吳瓊 趙春生

摘 要：風(fēng)險(xiǎn)投資，又可以理解為創(chuàng)業(yè)投資，是初創(chuàng)企業(yè)開(kāi)始發(fā)展并進(jìn)入正軌的一種重要融資方式。風(fēng)險(xiǎn)投資的成功與否與企業(yè)環(huán)境、財(cái)務(wù)、管理、市場(chǎng)、技術(shù)等密切相關(guān)。在此背景下，本文講述了如何利用線性Logistic回歸方法和非線性粒子群神經(jīng)網(wǎng)絡(luò)算法分析影響投資成敗的一系列因素，并對(duì)其進(jìn)行評(píng)估。

關(guān)鍵詞：風(fēng)險(xiǎn)投資;主成分分析;Logistic回歸神經(jīng)網(wǎng)絡(luò);粒子群

1 緒論

風(fēng)險(xiǎn)投資，或稱為風(fēng)險(xiǎn)資本、創(chuàng)業(yè)資本，是指以股權(quán)、準(zhǔn)股權(quán)或具有附帶條件的債權(quán)形式投資于新穎、未經(jīng)試用技術(shù)項(xiàng)目或未來(lái)具有高度不確定性的項(xiàng)目，并愿意為所投資的項(xiàng)目或企業(yè)提供管理或經(jīng)營(yíng)服務(wù)，期望通過(guò)項(xiàng)目的高成長(zhǎng)率并最終以某種方式出售產(chǎn)權(quán)以取得高額中長(zhǎng)期收益的一種投資方式[1]。

相比于國(guó)外，國(guó)內(nèi)的風(fēng)險(xiǎn)投資起步相對(duì)較晚。在20世紀(jì)40年代，風(fēng)險(xiǎn)投資開(kāi)始于美國(guó)硅谷[2]。與根深蒂固的交易方式不同，風(fēng)險(xiǎn)投資不是類似于各種財(cái)產(chǎn)的抵押交換，而是直接將資金與所投資公司的股權(quán)交易，即資金多少直接與企業(yè)股權(quán)占有量成比，所以，投資人在進(jìn)行投資時(shí)，會(huì)對(duì)投資公司的背景文化、運(yùn)營(yíng)方式、效益等多方面進(jìn)行考察選擇，最終確定投資。可見(jiàn)，投資是具有一定風(fēng)險(xiǎn)的，綜合評(píng)估投資企業(yè)對(duì)投資成功具有重要意義。風(fēng)險(xiǎn)投資具有高風(fēng)險(xiǎn)、高收益的特點(diǎn)，所以，只有少部分精通投資的人會(huì)涉足這一領(lǐng)域，而且風(fēng)險(xiǎn)投資對(duì)象大多是涉及通信、半導(dǎo)體等的新興高科技企業(yè)。

當(dāng)代社會(huì)，科技迅猛發(fā)展，隨之而來(lái)的，是企業(yè)的發(fā)展與社會(huì)的進(jìn)步。對(duì)于企業(yè)來(lái)講，只有將技術(shù)和創(chuàng)新擺在首位，才能為企業(yè)的長(zhǎng)遠(yuǎn)發(fā)展提供保障。同樣的，長(zhǎng)久利益是企業(yè)吸引風(fēng)險(xiǎn)投資的必備優(yōu)勢(shì)，所以，風(fēng)險(xiǎn)投資的產(chǎn)生與運(yùn)營(yíng)將會(huì)帶動(dòng)企業(yè)的創(chuàng)新和發(fā)展，從而促進(jìn)經(jīng)濟(jì)發(fā)展和社會(huì)進(jìn)步。可見(jiàn)，風(fēng)險(xiǎn)投資對(duì)于整個(gè)社會(huì)的進(jìn)步有一定的推動(dòng)作用。

2 理論基礎(chǔ)

