，不是充当买方就是充当卖方，交易结果除了赚钱就是赔钱，概莫能外。也就是说，期货交易买卖双方必有一方赚钱，一方赔钱，这是机会和风险并存的客观原因。

5.机制不健全带来的风险。如果股指期货市场管理法规和机制设计不健全，可能产生流动性、结算、交割等风险，在股指期货市场发展初期，可能使股指期货与现货市场间套利有效性下降，导致股指期货功能难以正常发挥。小而言之，有的机构不具有期货资格，投资者与其签订经纪合同就不受法律保护；某些投机者利用自身的实力、地位等优势进行市场操纵等违法、违规活动，使一些中小投资者蒙受损失；投资者在一些经纪公司或者公司签署合同时，由于不熟悉股指期货各个环节的流程，不熟悉相关法规，对于那些欺诈性条款不能识别而导致风险。

三、加强风险控制教育

股指期货的投资理念、风险控制、交易标的、风险特征和运行规律等方面有着自己的特点，大力开展投资者教育和股指期货知识宣传、普及，有利于帮助投资者尽早熟悉市场、增强风险意识、提高投资决策水平；有利于投资者树立科学的投资观念，理性参与市场。

1.明确游戏规划。股指期货投资者教育工作效果的好坏，将直接关系到股指期货产品能否顺利推出、平稳运行、功能发挥、长远发展，投资者风险控制教育以及股指期货知识的普及是一项系统工程，需要监管部门、媒体和各相关机构的共同努力。中国金融期货交易所制定了“一规则三细则五办法"，明确了股指期货的风险管理制度和实施办法，这是股指期货的基本原则及操作指南，首要的任务是要宣传、普及这些规则、细则、办法。除了可以利用电视、报纸和网络等大众媒体加以普及，也可采取成立培训讲师团、编印各种基础知识读本等形式，开展多层次、全方位的宣传教育，避免期货经营机构和投资者在对市场缺乏基本判断，对市场风险缺乏基本了解的情况下盲目参与。

2.突出风险教育。投资者在依据预测提供的入市机会进行交易时存在交易风险，期货交易机会和风险并存是客观存在的。但是，一些投资者在入市之前不能正视期货交易的风险，热衷于期货交易“以小博大"的市场机制，这需要在投资理念和舆论宣传等方面积极加以引导，帮助他们认识金融期货的特点，客观评估各自的风险承受能力，从而做出科学理性的投资决策。

3.培养理性投资群体。把握机会是获取收益的前提，控制风险是获取收益的保证，投资收益实际上是把握投资机会和控制投资风险的报酬，面对机会和风险，不同投资者会做出截然不同的选择。有些投资者缺乏期货交易的常识和风险控制意识，喜欢听信传言跟风而动；有些投资者缺乏自信，在“一慢，二看，三通过"中失去了市场投资机会；有些投资者见涨就买，见跌就卖，一旦出错，就立即砍单，习惯过度交易，热衷于短线交易和满仓交易，没有止损概念，这些非理性投资群体将是期货市场的失败者。风险控制教育的目标是要培养一批理性投资者，他们对风险投资和资产管理有清晰的认识，面对市场机会和市场风险头脑清醒，习惯于从风险的角度来考察和选择市场机会，每一次交易都能经过缜密的分析、事后又善于总结经验教训，他们也会在某次交易中失手，但是，他们往往能够笑到最后，成为股指期货市场上的赢家。由众多理性的投资者组成的市场才是理性的市场。

4.注意教育的针对性与实效性。风险控制教育既要宣传投资机遇，更要告知市场风险；既要普及证券期货基础知识，又要培训风险控制能力；既要明确金融期货的重要作用和发展前景，又要正确面对可能遇到的困难和挫折。以风险防范为重点，深入剖析股指期货的风险特征，使投资者获得启发和教益。初期可将工作重点放在基础知识、法规政策、交易流程、风险特征等基础知识的普及上，随着投资者对股指期货市场的逐渐熟悉，可以将培训工作逐渐过渡到交易策略、风险管理和市场研究分析等领域。股指期货对内地投资者来说是一个新生事物，但是国外的期货市场大量的风险投资案例给我们提供了丰富的素材，从中选取典型案例教育投资者，是一种事半功倍的方法。

