寓言故事及寓意精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的寓言故事及寓意主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：寓言故事及寓意范文

（赤峰學院 蒙古文史學院，內(nèi)蒙古 赤峰 024000）

摘 要：“諺語群”是諺語中相互間有一定關聯(lián)的一批諺語的集合。它和分散的諺語比起來，更客觀、更全面、更系統(tǒng)。本文以蒙古族諺語為例，在陶匯章先生研究的基礎上，探討“諺語群”的分類及其意義。

關鍵詞 ：諺語群；諺語；蒙古族

中圖分類號：H214

文獻標識碼：A文章編號：1673-2596（2015）07-0180-02

基金項目：內(nèi)蒙古民委2014年度課題《蒙古族動物類諺語的隱喻機制研究》的階段性成果（MW-YB-2014035）

“諺語群”是諺語的地方性、時代性、口語性的綜合反映，它以各種關聯(lián)為紐帶，可以分為不同的類別。本文以蒙古族諺語為例，在陶匯章先生研究的基礎上，探討了“諺語群”的分類及其意義。

一、“諺語群”的概念

“諺語群”是陶匯章先生在他的論文集《諺語文論》中首先提出來的一個新概念。這個新概念的提出，為諺語的研究開拓了一個新的視角，提供了一個新的思路。陶匯章先生在《諺語文論》中首先列舉了28條論述房屋朝向的諺語，然后分類解釋，最后總結說：“像這樣相互間有一定關聯(lián)的一批諺語，我們叫它為一個‘諺語群’?！彼€進一步解釋：“‘諺語群’是諺語與諺語之間等同物、類似物的匯聚?！敝V語是廣大人民群眾千百年來在生活生產(chǎn)實踐中沉淀下來的語言智慧和經(jīng)驗的總結，它是一種客觀存在，諺語與諺語也和人與人一樣，也會有這樣那樣的聯(lián)系，所以，諺語也可以按照它的內(nèi)容、形式的關聯(lián)的不同，分成一個一個的不同的“群”。陶匯章先生根據(jù)他幾十年研究諺語的心得，認為，中國諺語的研究，“應當在總體研究、群體研究和個體研究的相互配合中，不斷向前推進”。

二、“諺語群”的分類

“諺語群”是諺語中相互間或在內(nèi)容上或在形式上有一定關聯(lián)的一批諺語的集合，而每一個集合的內(nèi)部，還可以因為各方面的差異分成不同的類別。也就是說，大的“諺語群”中還可以分成若干個小的“諺語群”，而且每一個小的“諺語群”中的諺語有些還有交叉的現(xiàn)象。所以，“諺語群”的分類是一個極其復雜、繁瑣的事情。根據(jù)目前掌握的資料，大體上可以分為以下六類：

1.內(nèi)容關聯(lián)而說法不同。這主要是針對敘述式諺語而言。這類“諺語群”中的諺語內(nèi)容相關聯(lián)，甚至完全相同，只是在表達時采用了不同的說法，可以正說、反說，加字、減字，簡說、繁說，韻文、散文，文言文、白話文，等等。例如：“青春不能挽回，衰老無法避免”；“年華莫虛度，青春不再來”；“日月莫虛度，青春不再來”；“別虛度年華，莫荒廢青春”；“黃金丟了，可以找回來；時間過去了，就無法追回”；“青春挽不回，暮年難擺脫”。這六條蒙古族諺語在內(nèi)容上完全相同，都是告誡人們時間一去不復返，應該珍惜時間，只是在表達時采用了不同的說法，所以，它們是一個“諺語群”。

2.內(nèi)容關聯(lián)而比喻不同。這主要是針對運用了比喻修辭手法的諺語而言。這類“諺語群”中的諺語說明的是同一個道理，只是在表達時采用了不同的比喻形式。例如：“駿馬能飛躍塹壕，意志能克服艱險”；“月套環(huán)要起風，人立志能成功”；“只要有根子，就會開放出花朵來；只要有志氣，就會闖出路子來”。這三條蒙古族諺語是一個“諺語群”，都采用了比喻的修辭手法，分別用不同的喻體，表達了有志者一定能戰(zhàn)勝困難、獲得成功的道理。

