摘 要

随着中国证券市场的迅猛发展，基于中小投资者角度的上市公司业绩评级，一方面可以有效保护中小投资者的利益，避免中小投资者作为市场的弱势群体因信息不对称等而进行盲目投资决策，从而加快投资决策进程；另一方面可以对上市公司经营管理者进行有效的约束和激励，加大上市公司对中小投资者的关注。因此如何合理地构建上市公司业绩评级系统是金融市场分析的重要部分。

本文首先在上市公司业绩评价与评级概念界定的基础上，通过分析国内外上市公司评级指标体系，选取盈利能力、偿债能力、资产管理能力、现金流量能力、成长能力和公司治理能力等六个方面的30个财务、非财务指标，构建基于中小投资者视角的上市公司评级指标体系。然后本文以电子制造行业上市公司为例，基于因子分析和有序样本聚类进行上市公司样本业绩标签的确定，得到优良、较好、一般、较差、差五个业绩等级，从而构建上市公司业绩评级的训练集和测试集。利用已知业绩等级标签的训练集样本，构建上市公司业绩评级分类模型，利用单一SVM模型、GridCV-PCA-SVM模型、GA-PCA-SVM模型、PSO-PCA-SVM模型、BP神经网络、随机森林模型等分类机分别进行上市公司业绩评级分类，分类准确率分别为70.2703%、89.1892%、89.1892%、91.8919%、45.95%、75.6757%，证明基于PSO-PCA-SVM的上市公司业绩评级分类模型在分类准确率、稳定性、收敛速度、计算复杂度和泛化能力等方面表现均较好，可以广泛应用。最后本文在基于PSO-PCA-SVM的上市公司业绩评级分类模型基础上，对过去10年电子制造业上市公司业绩进行逐年评级，可知电子制造业上市公司业绩多集中于第四等级且业绩呈现出多元化、差异化的发展趋势。

本文基于中小投资者视角，通过上市公司业绩评级指标体系——上市公司样本业绩等级标签确定——上市公司业绩评级分类模型三部分，构建了完整的上市公司业绩评级系统，不仅提高了上市公司业绩评级的分类可靠性，更使其有更好的泛化能力。

关键词：上市公司业绩评级；有序样本聚类；多分类支持向量机；粒子群算法

Abstract

With rapid development of Chinese securities market, there is important significance make listed companies’ performance rating, that is based on the angle of the medium and small investors. On the one hand listed companies’ performance rating can effectively protect small investors interests. And it can avoid small investors as vulnerable groups in market blind investment decision-making because of the information asymmetry. Ultimately, with listed companies’ performance rating we can achieve the goal of accelerating investment decisions. on the other hand, listed companies’ performance rating can effectively restrain and energize managements and make it focus on the medium and small investors more. So how to build a reasonable system of performance rating is an important part of financial market analysis.

Firstly, this paper gives the definition of listed companies’ performance evaluation and rating. Through the comparison of the domestic and foreign research on the index system of listed companies’ performance rating, this paper this paper selects 30 financial and non-financial indicators, from six aspects of profitability, solvency, asset management capabilities, cash flow capacity, growth capacity and corporate governance capacity, to build the listed companies’ performance rating, that is based on the angle of the medium and small investors. Then this paper selects 127 electronic manufacturing industry listed companies for analysis. In this paper, we use factor analysis and sequence samples cluster analysis to determine the labels of listed companies’ performance rating, that are divided into excellent, good, general, poor, poor five grades. Then we set up training set and test set of listed companies’ performance rating. By using the labeled training set samples, we build construct the classification model of listed companies’ performance rating. Afterwards, we use different classifiers, including single-SVM model, GridCV-PCA-SVM model, GA-PCA-SVM model, PSO-PCA-SVM model, BP neural network and random forest model, to make classification on listed companies’ performance rating. The results of classification accuracy separately are 70.2703%, 89.1892%, 89.1892%, 91.8919%, 45.95% and 75.6757%. The results show that the PSO-PCA-SVM classification model have better classification accuracy, stability, convergence rate, computational complexity and generalization ability, and it can be widely used. Finally, this paper rate electronic manufacturing industry listed companies’ performance over the past 10 years, by the PSO-PCA-SVM classification model. The results show that the electronic manufacturing industry listed companies’ performance is more concentrated in the fourth level and the performance of diversified, differentiated development trend.

Based on the perspective of medium and small investors, this paper constructs the complete system of listed companies’ performance rating, including listed companies’ performance rating index system, the method of determining the labels of listed companies’ performance rating and the classification model of listed companies’ performance rating three parts. It not only improves the classification reliability of the performance rating, but also makes it have better generalization ability.