加强风险控制教育，不仅能够普及股指期货知识和相关政策、法规，提高全社会对期货市场的认识，更重要的是，风险控制教育能够使投资者、期货从业人员树立正确的投资理念，倡导理性参与的意识，为股指期货的成功推出和平稳运行创造条件，为期货市场的长远发展奠定基础。

四、提高风险自我控制能力

股指期货在交易规则、方式、投资策略等方面与股票、债券、基金存在很大的差异，与投资商品期货也不尽相同。对广大的证券投资者来说，一定要深入地学习、系统地了解相关的知识，以改变业已形成的投资习惯和心理。尤其是在股指期货推出的初期，中小投资者最好能抱着尝试和学习的态度，在资金运用、风险控制和危机处理等方面加强自我约束。机会总是青睐有所准备的人，只有做好充足准备的投资者，才能成为股指期货市场的实际得益者。

1.实力上的判断。每一笔期货交易既是一次赚钱的机会，也是一次冒险。投资者应该根据自己的资金实力、风险承受能力，了解股指期货的风险究竟有多大，自己是否有这个能力，量力而行，才能享受到股指期货交易的乐趣。善于独立分析，善于总结经验教训，不人云亦云，不盲目跟风，在交易中又能够控制好自己的情绪，才能亏得起赢得起。

2.知识上的准备。参与股指期货交易，必须做好知识上的准备，要有效地把投入资金比例、开仓头寸、止损幅度设置好，如果在知识面和操作技巧没有预先的学习和贮备的情况下贸然参与股指期货，将承受更多更大的风险。深入了解股指期货的基本知识、风险控制的基本方法，熟练掌握期货交易规则、期货交易软件的使用以及期货市场的基本制度，将游戏规则了然于胸后再坦然进入这个机遇与风险并存的市场，将成为期货投资赢亏的关键。

3.心理上的准备。期货合约是一个完全被放大了的市场，对广大投资者来说也是一个心理上的考验。在指数大起大落，资金大进大出的股指期货市场，一些投资者出现贪婪、恐惧、急躁等情绪在所难免，具备一定的心理素质，清醒地认识到自己的风险承受能力，在自己的心理承受能力的范围内从事股指期货，才可能够在操作中游刃有余，避免出现心理上的崩盘。

4.控制风险的方法。由于每日结算制度的短期资金压力，投资者既要把握股指期货合约到期日向现货价格回归的特点，又要注意合约到期时的交割问题；既要抛弃股票市场满仓交易的操作习惯，控制好保证金的占用比率，防止强行平仓风险，又要根据交易计划加仓或止损，切忌心存侥幸心理硬扛或在贪婪心理驱使下按倒金字塔方式加仓。控制风险的方法很多，理论上的积累固然重要，也需要投资者在今后的操作实务中善于归纳、总结。

发展股指期货是完善和深化我国证券市场的必然选择，通过风险控制教育，让投资者掌握股指期货的运行规律，了解股指期货的风险特点，这样才能使投资者理性参与股指期货交易，确保股指期货的平稳运行。

参考文献：

1.姜昌武.应对股指期货时代的市场风险.中国证券报，2006.6.29

篇（11）

中图分类号： TP181

文献标志码：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.

英文关键词Key words：

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

0引言

时间序列的分析预测问题一直是一个研究热点，在时间序列问题中金融股票价格的分析和预测是一个重要的研究领域。现有对股票价格的预测研究主要有两种方法[1-2]：一种是关注短期内股票价格变化的预测，该研究方法不仅需要解决数据高频变化带来的问题，同时在实际应用中不适合中长期投资交易；另一种研究方法关注对股票价格转折点的预测，进而确定股票交易信号。实际投资中，在股票价格转折点处进行交易能够获得最优的收益，因此认为股票价格转折点是股票最佳交易信号[1-4]。通常，相比价格的短期变动，价格转折点之间具有更长的时间间隔，可以避免股票数据高频变化带来的影响。如果能对股票价格转折点进行准确的预测，就能够确定股票的交易信号，从而给投资者带来更大的收益。然而，对股票交易信号的预测需要解决转折点提取、预测模型建立等一系列问题，导致目前仍没有很好的预测方法。