3.內(nèi)容關聯(lián)而襯句不同。這主要是針對復句式諺語而言。復句式諺語是由兩個或兩個以上的句子組成的諺語，但一般以兩個句子的為最多。在復句式諺語中，其中一個單句表達它的主旨，另一個單句只作為襯托使用，它從正面或反面來烘托主句的意思。襯句有的具有比喻的性質(zhì)，但它與主句相對獨立，起的作用不僅限于比喻而已。襯句在復句中，有的在前，有的在后，但它們的作用是一樣的，類似于“興”，即“先言他物以引起所詠之辭”。例如：“講人心靈美的，別看衣著，要看心靈”；“名山不在高峻，而在于景色；人好不在相貌，而在于心靈”；“花美在外觀，人美在內(nèi)心”；“與其選擇漂亮的臉蛋，不如物色善良的心靈”；“臉蛋好看不算俊，心底善良才算美”；“心地不善的人，學識再多也無用”；“外貌美只能取悅一時，內(nèi)心美才能經(jīng)久不衰”；“蛇美只在皮外，人美卻在內(nèi)心”。這八條蒙古族諺語是一個“諺語群”，它們以各種襯托來強調(diào)人心靈美的重要性。

4.比喻、內(nèi)容相同而說法不同。有一些諺語，作比喻的事物基本相同，所表達的內(nèi)容也大體一致，只是在表達時采用了不同的說法。例如：“買馬須瞧牙口，交友須摸底細”；“馬要看牙口，人要看行動”；“馬看牙口，人聽說話”；“想買馬瞧牙口，欲交友察心地”。這四條蒙古族諺語是一個“諺語群”，都是以馬為喻，在內(nèi)容上也完全相同，它們一方面告訴人們買馬時，要觀察馬的牙齒，根據(jù)它的牙齒可以判斷它的年齡；另一方面又告訴人們交友的方法，當然，主要是告訴人們交友的方法。

5.比喻或襯句相同而內(nèi)容不同。在一些諺語中，比喻或襯句相同，長期沿用，已經(jīng)形成了一種大體固定的句式，但主句卻有變化，表達了不同的內(nèi)容，說明了不同的道理。例如：“金錢如糞土，聲譽值千斤”；“金錢如糞土，人格值千金”；“金錢如糞土，道德值千金”。這三條蒙古族諺語都以“金錢如糞土”為喻，但卻分別說明了聲譽、人格、道德的更可貴?！敖疱X如糞土”經(jīng)過人們的反復使用，已經(jīng)成為一種固定的句式，在它的后面可以有各種各樣的不同的說法。所以，以“金錢如糞土”為比喻或襯句的一批諺語，可以是一個“諺語群”。

6.形式相同而內(nèi)容不同。在諺語中，還有一些諺語，在內(nèi)容上不同，但在形式上卻完全相同，它們也可以形成一個“諺語群”。例如：“寧可折骨頭，不可敗名聲”；“寧可窮而存志，不可富而失節(jié)”；“寧可在家鄉(xiāng)斷骨，不可在他鄉(xiāng)丟丑”；“寧可喪失生命，不可失去氣節(jié)”；“寧可光明磊落地死去，不可卑鄙無恥地生存”；“寧可做窮人，不可做壞人”；“寧可拋卻頭顱，不可失卻名譽”；“寧可折腰，不可彎腰”。這八條蒙古族諺語雖然表達的內(nèi)容不同，但都采用了“寧可……，不可……”的形式，也是一個“諺語群”。

