证券分析师对会计盈余价值相关性的影响研究

自媒体时代证券分析师是否通过挖掘会计信息进而改变会计盈余价值相关性?文章以2007-2017年沪深A股上市公司为样本,使用传统收益模型和考虑成长期权后的收益模型,采用OLS回归研究分析师覆盖和预测偏差对会计盈余价值相关性的影响。实证结果发现:(1)分析师覆盖有利于将更多会计盈余信息并入股票价值,从而提高会计盈余价值相关性;(2)预测准确的分析师团队有利于将更多会计盈余(包括未预期盈余)信息并入股票价值。进一步考虑产权性质的异质性区分国有和民营企业研究上述结论不变,但发现证券分析师在挖掘国有和民营企业未预期盈余信息方面存在差异,分析师覆盖能够提高国有企业非预期盈余的价值相关性,但民营企业非预期盈余反而会削弱分析师覆盖发挥的作用。研究表明会计信息仍然是分析师预测的重要依据,高质量的分析师队伍有利于提升资本市场效率,但证券分析师在揭示民营企业非预期盈余所包含的信息方面还需要改善。     

考虑模型相关性的组合预测过程中单项模型筛选研究

针对组合预测过程中单项模型筛选难以刻画模型之间相关性的问题,采用模糊测度和模糊积分来刻画模型的相关性,并对单项模型预测结果进行集成,进而提出一种考虑模型相关性的组合预测过程中单项模型筛选方法.采用2可加模糊测度来刻画不同模型之间的相关性,并利用Choquet积分依据模糊测度值,将单项模型的预测值集成起来,形成组合预测结果.在这个组合预测过程中,采用基于模糊测度定义的Shapley值和交互作用指标来对单项模型进行筛选.为了验证文章提出的考虑模型相关性的组合预测单项模型筛选方法的有效性,选择软件工程领域的软件成本估算问题进行算例分析,选择基于案例推理方法(CBR)、最小二乘回归(OLS)、支持向量回归机(SVR)、分类回归树(CART)、人工神经网络(ANN)等数据驱动模型作为软件成本组合预测过程中的单项模型.选择常用的Desharnias数据库来验证模型的有效性.实证结果表明文章提出的单项模型筛选方法是一种有效方法,经过筛选后的组合预测模型能有效提高软件成本估算的精度,此外,研究结果还表明组合估算过程中最重要的模型(Sharply值最大)并不是估算精度最高的模型,即单个模型的重要性与该模型的估算精度没有必然联系,说明传统的以单个模型估算精度为依据的组合预测模型存在着一定的缺陷.     

分析师职业晋升和新财富排行榜关系研究

以2005-2015上市公司的财报数据、分析师的盈利预测数据、新财富分析师的上榜数据为样本,研究影响分析师职业生涯的诸多因素以及机构投资者对分析师的评价标准.实证结果发现,分析师盈余预测的准确性提高了分析师晋升的可能性,在保证准确性的基础上,分析师发布研报的频率也提高了晋升的可能性.分析师上榜新财富有持续效应,上榜新财富的分析师后续上榜的可能性更高,上榜新财富有助于分析师晋升.整体上,现有的评价机制有助于挑选能力强的分析师,但无助于淘汰做到一定职位工作水准下降的分析师,整体上现有考核机制体现出"优胜",没有"劣汰".研究结论有助于资本市场参与者了解影响分析师职业生涯的主要因素以及分析师明星效应的持续性,从而为自己的投资决策提出指导.     

基于小波神经网络与ARIMA组合模型在股票预测中的应用

为了实现对股票价格变化的短期预测,提出了一种基于小波神经网络(WNN)与自回归积分滑动平均模型(ARIMA)的组合预测模型.将股票的收盘价序列数据划分为线性以及非线性(误差项)两个部分,分别利用统计学中ARIMA模型和小波神经网络分别对两部分数据进行预测并得到结果,将两部分结果组合相加合成为整个股票价格的预测结果.实验结果表明该组合模型在预测精度方面有提高,是一种比较有效的预测模型.     

分析师跟踪和盈余管理:基于跟踪强度新指标的研究

结合分析师跟踪人数和分析师报告数两个变量,本文提出了代理分析师关注度的新指标—分析师跟踪强度。基于该新指标,以盈余管理程度作为企业信息透明度的一个维度,通过我国A股上市公司数据验证了该指标的有效性和分析了分析师的信息中介作用。研究结果表明:第一,分析师跟踪强度比已有分析跟踪人数等跟踪指标信息含量更高;第二,分析师偏好跟踪盈余管理程度低的公司;第三,分析师既能区分应计和真实盈余管理,也能识别正向和反向盈余管理。这表明分析师能有效地将企业盈余管理信息传递给投资者。     

基于组合模型的上市公司高送转预测

本文基于中国市场3465家上市公司7年的数据,首先利用随机森林算法提取出43个因子,再利用Lasso方法进行特征选取,最后选出11个重要因子,然后分别采用logistic回归和决策树方法构建两种预测模型,最后基于损失函数确定权重将两种预测模型按权重进行线性组合建立组合模型.实证结果表明,基于组合模型的预测准确率相比单一模型提高了1.39%.     

