基于因子分析的公司价值评估方法研究——以人工智能板块上市公司为例

基于人工智能板块上市公司2016年报数据,根据财务状况对企业经营状况、盈利能力、偿债能力、成长能力的影响程度,选取12个具有代表性的财务指标,使用因子分析法对所选取的指标进行降维处理,计算出因子得分函数对公司的价值进行相对评估。研究结论表明,基于相对估值思路的因子分析法能有效对公司的价值进行评估,在一定程度上帮助投资者筛选出行业中表现较好、投资价值较高的公司。但是,基于相对估值思路的因子分析结果在数据极端的情况下会出现偏离,因此提出了对公司价值进行评估时将相对估值与绝对估值结合使用,多维度、多元化的方法对公司进行价值评估,为投资者提供更为准确的评估结果。

基于神经网络模型的智能产业板块股价探究

针对金融波动性和市场风险,基于A股市场上70余只智能板块的股票近10年的四因子数据,从神经网络模型入手实证分析,利用随机梯度算法对收盘价预测,比较预测值与实际值的模型误差及损失函数,进行因子选取、算法改进及指标择优。结果表明,神经网络模型参数在批次为2、迭代次数为4150时,MSE(均方误差)、MAPE(平均绝对百分比误差)、MAE(平均绝对误差)分别为60.1911、30.7326、4.8032,收盘价的拟合效果最佳,该参数下的神经网络模型可用于探究股票市场价格趋势,为投资者、金融机构提供一定参考依据。

人工智能股GARCH族模型与半衰期测度实证

关注时下投资的热点领域,挑选中国A股市场上的人工智能板块中的科大讯飞、川大智胜和科大智能三支股票进行时间序列不同GARCH模型中对均值和波动率的衡量,由于股票收益率波动的回复性,研究测算出三支股票波动率的回复周期并做出差异性比较,发现即使是相同行业的A股股票在二级市场上也表现出了不同的特征,而半衰期测度反映出的风险衡量特点可以为将来金融风险测度的研究提供进一步的可行性论证。

交通基础设施智能建造工厂

为进一步促进交通基础设施工业化的高效发展,将建造业向制造业有序推进,智能建造工厂的界定、规划和针对性的发展是必不可少的。首先,对智能建造工厂的内涵及特性给予了界定;第二,对智能建造工厂的区划进行了规定,并对厂区的每一区划给出了相应的功能匹配;第三,将智能建造工厂从功能上划分为监控、质量检验、数据采集及分析、信息传输及共享、协同控制及决策,并对协同生产加以示意;第四,针对现有的技术发展,对软件平台、钢筋工业化、柔性化生产及智能化水平等4个技术瓶颈提出建议与思考。文章中涉及的功能区划、工厂架构、智能技术及技术短板,可以有助于从业者深度理解和发展智能建造工厂进而提升工业化水平,将交通基础设施工业化智能建造推向新的高度。