三、“諺語群”的作用、意義

把一個個分散的諺語集中起來研究，不僅有助于我們從群體上把握諺語的本質(zhì)特點，幫助我們更客觀、更全面、更系統(tǒng)地認識、了解諺語。首先，研究“諺語群”有助化深化“諺語學”的研究?！爸V語學”在我國由于種種原因，它起步晚，發(fā)展慢，還是一門新興的學科。而“諺語群”概念的提出，為我國“諺語學”的研究提供了一個新的角度，為全面了解諺語的相關問題提供了一個相互印證的參照物。諺語產(chǎn)生于民間，在文字產(chǎn)生以前，主要依靠口口相傳延續(xù)，而諺語傳播者的知識、經(jīng)歷和生活體驗又都不一樣，所以在長期的傳承過程中，就產(chǎn)生了差異，例如：前面所列舉的關于“買馬”與“交友”的四條蒙古族諺語。內(nèi)容和比喻格式完全相同，但在說法上卻存在差異。在一個“諺語群”中，諺語之間有的是時共關系，有的是歷時關系。通過對同一個“諺語群”中古今諺語的對照、比較，可以追溯到它的源頭。其次，對“諺語群”的研究，有助于我們客觀、全面、系統(tǒng)地了解事物的本來面貌。正如陶匯章先生在《諺語文論》中所說的：“民間智慧是一個整體，要從宏觀上去作整體把握；執(zhí)著于一條、兩條諺語，勢必流于片面，斷章取義而不得其真義。研究諺語群，就是要研究諺語的整體組合現(xiàn)象，積不完整為完整，不全面為全面，不周密為周密?！泵晒抛逯V語是蒙古族民間文學寶庫中一種古老而獨特的表達形式，其中不僅蘊含著千百年來蒙古族人民語言方面的智慧和經(jīng)驗，而且還反映了蒙古族的風俗習慣（比如禁忌、好惡等）、生產(chǎn)生活狀態(tài)、宗教信仰、價值觀念、思維方式等。如果把蒙古族的諺語集中起來，分成若干個小的“諺語群”來研究，那將會使我們對這個民族及其歷史、文化有一個更全面、更系統(tǒng)的了解?！皬倪@個意義上說，我們也可以把諺語群比作歷史的黑匣子”。

總之，集中的“諺語群”和分散的諺語，是不一樣的?！爸V語群”是系統(tǒng)的、開闊的，便于人們多方面、多角度、多層次地考察語言現(xiàn)象，它像一個裝滿水果的籃子，你可以自由地從中挑選你喜愛的或需要的水果，而不是像隨意扔在地上的分散的水果，需要你一個一個地揀，費時費力。

參考文獻：

〔1〕陶匯章.諺語文論[M].長春：吉林文史出版社，2005.

〔2〕朱榮阿，材音博彥，蘇利婭編.蒙古族格言俗語集萃[M].呼和浩特：內(nèi)蒙古人民出版社，1988.

〔3〕邢莉.草原牧俗[M].濟南：山東教育出版社，1999.

第2篇：寓言故事及寓意范文

1課程的定位和目的

實驗中醫(yī)學基礎，是我校創(chuàng)設的中醫(yī)專業(yè)本科（七年制和五年制）的一門專業(yè)基礎課。它是在該專業(yè)本科學生學習完普通基礎課和中醫(yī)、西醫(yī)專業(yè)基礎課程之后，為使學生于在校期間能掌握一定的進行中醫(yī)學實驗研究的基礎知識和基本技能，初步樹立正確的中醫(yī)科研觀點和思路，提升本科學生的知識層次和學術水平而創(chuàng)建的一門新興課程。因此，該課程定位為專業(yè)基礎課，學科目錄隸屬于中醫(yī)基礎理論學科。

正是基于實驗中醫(yī)學基礎的課程定位，課程在創(chuàng)建之初就提出了該課程的教學目的在于，通過課堂講授和實驗技能的訓練和操作，使學生能夠系統(tǒng)了解和掌握進行中醫(yī)藥學實驗研究的基本知識和規(guī)律，樹立和端正進行中醫(yī)藥學研究的正確的科研思維和觀點，熟悉和掌握進行中醫(yī)藥學研究的基本程序、基本方法和基本技能，并了解中醫(yī)現(xiàn)代研究的成就與進展。從而達到提高學生科研意識、科研水平和動手能力之目的。并希望通過該課程為培養(yǎng)和造就中醫(yī)自己的科學實驗研究人才開辟新的途徑。

2課程實踐

實驗中醫(yī)學基礎在其課程實踐的十年中，無論在授課的對象、授課的方式、理論課和實驗課的比例上都經(jīng)歷了一定的變革。

2.1授課對象的改變  從開課之初，實驗中醫(yī)學基礎主要是針對中醫(yī)五年制本科三年級的學生。該階段的學生已經(jīng)基本學習完中醫(yī)的專業(yè)課程，正準備進入臨床實習。但自2006年起，由于我校課程的重新調(diào)整，實驗中醫(yī)學由中醫(yī)五年制本科的專業(yè)基礎考察課，更改為七年制科研方向（理科基地班）的專業(yè)基礎考試課。自此，它的授課對象也發(fā)生了改變，主要面向七年制四年級第二學期的學生。相對于五年制本科三年級學生，這些學生由于在一、二年級接受了較為系統(tǒng)的現(xiàn)代生物知識體系和實踐操作的訓練，因此，與前者相比，他們對課程中所介紹的中醫(yī)科研現(xiàn)代研究部分的領悟要明顯占有優(yōu)勢。