Key Words：Listed companies’ performance rating; Sequence samples cluster analysis; Multi-classification support vector machine; Particle swarm algorithm

目 录

摘 要 I

Abstract II

第1章 绪论 1

1.1 研究背景及意义 1

1.2 相关理论概念界定 2

1.2.1 上市公司业绩 2

1.2.2 上市公司业绩评价体系 2

1.2.3 上市公司业绩评级及其与业绩评价的关系 3

1.3 上市公司业绩评级研究现状 3

1.3.1 上市公司业绩评级指标体系现状 3

1.3.2 上市公司业绩评级方法研究现状 4

1.4 本文的主要内容与结构 5

第2章 多分类支持向量机原理 7

2.1 分类机和分类问题 7

2.2 支持向量机的基本分类算法 7

2.2.1 线性支持向量分类机 7

2.2.2 非线性支持向量分类机 8

2.3 支持向量机的多分类算法 9

2.3.1 支持向量机多分类算法简述 9

2.3.2 “一对一”算法 9

第3章 基于SVM的上市公司业绩评级系统研究 11

3.1 上市公司业绩评级实现流程 11

3.2 评级指标和数据体系的构建 11

3.2.1 指标选取的原则 11

3.2.2 评级指标的选取和说明 12

3.2.3 样本数据的选取 13

3.2.4 评级输入指标数据预处理 14

3.3 上市公司样本业绩等级标签的确定 14

3.3.1 基于因子分析的上市公司业绩评价 15

3.3.2 基于有序样本聚类的业绩等级标签确定 17

3.4 基于支持向量机的上市公司业绩评级分类模型 20

3.4.1 基于PCA的特征选取 20

3.4.2 核函数的选择与参数优化 21

3.4.3 支持向量机分类器性能比较 27

3.5 上市公司业绩评级其他分类算法分析 29

3.5.1 基于BP神经网络的上市公司业绩评级 29

3.5.2 基于随机森林算法的上市公司业绩评级模型 30

3.6 上市公司过去业绩评级结果分析 31

第4章 总结与未来展望 33

4.1 总结 33

4.2 未来展望 33

参考文献 35

附录A：基于因子分析的上市公司业绩评价结果 37

附录B：基于有序样本聚类的业绩等级标签结果 45

附录C：上市公司过去业绩评级部分年份结果 46

致 谢 49

绪论

研究背景及意义

中国自上海证券交易所成立至今，证券市场已经经历了近25年的历史，中国证券市场随着改革开放和中国现代化建设的蓬勃发展而快速成长。我国证券市场逐渐发展出包含股票及其信托凭证、基金、债券、权证和资产支持证券等在内的立体结构，形成了包含主板、创业板和高新企业板等在内的市场层次结构，已经成为仅次于美国的世界第二大证券市场，也是亚太地区最大、最有活力的证券市场。截至2015年底，国内上市公司达2827家，上市公司总市价达到531304亿元，流通市值达417926亿元，投资者数量接近1亿，入市投资者数量有爆发性增长，有数周投资者增长数目高达百万以上。证券市场不仅成为国民经济的重要组成部分，也逐渐成为更多中小投资者理财的选择。随着证券市场的迅猛发展和上市公司数量激增，如何全面高效地进行上市公司业绩评级，真实反映上市公司的综合实力是证券投资者、证券分析人员、公司管理者、债权人及政府管理部门的关注重点。

自1891年美国“科学管理之父”泰勒(Taylor)提出科学管理理论后，上市公司业绩评价体系研究成为国内外学者持续讨论热点之一^[1]。上市公司业绩评级是个复杂的评级分类体系，由评级主体、评级客体、评级指标、评级目标、评级标准、评级方法等方面组成，其中评级主体直接影响了其他方面的确定，是不断完善和丰富业绩评级理论体系的动力源泉。投资者尤其是中小投资者作为上市公司的潜在资金源头，是与上市公司业绩评级最密切、最主要的评级主体。基于中小投资者视角的上市公司业绩评级目的在于选择理想的投资对象，以减少投资失败的概率、降低投资风险、提高资金回报率。为了更好的方便投资者尤其是中小投资者的决策，在上市公司业绩评价体系的基础上进行上市公司业绩评级，针对上市公司业绩更加给出直观的刻画，缩短了投资者的决策过程和时间，加快了资本的流通速度，在大数据时代更具研究意义。