2.1 粒子群算法理論

群體活動(dòng)往往表現(xiàn)出智能性，而且智能仿生技術(shù)在解決實(shí)際問(wèn)題中越來(lái)越受到青睞。粒子群算法（PSO）是一種典型的群體智能優(yōu)化算法，由Eberhart博士和Kennedy博士在1995年提出，并受到了很大關(guān)注。粒子群算法來(lái)源于鳥(niǎo)群的捕食行為，利用群體中個(gè)體之間信息的共享，從而實(shí)現(xiàn)群體的無(wú)序到有序的行為轉(zhuǎn)變，并最終完成整個(gè)問(wèn)題。

在利用粒子群算法進(jìn)行求解問(wèn)題時(shí)，首先對(duì)定義的一群粒子進(jìn)行初始化，包括位置、速度和適應(yīng)度值三個(gè)量，在求解過(guò)程中，每一個(gè)粒子都是潛在的最優(yōu)解，設(shè)定適應(yīng)度值函數(shù)用來(lái)計(jì)算每個(gè)粒子的適應(yīng)度值，其大小代表了粒子的優(yōu)劣。在粒子運(yùn)動(dòng)過(guò)程中，通過(guò)比較每個(gè)粒子或其本身所經(jīng)歷的適應(yīng)度值，尋找粒子群的個(gè)體極值和群體極值，即個(gè)體所經(jīng)歷的最大適應(yīng)度函數(shù)的位置為個(gè)體極值，所有粒子中的最大適應(yīng)度值個(gè)體為群體極值。再通過(guò)不斷更新粒子的位置和適應(yīng)度值，來(lái)尋找最優(yōu)解。

2.2 BP神經(jīng)網(wǎng)絡(luò)算法理論

前饋神經(jīng)網(wǎng)絡(luò)的算法中，反向傳播（BP）算法是最基本的算法，也是應(yīng)用較為普遍的算法。所謂反向傳播，是指將神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的誤差從輸出層反向推導(dǎo)至隱含層、輸入層，以使誤差逐漸減小為原則，調(diào)整網(wǎng)絡(luò)各層的連接權(quán)值和閾值。

BP算法的缺點(diǎn)是在學(xué)習(xí)過(guò)程中采用的是非線性梯度優(yōu)化算法，存在局部極小問(wèn)題，學(xué)習(xí)算法收斂速度慢，迭代次數(shù)多，學(xué)習(xí)步長(zhǎng)的選取造成穩(wěn)定性變化。因此，我們通常會(huì)用到改進(jìn)的BP算法，如用粒子群算法來(lái)優(yōu)化BP算法。

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)采用誤差反向傳播來(lái)調(diào)整網(wǎng)絡(luò)連接權(quán)值，該方法容易陷入局部最優(yōu)解，而PSO算法可以在更大的空間內(nèi)搜索，在一定程度上避免了以上問(wèn)題。所以，將PSO算法應(yīng)用于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)值優(yōu)化。從而更好實(shí)現(xiàn)全局尋優(yōu)問(wèn)題。

將神經(jīng)網(wǎng)絡(luò)各層的連接權(quán)值編碼成粒子，適應(yīng)度值則為使用該組權(quán)值時(shí)的網(wǎng)絡(luò)輸出均方誤差，利用之前描述的粒子群算法，在預(yù)設(shè)的迭代次數(shù)內(nèi)搜索最優(yōu)的網(wǎng)絡(luò)權(quán)值。