2.2授課方式的改變  實驗中醫(yī)學基礎在設立之初由于沒有固定的課程組，所以主要由參與《實驗中醫(yī)學基礎》自編教材編寫的十幾位教師擔任授課任務。主要方式就是，每個老師利用1次課講授他的研究思路和成果。這種授課方式雖然生動，但卻不利于保持課程講授的連貫性和統(tǒng)一性。自2001年，隨著實驗中醫(yī)學基礎課程組的出現(xiàn)，該課改為了擁有固定教師的專職授課。這一變革無論從教師的備課還是學生的聽課效果都有了長足進步。

2.3理論課和實驗課比例的改變  實驗中醫(yī)學基礎課程設制的目的中有重要的一條就是要提高學生科研動手能力。因此，實驗課始終是該課程的重要組成部分。2006年，伴隨著課程對象的改變，該課程實驗的比例也發(fā)生了變化，在總課時72學時沒變的基礎上，由之前的12學時提高到了18學時。由4次實驗課，增加為6次實驗課，這大大提高了實驗中醫(yī)學基礎對學生科研動手能力的培養(yǎng)。

3教材及教師隊伍建設

由于實驗中醫(yī)學基礎是我校新開創(chuàng)的一門課程，因此，沒有現(xiàn)成的教材可以采用。2000年劉燕池教授組織十幾位在中醫(yī)科研上有經(jīng)驗的教授編寫了校內(nèi)自編教材《實驗中醫(yī)學基礎》。這本教材分為上下兩篇。上篇主要介紹中醫(yī)科研的基本程序和方法。下篇則主要通過對中醫(yī)科研成果的介紹來向?qū)W生展示中醫(yī)學實驗研究的方法和途徑。由于是初次編寫，前無藍本可依，所以盡管這本教材現(xiàn)在看來顯得相對比較粗糙，但對于教材重要的是要立足于能使學生建立一個盡可能規(guī)范、比較完整的專業(yè)知識體系的原則而言，這本教材基本上體現(xiàn)了這一指導思想，所以它從2000年一直延用至今，共8屆學生。在此雖然更換教材，但是在課堂教學中教師講授的內(nèi)容已經(jīng)根據(jù)中醫(yī)科研的發(fā)展作了很大的修改。

此外，在教師隊伍的建設上，十年來也有了翻天覆地的變化。由起初的1位專職授課教師，發(fā)展壯大為擁有4位博士的固定教師隊伍。目前該課程教師的平均年齡為37歲，學歷100%為博士，有1名教授，2名副教授和1名講師。

4獲得的經(jīng)驗

第3篇：寓言故事及寓意范文

關鍵詞：股票價格收益率 波動率 GARCH模型

中圖分類號：F830.91 文獻標識碼：A

文章編號：1004-4914（2015）08-097-04

一、引言

波動率是股票收益率不確定性的一種度量，是衡量金融風險的重要指標，被廣泛使用于整個金融理論研究與投資實務中，例如資產(chǎn)定價、投資組合優(yōu)化、風險管理等。研究表明，波動率具有明顯的集聚性和持續(xù)性，具有很強的自相關特性，因此，對于市場波動率的歷史研究能夠幫助人們更好地預測它的變化趨勢、管控投資風險、提高收益率?，F(xiàn)實需求與理論需求，催生了大量的波動率預測模型研究，典型例子如指數(shù)加權移動平均（EWMA）模型、自回歸條件異方差（ARCH）模型、廣義自回歸條件異方差（GARCH）模型，等等。就GARCH模型來說，使用最為普遍的當屬GARCH（1，1）模型。研究人員使用這些模型對金融市場做了許多研究，包括匯率市場、期貨市場、股票市場、金融衍生產(chǎn)品市場等。

