学位论文 > 优秀研究生学位论文题录展示

基于财务基本信息的我国上市公司未来收益预测研究

作　者: 卢茜
导　师: 李清
学　校: 吉林大学
专　业: 会计学
关键词: 财务指标 Logistic回归模型 BP神经网络模型多元线性回归模型
分类号: F224
类　型: 硕士论文
年　份: 2009年
下　载: 135次
引　用: 0次
阅　读: 论文下载

内容摘要

随着我国市场经济的不断发展,我国资本市场也日趋繁荣,越来越多的投资者把投资的目光转向了资本市场。投资者投资的目的是获取收益,然而资本市场的纷繁复杂往往使其不能做出正确的投资决策,所以投资者迫切的需要能够对上市公司的未来收益进行预测,从而调整自己的投资决策,获得更多投资的收益。上市公司定期公布的财务报告中包含的财务基本信息,能够全面反应公司过去的经营状况,为投资者所重视,往往成为投资者预测未来收益的依据,因此研究财务基本信息对未来收益预测的影响具有较强的理论意义和现实意义。本文的目的是通过研究上市公司的17个财务指标,建立未来收益预测模型,为广大投资者服务。首先对财务指标进行样本均值检验,然后针对未来收益的增减,对选取的自变量采用Logistic分析、误差逆传播(BP)算法和多元线性回归分析三种方法,分别建立了未来预测模型,通过三种模型预测准确率的对比分析,以求得到更为科学的预测模型。鉴于投资者还有可能从正负,即公司是否亏损的角度来衡量收益,所以本文在以上3个模型之后,又针对未来收益的正负,利用选取的自变量建立Logistic回归和BP神经网络预测模型,从另一个角度检验财务基本信息对未来收益的预测能力。本文分析得出:对于未来收益增减的预测,Logistic回归模型训练集的预测准确率接近70%,测试集预测准确率接近60%;BP神经网络模型,提高了训练集预测准确率,但测试集的预测准确率没有显著提高;最后利用多元线性回归模型进行预测的准确率达到了90%以上,模型预测效果很好,说明多元线性回归收益预测模型要优于前两种模型。对于未来收益正负的预测,Logistic回归模型训练集的预测准确率为79.6%,测试集预测准确率为77.7%;BP神经网络模型训练集的预测准确率为82.667%,测试集的为78.261%,可见BP神经网络模型优于Logistic回归模型。以上结果说明,无论投资者从哪个角度来衡量收益,财务基本信息中的部分指标都对未来收益有很强的预测能力。本文的创新点有:第一,建立Logistic回归、BP神经网络和多元线性回归未来收益增减预测模型,对比分析模型的预测结果,判断哪个模型更优;第二,利用Logistic回归和BP神经网络建立未来收益正负预测模型,对比分析预测结果,确定最优模型。

全文目录

内容提要  4-7
第1章前言  7-9
  1.1 研究背景  7
  1.2 研究意义  7-8
  1.3 主要研究内容及构成  8
  1.4 本文创新点  8-9
第2章文献综述  9-15
  2.1 理论分析  9-10
  2.2 国外文献综述  10-12
  2.3 国内文献综述  12-15
第3章实证研究  15-38
  3.1 样本选取  15
  3.2 变量选取与研究假设  15-21
  3.3 样本均值差异检验  21-22
  3.4 基于Logistic回归的未来收益增减预测模型  22-27
  3.5 基于BP神经网络的未来收益增减预测模型  27-31
  3.6 基于多元线性回归的未来收益增减预测模型  31-34
  3.7 基于Logistic回归的未来收益正负预测模型  34-37
  3.8 基于BP神经网络的未来收益正负预测模型  37-38
结论  38-40
参考文献  40-42
致谢  42-43
中文摘要  43-46
Abstract  46-48

基于财务基本信息的我国上市公司未来收益预测研究

内容摘要

全文目录

相似论文