财务重述对分析师预测行为的影响研究

本文以我国2005-2009年间A股市场发生年度财务报表重述的公司并结合相应的分析师预测数据作为样本,分别考察了财务重述和财务重述调整金额对分析师跟进及预测特征的影响。多元回归结果表明:财务重述会减少分析师跟进、增加分析师预测误差,重述调减以前年度损益的程度越大,分析师预测的分歧和误差就越大;而财务重述增加分析师预测分歧、重述调整金额影响分析师跟进的假设却未得到证实。本研究发展了财务重述、分析师预测的研究内容,为提高公司财务报告质量、规范分析师行业提供了相应的思路。     

基于最大相关熵准则回归模型的大盘指数预测

大盘指数是衡量股票市场运行情况的“晴雨表”,是投资者洞察股票市场发展态势和制定投资策略的重要依据.大盘指数的变化趋势与经济发展状况、宏观经济政策、投资者心态等诸多复杂因素密切相关,具有明显的随机性和不确定性,这导致精准预测大盘指数的变化趋势成为一个富有挑战性的问题.文章基于最大相关熵准则,使用一种新的回归预测模型,该方法将实际输出与理想输出视为两个随机变量,并采用相关熵度量它们之间的相似程度,进而基于最大熵准则构建一种新的回归模型优化函数,用于指导回归系数的确定.在实际操作中,通常基于有限样本,采用高斯核函数的Parzen窗方法估计两个随机变量的相关熵,因此可借助高斯核函数的核宽调节,解决最小均方误差准则回归模型对异常数据和随机噪声敏感性问题,从而提升预测精度.基于实测数据的实验结果表明:与自回归模型、差分自回归模型以及深度学习方法等相比,文章所提方法能有效降低异常数据对预测精度的影响,预测误差小,鲁棒性强.     

基于不同联合学习方法的扩展置信规则库环境治理成本预测

现有环境治理成本预测模型构建主要基于专家经验进行输入输出指标的选取.然而专家经验指标选取存在一定的主观性,难以有效且客观地区分关键指标信息对成本预测结果的影响.同时,考虑到现有环境治理成本预测模型的复杂度以及可解释性问题,文章将扩展置信规则库模型(EBRB)用于环境治理成本预测,并基于维度约简介绍三类不同的特征选择方法...     

基于Logistic回归的水质预测研究

在环境系统评价中,水环境质量等级评价是其中十分重要的工作.鉴于对水环境研究中,水质级别为分类变量不能利用传统回归方法分析的特征,基于logistic回归方法建立了一种水质级别预测模型.利用长江流域的水质监测数据,将logistic回归应用于水质数据分析,进行水质建模,对水质级别做出预测.研究结果表明利用logistic回归进行水质分析,具有良好的拟合和预测效果.     

可拓预测方法

针对以时间为自变量的预测对象—变动性事物的变化原因,通过可拓学中物元的可拓性分析,运用物元方法进行形式化描述,进而给出变动性事物的可拓预测方法.并对预测结果的误差给出评价与修正的方法,建立起对预测对象的定性分析与定量计算有机结合的预测模型,形成了一种集科学性、直观性、准确性、普适性于一身的新型预测方法.     

资本信心睛雨表

蔡琳表示,全球范围内32％的受访者认为全球经济低迷将在未来12个月结束。中国受访者对全球复苏虽然也表示担忧,但比其他受访者相对乐观很多,82％中国受访者对本地经济抱有更大的信心。     

资本项目开放预判

2012年2月的第一天，易方达恒生中国企业ETF（交易所买卖基金）及其联接基金正式向中国证监会上报募集申请。     

基于变权GM(1,1)组合模型的喀什GDP预测

利用离散GM(1,1)模型,新息GM(1,1)模型以及复合函数预测模型建立了一类变权重组合预测模型.并将该组合预测模型应用于喀什地区GDP预测,建立了喀什地区GDP的变权重GM(1,1)组合预测模型.计算结果表明变权GM(1,1)组合预测模型在时间序列数据的预测中具有一定的优势.     

农业发展的集成预测

利用R/S分析研究了农业发展的总趋势.农业发展的长期变化过程既带有趋势变化成分,又带有周期变化成分,还带有随机变化成分,因而根据趋势变化分析、周期变化分析和随机变化分析集成的方法来预测农业发展是可行的,提出的集成预测模型的拟合误差比单一模型的拟合误差小,预测效果比较好,是农业发展预测的一条比较有效的途径.     

Forecast combinations for intermittent demand

Intermittent demand is characterised by infrequent demand arrivals, where many periods have zero demand, coupled with varied demand sizes. The dual source of variation renders forecasting for intermittent demand a very challenging task. Many researchers have focused on the development of specialised methods for intermittent demand. However, apart from a case study on hierarchical forecasting, the effects of combining, which is a standard practice for regular demand, have not been investigated. This paper empirically explores the efficiency of forecast combinations in the intermittent demand context. We examine both method and temporal combinations of forecasts. The first are based on combinations of different methods on the same time series, while the latter use combinations of forecasts produced on different views of the time series, based on temporal aggregation. Temporal combinations of single or multiple methods are investigated, leading to a new time-series classification, which leads to model selection and combination. Results suggest that appropriate combinations lead to improved forecasting performance over single methods, as well as simplifying the forecasting process by limiting the need for manual selection of methods or hyper-parameters of good performing benchmarks. This has direct implications for intermittent demand forecasting in practice.     

成分数据的组合预测

成分数据是一类具有复杂性质的数据,特别是它的预测研究在管理学与经济学中占有很重要的地位.组合预测则是近年来在预测中应用比较广泛的一种方法,它能够充分利用单预测模型的信息,提高预测精度,增强预测的稳定性,且具有较高的适应能力.本文首次把组合预测方法应用到成分数据的预测分析中,基于成分数据的一些基本性质,利用组合预测得到了较好的预测结果.     

非等间距组合灰色预测模型

对于非等间距原始数据序列,根据灰色预测模型建模特点,提出了一类非等间距灰色组合预测方法,弥补了传统非等间距原始数据预测模型的不足,提高了灰色预测的精度.实例表明结果理想可靠,有较好的实际意义.     

Principal Components in Time Series Forecast

Abstract

This article describes a time series forecast method based on the principal component analysis applied to the data matrix derived from the initial time series.