中國經(jīng)濟在2010年成為世界第二大經(jīng)濟體，國內(nèi)投資者投資需求急劇擴大，但受限于國內(nèi)金融市場的不發(fā)達，大量的國內(nèi)投資者僅限于房地產(chǎn)、國債、基金、股票等少數(shù)產(chǎn)品，期貨、期權等衍生品投資只是少數(shù)人的投資領域。在國內(nèi)房地產(chǎn)價格持續(xù)多年爆發(fā)性上漲之后，許多個人投資者把目光投向了股票市場。分析預測股票市場收益率的未來趨勢，可以為個人投資者提供一定的參考。本文選取了國內(nèi)11個板塊的代表性個股作為研究對象，使用GARCH（1，1）模型分析各板塊收益率的波動率、預測未來股票收益率的范圍。

二、數(shù)據(jù)選取和分析

本文選取滬深300成份股中的代表11個不同板塊的11只股票作為研究對象，涵蓋2011年首個交易日的收盤價至2014 年最后一個交易日共969個數(shù)據(jù)。為了方便分析，防止休市日數(shù)據(jù)空缺，將數(shù)據(jù)向前推移，形成連續(xù)的時間序列。其來源是大智慧軟件的歷史數(shù)據(jù)。無論是對投資者還是分析人員來說，收盤價都是很重要的，更能反映上市股票的股份走勢，從而具有引導投資者或者分析人員的作用。日市場收益率，是反映日價格波動變化程度的指標，收益率的標準差或方差可以體現(xiàn)市場的波動特征和風險特征，因此選擇日市場收益率來研究既是市場需求也是研究慣例。

通過對選取的11只股票股價進行統(tǒng)計分析，通過使用大智慧軟件下載，得到各股的日收盤價格，表1列出各股的統(tǒng)計期間的首個收盤價和最后收盤價，以及除去各股停牌日的數(shù)據(jù)得到總的數(shù)據(jù)個數(shù)。最少為928個，最多為969個，基本在940個左右。

（一）收益率描述性統(tǒng)計

先描述建立模型和統(tǒng)計檢驗所使用的基本數(shù)據(jù)，將股票市場日收益率rt定義為股價比值的對數(shù)，即股價對數(shù)值的一階差分。

rt=ln=lnst-lnst-1

其中st，st-1表示時刻t，t-1的股票收盤價格。選取對數(shù)收益率在統(tǒng)計計算時更容易處理：

lnst-lnst-k=lnss=lnss?ss…ss

=lnss+lnss+…lnss

=rt+rt-1+…rt-k

這樣連續(xù)復合多期的收益率只需要把它寫成單周期的收益率的加總。

下面就國金證券做詳細介紹。求出國金證券股票的日收益率，并結合時間變化得到收益率的時間序列圖：

通過對國金證券收益序列的線性圖可以看出，國金證券股票收益率表現(xiàn)出持續(xù)性和波動集聚性，即大的波動后面常常伴隨著較大的波動，較小的波動后面的波動也較小。

對于國金證券進行分析，經(jīng)檢驗統(tǒng)計得到國金證券對數(shù)收益率序列均值（Mean）為0.1056%，標準差（Std.Dev.）為0.030495，偏度（Skewness）為0.350899大于0，說明序列分布有長的右拖尾，即樣本期間內(nèi)收益率大于于平均值的交易日較多。峰度（Kurtosis）為4.625334，高于標準正態(tài)分布的峰度3，說明收益率序列具有尖峰的特征。Jarque-Bera統(tǒng)計量為38.80067遠大于標準正態(tài)分布的臨界值9.21，說明存在“厚尾”的特征，P值為0.00000，拒絕該對數(shù)收益率序列服從正態(tài)分布的假設。

對于其它10只股票的統(tǒng)計描述重復以上操作。得到收益率時間序列與圖1類似，所以就不一一繪出，都具有相似特征。而其它10只股票的描述性統(tǒng)計量經(jīng)過整理與國金證券的數(shù)據(jù)整合后得到表2，從表2中可以了解到國金證券的平均收益率最高，北大荒的最低。偏度都不為0，峰度值都大于3，J-B值也都非常大。所以其它10只股票的收益率序列也拒絕服從正態(tài)分布假設。

