R语言在现代运营分析中的应用.doc

R语言在现代运营分析中的应用
【摘要】随着我国经济的发展,社会科学中的金融经济的创新,使得投资者判断股价长期发展趋势时又回到一个最基本的概念,即由于公司本身的价值带来股价的增长。因此上市公司的季度或年度综合经营绩效可以较好的反R语言在现代运营分析中的应用
【摘要】随着我国经济的发展,社会科学中的金融经济的创新,使得投资者判断股价长期发展趋势时又回到一个最基本的概念,即由于公司本身的价值带来股价的增长。因此上市公司的季度或年度综合经营绩效可以较好的反映出公司的经营状况。本文将从上市公司披露的财务报表中捕捉因素,通过决策树算法及人工神经网络算法对公司综合经营能力进行预测。
【关键词】ID3决策树 BP人工神经网络 动态市盈率 财务指标

1主要研究方法和内容
本文利用数据挖掘技术中的ID3决策树和BP神经网络两种算法,以上市公司的动态市盈率作为综合经营绩效的分类标准进行分类预测。本文先随机选取2017年A股市场上共1847条上市公司的动态市盈率作为分类数据集,对优秀、良好、一般以1:2:1划分得到分类结果。再以随机选取的210个上市公司作为样本,市盈率等级为优秀、良好、一般的各占70条数据。以动态市盈率的等级作为输出变量,选取六个不同方面的财务指标作为输入变量,随机选取90%的数据作为训练样本,用于建立模型;其余的10%则作为测试样本,用于对模型的有效性检测。利用两种算法分别建立分类预测模型。
2数据收集、探索及清洗

对一个上市公司的经营效益进行评估时,需要从财务报表中选择多个财务指标进行综合分析,一般包括投资收益、盈利能力、短期偿债能力、长期偿债能力、成长能力、营运能力这六大类指标。通过对它们进行综合分析,选择更有投资价值的上市公司进行投资。

从财务比率的描述统计量中可以发现,净资产增长率、存货周转率和动态市盈率的极差和标准差都较大,说明了数据的离中趋势非常强烈。从中可以说明上市公司的经营状况差别非常大,因此在对动态市盈率进行分类、随机抽样之后,还要对相应的变量进行数据规范化的操作。
为了更好的提取数据中的信息并得到更准确的分类预测的结果,需要利用已有的数据和属性构造出新的属性,并加入到现有的属性集合中。根据通常的分类经验,将动态市盈率这一变量以1:2:1的比例进行等频离散,并分别归类于“优秀”、“良好”、“一般”三类属性,构造属性“未来盈利能力预期等级”作为新的指标,并以此为模型预测中的输出变量。

(1)基本每股收益:该指标反映上市公司的盈利能力,每股收益越高,表示企业的盈利能力越强。“优秀”股的均值较低,但其同时又较低的极差和标准差,说明该分类中每股收益较为相近,“良好”股和“一般”股则有较大的标准差和极差,说明该分类中受到极值的影响较大。
(2)营业净利率:该指标表示企业每单位资产可以獲得利润总额的数量,净利率越高表明企业的盈利能力越强。三类上市公司中,“优秀”股的标准差最小,说明该分类中净利率较为集中和稳健,“良好”股和“一般”股则有较大的标准差和极差,说明该分类中受到极值的影响较大。
(3)流动比率:流动比率过高表明流动资产占用较多,会影响企业的经营