对股票交易信号进行预测的首要问题是如何确定股票价格历史数据中的交易点即转折点。如何提取历史数据中具有交易价值的转折点是一项困难的工作，国内国外的很多学者对这一问题进行了深入研究并取得了大量成果[5-7]。除了传统的离散傅里叶变换[8]以及小波分析[9]等方法外，Chang等[2]将分段线性表示（Piecewise Linear Representation， PLR）应用到股票历史数据转折点的提取问题中，取得了一定成果。PLR算法能够准确地将股票价格历史数据分成不同的类型，输出的相邻段之间的连接点恰好可以表示股票价格趋势的变化，同时其阈值的选取具有很好的灵活性，可以适应不同的投资类型（短、中、长期）。

股票交易信号预测所需解决的第二个问题是如何对股票价格与特征（各种股票价格指标）之间的关系进行建模，进而对交易信号进行分类预测。近年来，利用BP神经网络（Back Propagation Network， BPN）、支持向量机（Support Vector Machine， SVM）等方法在股票价格预测问题上均取得了较好的研究成果。如Zhang等[10]研究了应用BPN解决股票预测中如训练集最优化长度、神经网络输入选取等问题。Chang等[2-3]应用BPN对股票交易信号与影响因素之间的关系进行了建模研究。Cao等[11]应用带有附加参数的SVM算法对股票价格预测进行了研究。特别地， Chang等[2-3]在对股票交易信号进行预测的研究中综合了PLR与BPN算法，PLR算法用来提取历史数据中的转折点，BPN算法则用来对关系进行建模。Luo等[1]采用了加权的支持向量机（Weighted Support Vector Machine， WSVM）对股票价格与影响因素之间的关系进行了建模研究。文献[1-3]的研究结果表明，PLRBPN与PLRWSVM算法都能够较好地对股票交易信号进行预测，具有一定的准确率，相比基本的买入持有投资策略能够获得更高的收益率。BPN与SVM在机器学习领域得到了大量应用[11-12]，但其数学基础导致分类不具有实际概率意义，应用于股票预测不能对投资信号进行概率解释，因而对于不同风险偏好类型的问题缺少一定的灵活性。

高斯过程分类（Gaussian Process Classification， GPC）[12]具有严格的数理统计基础，与BPN和SVM相比具有易实现、超参数自适应获取等优点，输出结果具有实际概率意义，可对预测结果作出概率解释，在时间序列预测问题中取得了较好的研究成果[13-14]。

本文结合PLR与GPC形成PLRGPC股票交易信号预测算法，其中：PLR算法用于提取历史数据中的转折点，GPC算法用于对股票价格与特征之间的关系进行建模。最后将预测结果准确率及交易决策收益率与PLRWSVM算法以及PLRBPN算法进行了分析对比，并对GPC的概率预测结果进行了分析。

1PLR算法原理

采用PLR算法对股票价格历史数据中的转折点进行提取。将股票价格历史数据表示成近似的线段组合，则两条线段之间的交点即是股票价格的转折点，通常认为股票价格的转折点即为最优交易点。

PLR算法将一个时间序列T={y1，y2，…，yl}表示为近似的线性分段的形式，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段的结尾点，Li（yti-1+1，yti-1+2，…，yti）（1≤i≤k）表示点序列yti-1+1，yti-1+2，…，yti的近似替代直线。由于ti表示曲线移动趋势的变化，因而通常将ti称作转折点。

本文中选取自顶向下的递归方法来线段化股票收盘价格数据，采用线性插值方法生成近似线。自顶向下算法首先扫描整个过程数据，找到最佳分割点，将序列分为 2个子序列，计算子序列的拟合误差。文中拟合误差选择垂直距离（序列中各点到序列首尾连线的最大距离）。如果子序列最大拟合误差大于阈值δ，用同样方法将子序列再次划分成2个子序列，直到所有子序列的拟合误差都小于设定阈值δ。

图1显示了对同一股票时间序列作PLR运算的结果。股票数据来源为雅虎数据库，选取代码为sh600053的股票，时间范围为20100104―20110818，参数δ分别选取为005、0.1、0.2。从图1可以看出阈值δ对股票序列转折点的提取结果有很大影响，对不同股票选取合适的阈值δ是必要的。

2高斯过程分类

基于高斯过程可以构建出回归与预测两类问题[15]。高斯过程分类是建立在贝叶斯推理框架下的一类有监督分类算法，最早用于解决非线性实值预测问题，与BPN和SVM相比其输出结果具有概率意义，可用于解决概率预测问题[16]。

