李龍龍 吳雨桐

摘要：本文對(duì)光伏建筑一體化板塊37家股票投資風(fēng)險(xiǎn)評(píng)估并排名，并依據(jù)所給資金給出2021年6月份最優(yōu)投資方案。首先對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，建立了神經(jīng)網(wǎng)絡(luò)—BP模型，但是測(cè)試發(fā)現(xiàn)存在很大偏差且訓(xùn)練效果也不理想，于是將時(shí)間序列與收盤(pán)價(jià)進(jìn)行一階擬合得到多項(xiàng)式擬合模型，最后利用matlab程序計(jì)算出各支股票的價(jià)值參數(shù)和風(fēng)險(xiǎn)參數(shù)，以風(fēng)險(xiǎn)參數(shù)作為6月份的投資風(fēng)險(xiǎn)評(píng)估指標(biāo)。

關(guān)鍵詞：板塊指數(shù);神經(jīng)網(wǎng)絡(luò)-BP模型;多項(xiàng)式擬合

一、緒論

光伏建筑一體化（BIPV）是充分利用工業(yè)建筑、公共建筑屋頂?shù)荣Y源實(shí)施分布式光伏發(fā)電工程，它對(duì)我國(guó)實(shí)現(xiàn)“碳達(dá)峰”和“碳中和”起到重要作用。現(xiàn)統(tǒng)計(jì)滬深股市中 37 家光伏建筑一體化相關(guān)企業(yè)的股票數(shù)據(jù)，將他們看作一個(gè)整體稱(chēng)為光伏建筑一體化板塊。光伏建筑一體化板塊作為新興板塊，通過(guò)對(duì)光伏建筑一體化板塊個(gè)股投資風(fēng)險(xiǎn)進(jìn)行評(píng)估，給出該板塊37支股票2021 年6月份投資風(fēng)險(xiǎn)由低到高的排序結(jié)果。然后依據(jù)投資風(fēng)險(xiǎn)設(shè)計(jì)出了一個(gè)最優(yōu)的投資方案。

二、模型的建立與求解

本文需要對(duì)37支股票投資風(fēng)險(xiǎn)[1][2]進(jìn)行由低到高的排序。以南玻A的股票為例進(jìn)行分析處理預(yù)測(cè)，建立神經(jīng)網(wǎng)絡(luò)—BP模型[3][4]進(jìn)行預(yù)測(cè)。

Step1：數(shù)據(jù)預(yù)處理

將南玻A的交易時(shí)間、開(kāi)盤(pán)價(jià)、最高價(jià)、最低價(jià)、收盤(pán)價(jià)以及成交量導(dǎo)入到新的Excel表格中，并添加此日收盤(pán)價(jià)數(shù)據(jù)。

訓(xùn)練集：我們將除過(guò)最后50組之外的的數(shù)據(jù)作為訓(xùn)練集，用做以擬合函數(shù)的參考依據(jù)。

測(cè)試集：我們將最后50組數(shù)據(jù)用來(lái)測(cè)試訓(xùn)練好的模型的預(yù)測(cè)能力。

Step2：輸入輸出層設(shè)計(jì)

該模型以開(kāi)盤(pán)價(jià)、最高價(jià)、最低價(jià)、收盤(pán)價(jià)、此日收盤(pán)價(jià)以及成交量作為輸入，以次日收盤(pán)價(jià)作為輸出，所以輸入層節(jié)點(diǎn)為6，輸出層節(jié)點(diǎn)為1。

Step3：隱含層設(shè)計(jì)

本文采用含有兩個(gè)隱層的四層多輸入單輸出的BP網(wǎng)絡(luò)建立預(yù)測(cè)模型。在選取隱層神經(jīng)元個(gè)數(shù)的問(wèn)題上參照了以下的經(jīng)驗(yàn)公式：

根據(jù)上式可以計(jì)算出神經(jīng)元個(gè)數(shù)為4-13個(gè)之間，在本次實(shí)驗(yàn)中選擇隱層神經(jīng)元個(gè)數(shù)為5和4。