（二）序列的平穩(wěn)性檢驗

在對收益率分析之前，首先遇到數(shù)據(jù)的平穩(wěn)性問題，因為GARCH模型對樣本數(shù)據(jù)的要求是序列必須保持平穩(wěn)。本文運用ADF（Augmented Dickey―Fuller test）方法檢驗方法進行序列平穩(wěn)性檢驗，對收益率序列進行檢驗，得到的ADF結果如表3。

ADF檢驗結果顯示：對于國金證券的t統(tǒng)計量的值-29.92496小于顯著性水平為1%的臨界值，同時對應P值為0，則股票收益率序列在1%的顯著性水平下拒絕原假設，即接受不存在單位根的結論，因此收益率序列是具有平穩(wěn)性，說明利用ARCH類模型進行模擬是有效的，同樣檢驗其他10只股票，得到的ADF檢驗結果顯示也具有平穩(wěn)性，從而利用ARCH類模型進行模擬也是有效的。

（三）序列殘差ARCH效應檢驗

序列的平穩(wěn)性得到檢驗，再對序列的相關性進行檢驗，如果序列不具有自相關性則只需要考慮GARCH模型，否則需要嵌入ARMA模型來消除序列的相關性，再次，對數(shù)據(jù)進行異方差ARCH效應檢驗。

對于序列自相關性的檢驗，調(diào)用Eviews中的view-correlogram檢驗得到其序列的自相關函數(shù)分析圖2。

AC是自相關系數(shù)ξk，即構成時間序列的每個序列值rt，rt-1，…rt-k之間的簡單相關關系。圖1中右邊的序列數(shù)字1，2…12表示滯后階數(shù)，ξk表示時間序列中相隔k期的觀測值之間的相關程度。ξk的取值范圍是-1～1，并且越接近1，自相關程度越高。PAC是偏相關系數(shù)？漬kk，是指對于時間序列rt，在給定rt-1，rt-2…rt-k+1的條件下，rt與rt-k之間的條件相關關系。其值的范圍為-1～1，AC下對應的數(shù)值表示對應滯后階數(shù)k下的自相關系數(shù)大小，可以觀察到序列的自相關程度很低。且Q統(tǒng)計量對應的P值均大于置信度0.05，所以序列在5%的顯著性水平上不存在顯著的相關性。其它10只股票經(jīng)同樣檢驗發(fā)現(xiàn)其它收益序列也不具有顯著自相關性。

由于序列不存在顯著的相關性，即rt與rt-1之間無關系是由于受到白噪聲干擾。將白噪聲定義為εt。

設立模型：rt=πt+εt

將去序列去均值化，得到et=rt-rt，國金證券取均值后為et=rt-0.001056

通常檢驗一個模型的殘差是否含有ARCH效應的檢測方法包括：ARCH―LM檢驗和殘差平方相關圖檢驗。本文運用殘差平方相關圖方法來檢驗國金證券的收益率序列。對殘差的平方相關圖檢驗首先建立zt=e2t，再對zt用軟件取view-correlogram，得到zt的自相關函數(shù)分析圖如下：

由圖3可以觀察自相關系數(shù)AC，PAC對應的值很小，且Q統(tǒng)計量對應的伴隨概率p都基本為0。所以殘差平方序列存在自相關，即序列具有ARCH效應。

重復以上操作得到其它10只股票的殘差平方序列自相關函數(shù)分析圖，整理數(shù)據(jù)后得到表4（見下頁），除了寶新能源的伴隨概率隨著滯后階數(shù)增大而趨于0以外，其它各股對應伴隨概率都趨近于0這里就沒有一一列出。由表4可知寶新能源在高階滯后下也具有ARCH效應，其它10只股票的ARCH效應顯著，所以這里只需用GARCH模型對各股收益率下一列進行建模。

三、GARCH（p，q）模型

在描述收益率序列rt的GARCH（p，q）模型由兩部分組成。第一部分是均值過程：

Rt=a+θiRt-i+εi+ηjεt-j

第二部分為條件異方差：

h2t=β+φiε2t-i+ψjh2t-j;β>0，φi>0，ψj>0;

即隨機擾動項滿足上式則序列服從GARCH（p，q）過程。

實際應用中，模型中的q值較小，所以一般地GARCH（1，1）模型就能夠描述大量的金融時間序列數(shù)據(jù)。

（一）GARCH（1，1）一般模型

GARCH（1，1）模型的公式為

σ2t=γVL+αr2t-1+βσ2t-1 （1）

其中，σt為t天后的某個市場變量的波動率，σ2t為第t天的方差率，VL為長期平均收益率方差，γ為VL的權數(shù)，α為r2t-1的權數(shù)，β為σ2t-1的權數(shù)。因為權數(shù)之和為1，有