3 投資風(fēng)險(xiǎn)評(píng)估

風(fēng)險(xiǎn)投資公司在對(duì)風(fēng)險(xiǎn)進(jìn)行識(shí)別的過(guò)程中更多地是利用在以往的項(xiàng)目開(kāi)發(fā)中的經(jīng)驗(yàn)，以及累積和整理的風(fēng)險(xiǎn)投資行業(yè)的經(jīng)驗(yàn)和教訓(xùn)對(duì)風(fēng)險(xiǎn)進(jìn)行識(shí)別，在這一過(guò)程中，風(fēng)險(xiǎn)投資公司會(huì)首先查看風(fēng)險(xiǎn)企業(yè)的歷史資料，如，索賠記錄、其他風(fēng)險(xiǎn)信息等，對(duì)企業(yè)信譽(yù)進(jìn)行考察;其次查看風(fēng)險(xiǎn)企業(yè)近期財(cái)務(wù)報(bào)表，對(duì)企業(yè)近幾年的銷售收入、利潤(rùn)增長(zhǎng)率、凈利潤(rùn)、凈資產(chǎn)收益率進(jìn)行了解;再次對(duì)企業(yè)進(jìn)行實(shí)地考察，對(duì)風(fēng)險(xiǎn)企業(yè)進(jìn)行全面考察，最后由參與項(xiàng)目的人員進(jìn)行討論。

風(fēng)險(xiǎn)投資公司目前在對(duì)風(fēng)險(xiǎn)進(jìn)行識(shí)別時(shí)重點(diǎn)對(duì)環(huán)境、技術(shù)、財(cái)務(wù)、市場(chǎng)和管理等6個(gè)風(fēng)險(xiǎn)因素進(jìn)行了關(guān)注，具體如下表所示。

3.1 樣本選擇與數(shù)據(jù)處理

首先對(duì)各個(gè)公司收集的以上歷史數(shù)據(jù)進(jìn)行處理，如果數(shù)據(jù)量太小，而且多列數(shù)據(jù)存在不同程度的缺失，如果因?yàn)槟硞€(gè)數(shù)據(jù)缺失而刪除整行會(huì)導(dǎo)致大量重要信息丟失，所以在原始數(shù)據(jù)較少的情況下，不能剔除缺失值所在行，所以需要進(jìn)行缺失值處理。所以，首先對(duì)整體數(shù)據(jù)進(jìn)行分析，然后用SPSS軟件對(duì)缺失值進(jìn)行填補(bǔ)，最后利用EXCEL對(duì)每列數(shù)據(jù)進(jìn)行歸一化標(biāo)準(zhǔn)處理，從而可以進(jìn)行建模分析。

3.2 相關(guān)性分析

首先運(yùn)用SPSS軟件進(jìn)行主成分分析，可以得到各個(gè)指標(biāo)的相關(guān)性排序，并能得到相關(guān)性排名靠前的指標(biāo)，例如：市場(chǎng)需求強(qiáng)度、市場(chǎng)推廣和擴(kuò)張能力主流化、凈利率預(yù)估、管理類別好1中2差3、目前收入可持續(xù)程度、樣品準(zhǔn)備時(shí)間、發(fā)展路線圖的詳細(xì)度、資產(chǎn)需求指數(shù)、輕資產(chǎn)0為真位于前9位，然后對(duì)這9個(gè)主變量進(jìn)行線性Logistic回歸分析和非線性粒子群神經(jīng)網(wǎng)絡(luò)處理，從而建立風(fēng)險(xiǎn)評(píng)估的線性和非線性模型。

3.3 風(fēng)險(xiǎn)評(píng)估模型

3.3.1 線性logistic回歸

在logistic回歸分析中，回歸系數(shù)的估計(jì)方法通常是最大似然法。最大似然法就是選取使得總體真參數(shù)落在樣本觀察值領(lǐng)域里的概率達(dá)到最大的參數(shù)值作為真參數(shù)的估計(jì)值。為了得到一個(gè)非偏估計(jì)，需采用重遞推的方法，將最大似然估計(jì)值不斷修正。軟件系統(tǒng)使用的是重復(fù)加權(quán)最小二乘遞推法來(lái)估計(jì)回歸系數(shù)。對(duì)這9個(gè)主變量進(jìn)行線性Logistic回歸分析，結(jié)合分析結(jié)果可以建立一種線性關(guān)系：z=a0+a1x1+a2x2+…+a9x9，并將此關(guān)系式代入p（y）=11+e-z，從而可以對(duì)因變量的發(fā)生概率進(jìn)行預(yù)測(cè)，即p（y）值越大，代表投資成功率越大。