假定模型的训练数据集为D=（X，y），包含N个数据样本，其中：X=[x1，x2，…，xN]T是训练集样本组成的矩阵，y=[y1，y2，…，yN]为对应样本矩阵的目标向量。对于样本集中的每个训练样本xi∈Rd（i=1，2，…，N），对应的目标值即类别标签yi∈{-1，1}。对于一个新的测试样本的输入向量x，其类别标签是未知的，高斯过程分类通过计算后验概率π（x）=p（y|D，x）来预测x所属的类别。

引入隐函数f，对于一个输入向量xi，其属于某一类别的概率与该隐函数的值f（xi）成单调递增的函数关系。

通过将逻辑对数（logistic）函数应用于隐函数f得到类概率的值，逻辑对数（logistic）函数为：

λ（z）=11+exp（-z）

（2）

于是得到π（x）=λ（f（x））。

通常将分类问题分为两个步骤，首先就是需要计算对应一个输入测试值的隐变量的分布情况，即：

p（f*|X，y，x*）=∫p（f*|X，x*，f）p（f|X，y）df

（3）

式中p（f|X，y）是隐变量的后验，即：

p（f|X，y）=p（y|f）p（f|X）/p（y|X）

（4）

通过隐函数f*的分布得到一个输入变量类别的预测概率：

*p（y*=+1|X，x*，f）=

∫ σ（f*）p（f*|X，x*，f）df*

（5）

进而将作为测试点x属于类别+1的概率。

式（5）中积分直接计算比较困难，通常有两种近似化分析方法进行近似计算：一种是拉普拉斯近似化方法（Laplace）[13]，另一种是期望传播近似化（Expectation Propagation， EP）方法[14]。本文中高斯过程分类器的实现采用Laplace近似法实现，此处不作推导，推导过程可详见文献[17]。

对于样本类标签为（+1，-1）的二元分类，GPC的结果中测试样本的隐函数均值以0为分界线分布于0平面上方或下方，输出结果的正类概率分布于（0，1）区间内。

通常，对二元GPC的输出进行简易判断，即当样本属于正类的概率π>0.5时，将其划为正类；否则，将其划为负类。但股票交易十分复杂并且具有不确定性，可能导致出现极少或者极多的概率预测结果超过0.5，此时按照上述分类方法效果不好。然而注意到，GPC输出具有实际概率意义，代表了分类结果的可信度，在预测概率普遍不高（0.5）的情况下，可以灵活选取正负类的分类阈值，在保证输出结果概率意义的条件下获得更好的分类效果。

3基于PLR与GPC的股票交易信号预测

本文综合PLR与GPC算法形成PLRGPC股票交易信号预测算法，PLR算法用于提取股票每日收盘价历史数据中的转折点，GPC算法用于对股票价格与特征之间的关系进行建模。为了客观地说明PLRGPC股票预测算法的收益情况，选取了现今在实际投资领域较为常用的两种决策方法来衡量PLRGPC预测算法的收益能力。

3.1模型输入特征

模型的输入变量是影响交易信号的特征。在股票预测问题中，输入变量的选择十分重要，通常选择一些股票技术分析指标；，如移动平均线（Moving Average， MA）、相对强弱指数（Relative Strength Index， RSI）、【成交量（Trading Volume， TV）、威廉指标（Williams%R， WR）、随机指标（KDJ）、平滑异同移动平均线（Moving Average Convergence/ Divergence， MACD）[1]等。此外许多学者也提出了大量的技术分析指标来分析预测股票交易信号；

而为了增加输入变量的信息量，本文还参考文献[1]增加了一些在股票市场研究中较为新颖的技术分析指标作为输入特征。这些指标的具体说明如表1所示。

本文增加的第一个是价格振幅指标ALT（Amplitude of the price movement）表示一个交易日中价格的振动幅度，定义如下：

ALT=[HP（i）-LP（i）]/LP（i）

（6）

其中：HP（i）为第i个交易日的最高价，LP（i）为第i个交易日的最低价。ALT反映了股票的活跃程度，如果某只股票的ALT为0，表明这只股票活跃程度为0，往往其收益率较低。

另一个增加的特征指标是K线指数（Index for the Type of KLine， ITL），定义如下：

ITL=

1，CP（i）>OP（i）

-1，其他

（7）

其中：CP（i）为第i个交易日的收盘价，OP（i）为第i个交易日的开盘价。ITL对投资者的情绪有重要影响，当ITL=1时表明股票价格升高，对购买股票是一个积极影响；ITL=-1则对股票购买来说具有消极影响。