Step4：選取激勵(lì)函數(shù)，選取traingdm作為輸出層神經(jīng)元的激勵(lì)函數(shù)。

Step5：模型的實(shí)現(xiàn)

（1）首先我們使用matlab繪制出南玻A公司股票收盤(pán)價(jià)的變化趨勢(shì)圖。

（2）好訓(xùn)練參數(shù)，開(kāi)始訓(xùn)練，經(jīng)測(cè)試訓(xùn)練結(jié)果訓(xùn)練效果不佳，我們改進(jìn)算法。

Step6：我們將時(shí)間序列與收盤(pán)價(jià)進(jìn)行一階多項(xiàng)式擬合，建立多項(xiàng)式模型[5]

Step7：利用matlab進(jìn)行在95%的置信水平下進(jìn)行多項(xiàng)式模型擬合，得到多項(xiàng)式模型如下：

擬合圖像如圖1所示：

分析結(jié)果為：SSE： 2.131e+04;R-square： 0.5664;Adjuste d R-square： 0.5664;RMSE： 1.744

模型的可決系數(shù)，擬合效果較好。

Step8：我們以方程斜率作為評(píng)價(jià)該股票的價(jià)值參數(shù)（value），以最大回撤函數(shù)計(jì)算出第二日最大虧損率作為評(píng)價(jià)該股票風(fēng)險(xiǎn)參數(shù)（risk）。在matlab中計(jì)算出當(dāng)前值。

Step9：分別計(jì)算37家股票的價(jià)值參數(shù)和風(fēng)險(xiǎn)參數(shù)

若value值為負(fù)，說(shuō)明該股票價(jià)值不高，不可長(zhǎng)期持有，risk值越小股票短期操作價(jià)值越高。因此，此處我們選擇以風(fēng)險(xiǎn)參數(shù)（risk）為評(píng)估標(biāo)準(zhǔn)，評(píng)估給出該板塊 37 支股票2021年6月份投資風(fēng)險(xiǎn)：結(jié)果如圖2所示：

Step10：投資方案的制定

制定2021年6月份投資方案，為短線投資，我們以風(fēng)險(xiǎn)參數(shù)（risk）作為股票選擇的標(biāo)準(zhǔn)，即我們選取排名前五名的股票。

三、模型評(píng)價(jià)

多項(xiàng)式擬合建模迅速，對(duì)于小數(shù)據(jù)量、簡(jiǎn)單的關(guān)系很有效，線性回歸模型十分容易理解，有利于決策分析。但是多項(xiàng)式擬合對(duì)于非線性數(shù)據(jù)或者數(shù)據(jù)特征間具有相關(guān)性多項(xiàng)式回歸難以建模，難以很好地表達(dá)高度復(fù)雜的數(shù)據(jù)。

參考文獻(xiàn)：

[1]許少雄.大數(shù)據(jù)與個(gè)人股票投資風(fēng)險(xiǎn)優(yōu)化的思考[J].商訊，2019（26）：95-96.

[2]畢秋香.股票投資風(fēng)險(xiǎn)收益關(guān)系的實(shí)證分析[J].華南金融研究，2002（04）：31-34.

[3]侯媛彬， 杜京義， 汪梅.神經(jīng)網(wǎng)絡(luò)[M]，西安電子科技大學(xué)出版社.

[4]肖靜， 鄒傳平， 鄭冬喜. 淺談BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[J]. 科技資訊，2006（34）：9. DOI：10.3969/j.issn.1672-3791.2006.34.007.

[5]吳玲玲， 馮再勇， 張軼， 謝小韋.基于多項(xiàng)式擬合的大型風(fēng)電場(chǎng)運(yùn)行狀況分析[J].科技創(chuàng)新與應(yīng)用，2021（09）：60-62.

作者簡(jiǎn)介：李龍龍（1998.02-），男，漢，甘肅慶陽(yáng)人，本科