3.3.2 非線性粒子群神經(jīng)網(wǎng)絡(luò)

粒子群BP神經(jīng)網(wǎng)絡(luò)分為三層，分別是輸入層、隱含層和輸出層。其中輸入層的數(shù)據(jù)為前面選取的排名前9的指標(biāo)，分別是市場(chǎng)需求強(qiáng)度、凈利率預(yù)估、資產(chǎn)需求指數(shù)、對(duì)市場(chǎng)的細(xì)分程度、市場(chǎng)發(fā)育、市場(chǎng)推廣和擴(kuò)張能力、發(fā)展路線圖的詳細(xì)程度、樣品準(zhǔn)備時(shí)間、制度化管理能力。

設(shè)定隱含層個(gè)數(shù)，輸出為合并的結(jié)果，也就是1代表投資成功，0代表投資失敗。通過(guò)訓(xùn)練收集的歷史數(shù)據(jù)來(lái)訓(xùn)練粒子群神經(jīng)網(wǎng)絡(luò)模型，建立各項(xiàng)指標(biāo)與輸出的一種非線性映射關(guān)系，從而根據(jù)最新數(shù)據(jù)，利用優(yōu)化的非線性模型得到企業(yè)投資成功的概率。從中分析得出企業(yè)獲得成功投資的概率越高，投資風(fēng)險(xiǎn)也就越小。

線性logistic回歸和粒子群神經(jīng)網(wǎng)絡(luò)是對(duì)數(shù)據(jù)進(jìn)行擬合的線性和非線性方法，在數(shù)據(jù)處理和預(yù)測(cè)中具有重要作用，兩者都可以對(duì)數(shù)據(jù)進(jìn)行擬合，適用于不同的數(shù)據(jù)類型，各有千秋，需要根據(jù)實(shí)際數(shù)據(jù)和場(chǎng)景進(jìn)行選擇和比較。

4 結(jié)論

本文從線性系統(tǒng)角度構(gòu)建了基于Logistic回歸的風(fēng)險(xiǎn)評(píng)估模型，從非線性角度構(gòu)建了基于粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型，從而可以評(píng)估各企業(yè)的投資風(fēng)險(xiǎn)。線性Logistic回歸模型，易受極端變量影響，需要建立長(zhǎng)期的報(bào)告，檢測(cè)機(jī)制操作較為復(fù)雜，但是易于理解和實(shí)行。非線性的粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型同樣也容易受到極端變量的影響，并且對(duì)訓(xùn)練樣本有著嚴(yán)格的要求，對(duì)于訓(xùn)練樣本和測(cè)試樣本的分類個(gè)數(shù)也會(huì)影響模型的準(zhǔn)確度。但是它的計(jì)算精度比較高，只要定期更新訓(xùn)練數(shù)據(jù)，就可以構(gòu)建穩(wěn)健的評(píng)估模型。

綜上所述，通過(guò)線性和非線性兩種方法對(duì)收集的數(shù)據(jù)進(jìn)行處理，可以對(duì)投資風(fēng)險(xiǎn)進(jìn)行全面的評(píng)估，有利于投資人基于公司歷史表現(xiàn)數(shù)據(jù)評(píng)估投資風(fēng)險(xiǎn)，具有非常重要的現(xiàn)實(shí)應(yīng)用意義。

參考文獻(xiàn)：

[1]郭占力.中國(guó)風(fēng)險(xiǎn)投資發(fā)展研究[D].黑龍江：哈爾濱工程大學(xué)，2015.5.

[2]成思危.科技風(fēng)險(xiǎn)投資論文集.北京：民主與建設(shè)出版，1997.

[3]施祖麟，韓岱峰.美國(guó)風(fēng)險(xiǎn)投資業(yè)發(fā)展及促進(jìn)高技術(shù)產(chǎn)業(yè)化的啟示.科技導(dǎo)報(bào)，1988（11）.