除了ALT与ITL之外，本文还选取了乖离率BIAS、10天ROC指标、顺势指标CCI、心里线指标PSY、买卖动力指标AR、买卖意愿指标BR、14天正方向变动指标DIP14以及14天负方向变动指标DIM14等技术指标作为输入特征变量。表1显示了本文所选取的输入特征变量。

3.2数据样本集构造

在时间序列分析中，通常将整个数据集分成一系列相互覆盖的训练测试数据集。本文将股票每日收盘价格历史数据分成了一系列相互覆盖的训练测试数据集，使得数据可以得到更好的利用并且降低了数据的时变特性。图2显示了重叠分区中的两个连续的训练测试数据集。

图2两个连续的训练测试集示意图

假设数据集的总长度为r，每个训练测试数据集中训练集的长度为r1，测试集长度为r2，则整个数据集被分成相互覆盖的训练测试集的数量为：

对于训练集和测试集数据的选取需综合考虑算法模型本身要求及实际应用情况。测试集的长度r2不能选择过长，否则会造成训练模型失效；同时也不能选择过短，这样会频繁更新模型，使得计算量过大。对于训练集的长度r1不能选择过短，否则训练数据集过少，不能够对模型进行很好的训练；而r1如果选择过大，会导致训练集数据过多，不仅加大了运算量而且降低了模型的预测准确度。

3.3PLRGPC预测模型

本文综合PLR与GPC结合形成PLRGPC算法。通过PLR可以提取股票每日收盘价格历史数据中的转折点，根据提取的转折点可以将股票价格序列分成三类，即高位转折点、低位转折点和非交易点：低位转折点应该是交易过程中的最佳买入点，高位转折点应该是交易过程中的最佳卖出点。通过对转折点与非交易点进行分类标记，可得股票历史数据的类别标签。在GPC对关系进行建模前，需要选择合适的特征向量，特征向量通过对股票交易中的各种数据进行分析与处理得到。同时，为降低股票数据的时变性影响，将股票每日收盘价数据合理地划分为训练集和测试集。通过GPC算法在训练集上进行训练，获取股票价格与特征之间的关系模型，然后以测试数据作为该模型的输入，通过输出判断测试集数据的类别，判断输入数据是否为价格转折点。

GPC采用OnetoRest的二元分类方法。将全部股票收盘价数据分为三类：峰值点、波谷点以及其余普通点。PLR提取转折点后，对数据作两次独立的标记处理，两次分类标记分别为{峰值点（+1），普通点（-1）+波谷点（-1）}与{波谷点（+1），普通点（-1）+峰值点（-1）}，然后分别对这两个分类进行学习与预测，通过GPC可以得到股票价格转折点的预测结果，如图3所示。同时在PLR函数中将收盘价进行归一化处理，提高准确性。

图3PLRGPC算法原理

高斯过程分类算法输入：根据3.1节，已经提取出包括股票当日收盘价格以及与价格相关的各项特征在内的共29个特征（CP，OP，HP，LP，MA5（5天的滑动平均值，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）。

高斯过程分类算法输出：股票交易信号分类结果的概率值。通常选择分类阈值为0.5，即输出概率值大于0.5时认为是交易信号（+1类），输出概率值小于0.5时是非交易信号（-1类）；同时，根据不同的风险偏好情况选择不同的分类阈值，以适应不同风险偏好情况的投资策略。

确定了算法的输入输出，需要对模型训练样本进行构造。设xi为第i日股票价格特征向量，从数学上xi是一个1×29的行向量；yi为根据PLR算法对训练集样本中转折点的标记结果，则yi=±1；xi与yi共同组成了训练集样本对。假设训练集共有r1个交易日的数据，则训练集中输入部分的数据为X=[x1，x2，…，xr1]T，训练集中输出部分为y=[y1，y2，…，yr1]T。当进行预测时，输入为测试集时间段内的特征向量x*，同样也为一个1×29的行向量，而此时的输出即为分类结果。X、 y与x*共同组成了训练数据集D=（X，y）。

综上，可总结PLRGPC算法流程如下：

输入

股票历史数据集D，PLR参数δ，训练集长度r1，测试集长度r2；

输出

待选转折点交易信号及其概率。

算法流程：

1）根据3.2节计算方法计算股票价格特征向量M，并加入数据集D中。

2）归一化数据集D和特征向量M。

3）计算训练测试集数量q。

4）将i置为1。

5）当i≤q时：

a）从数据集D中选择第i个训练测试集；

b）根据给定的参数δ计算第i个训练测试集中的转折点；

c）根据计算出的转折点对数据集中的收盘价格进行两次分类标记，分别标记出买入点和卖出点；

d）使用第i个训练集对预测模型进行训练；

e）使用训练好的模型对第i个测试集进行分类计算；

f）令i=i+1。

6）综合q次测试集分类结果，输出待选转折点交易信号及其概率并计算分类准确率。

4实验分析

本文设计了两个实验来评估PLRGPC算法在实际股票投资中的收益情况：实验一衡量PLRGPC算法的预测准确率及收益情况，实验二考察PLRGPC算法的概率预测应用。

4.1算法评价指标

对股票预测算法的评价指标主要包括投资收益率与预测准确率两方面。

4.1.1收益率

选取实际股票投资中较常用的两种投资交易方式来衡量算法的收益率：第一种投资方式为单买全卖型（投资决策一），第二种投资方式为全买全卖型（投资决策二）。

单买全卖型投资方式：在该投资方式下，每当出现买入信号时，总是以资金的一份作为购买资金买入股票，而当出现卖出信号时，总是卖出全部所持有的股票。

全买全卖型投资方式：在该投资方式下，如果出现买入信号，总是用所有的现有资金买入当前股票；而当出现卖出信号时，总是卖出全部所持有的股票。

收益率的计算方法如下：

pm=（bm-vm）/vm

（9）

其中：pm代表投资收益率，bm代表最终持有资金，vm代表初始资金。

4.1.2预测准确率

预测准确率定义为预测结果与测试集上PLR算法结果的匹配程度，其计算方法如下：

Acc=N′/N×100%

（10）

其中：Acc表示准确率，N′表示对测试集进行预测结果的交易信号与PLR算法结果相匹配的数量，N表示对测试集预测得出交易信号的总数量。

4.2PLRGPC算法实验结果分析与对比

本部分考察GPC分类概率阈值选为0.5时的算法准确率及实际收益情况。实验数据来源为雅虎数据库，选取自上海证券交易所上市交易的20只股票数据对PLRGPC算法进行预测实验。每只股票均选取自20080925―20110818时间段内，该时间段内分别大约含有600个交易日收盘价数据。选取交易日数据中后部约200个交易日数据作为测试数据，前400个交易日数据数据作为训练数据集。为考察预测算法在股票不同变化趋势下的准确率及收益率情况，将这20只股票分成三类：上升股、下降股以及平稳股。其分类标准是：如果在测试集数据段时间内最后一个交易日的收盘价比初始交易日的收盘价低10%及以上，则这只股票属于下降股；如果该段时间内最后一个交易日的收盘价比初始交易日的收盘价高10%及以上，则这只股票属于上升股；否则属于平稳股。

所选股票中，有9只股票属于下降股（代码：sh600736， sh600197，sh600211， sh600694， sh600351， sh600488， sh600054， sh600019， sh600058），6只股票属于平稳股（代码sh600682， sh600597， sh600066， sh600881， sh600228， sh600697）以及5只股票属于上升股（代码：sh600107，sh600053， sh600051， sh600163， sh600167）。

GPC输出结果具有实际概率意义，表明分类结果的可信度。可对正类的概率划分阈值进行自定义选取，在保证交易点个数的情况下，寻求最佳的概率划分阈值，不仅能够获得更高的收益率，并且不同概率阈值的选取对应不同的风险投资策略，对不同风险偏好者的投资策略选择具有重要的指导意义。

在PLRGPC算法中，某些参数的选取对分类的准确度以及收益率存在影响，比如PLR算法的参数δ对训练集有很大影响，同时GPC中协方差函数的选取以及迭代次数的选择对算法的准确性也有很大影响。在后续的研究中，可以将GPC参数的最优化选取作为研究切入点，进一步提高算法的准确性以及投资收益率。

参考文献：

[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. （张毅，刘睿，罗元.基于支持向量机多分类的眼电辅助肌电的人机交互[J].计算机应用，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. （李振刚.基于高斯过程回归的网络流量预测模型[J].计算机应用，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]