γ+α+β=1

GARCH（1，1）模型中的“（1，1）”表示σ2t是基于r2的最近觀測值和方差率的最近估計值。

設ω=γVL，則GARCH（1，1）模型可以重新寫為

σ2t=ω+αr2t-1+βσ2t-1 （2）

估計參數(shù)的時候，常用模型（2）的形式，一旦得到ω，α以及β的估計值，則γ等于1-α-β。長期平均方差率VL可以計算成ω/γ。為了得到穩(wěn)定的GARCH（1，1）過程，需要滿足α+β<1，不然長期方差率的權數(shù)將是負值。

（二）GARCH（1，1）模型中的參數(shù)估計

σ2t=ω+αr2t-1+βσ2t-1

通過EViews軟件估計各股票模型參數(shù)結果如表5所示：

通過表示了計算GARCH（1，1）模型參數(shù)的過程，經(jīng)過計算的到的參數(shù)值分別為ω=3.02e-05，a=0.053084，β=0.915674，

得到：σ2t=3.02e-05+0.05308r2t-1+0.915674σ2t-1

并且本例中長期方差率VL為：0.0009666784長期波動率為=0.03109，即日波動率0.03109，而年波動率σ=0.03109=0.492356即49.2356%，由于股票波動率典型處于15%～60%之間，通過實際波動率的值49.2356%對GARCH（1，1）模型預測準確度做一個預估計。

四、波動率預測

股票波動率可以定義為股票收益率的年標準差。對于股票未來波動率對于投資者或證券研究人員非常重要，所以會嘗試估計出未來波動率，這里主要利用GARCH（1，1）模型來估計。

（一）波動率的極大似然估計

首先定義第i天的方差估計值vi=σ2i。我們假設ri關于方差的條件概率分布為正態(tài)分布。那么，最佳的參數(shù)應該最大化表達式（3）的值：

exp （3）

取對數(shù)得到右式中的-lnvi-最大化，即-mln（v）-最大化，我們只需要使得最大化即，將該等式關于v求導，并令它等于零，我們得到的v的極大似然估計為r2i。即可以定義第3天的波動率v3=r22=1.8971e-06，從而對于未來某天的波動率可以基于已知波動率求出。

（二）未來股票波動率的估計

第t天的波差率可以從第t-1天結束之時估計得出。當使用GARCH（1，1）模型的時候，該值為

σ2t=（1-α-β）VL+αr2t-1+βσ2t-1即

σ2t-VL=α（r2t-1-VL）+β（σ2t-1-VL） （4）

在未來的第t+n天，有σ2t-n-VL=α（r2t+n-1-VL）+β（σ2t+n-1-VL）r2n+t-1的期望值為σ2n+t-1。因此E[σ2t+n-VL]=（α+β）E[σ2t+n-1-VL]，其中E表示期望值。反復利用該等式，可以得到E[σt+n-VL]=（α+β）n（σ2t-VL）即E[σ2t+n]=VL+（α+β）n（σ2t-VL），該公式利用了第t-1天結束之時存在的信息，預測了第t+n天的波動率。

例如已知2011年1月6日國金證券股價波動率為1.8769e-06，可以求出2014年12月31日的股價波動率期望為E[σ2946]=VL+（α+β）943（σ23-VL）=0.000966647。這樣我們利用這個模型可以估計未來股票收益率的波動率，在為股票投資者提供一種參考。

五、收益率預測

由于股票市場的股票收益率的分布不符合正態(tài)分布而是接近穩(wěn)態(tài)分布，所以對于股票收益率的預測比較難控制，而本篇論文結合傳統(tǒng)B-S期權定價模型假設股票價格在短時間內(nèi)變化服從正態(tài)分布，根據(jù)正太分布的可加性可以假設股票價格收益率服從正態(tài)分布。以此估計股票未來收益率。

由伊藤定理推導出lns遵循的過程滿足的股價行為模型：

ln（sT/s0）～漬μ-T，σ

μ為股票年預期收益率，σ為股票價格的年波動率。

現(xiàn)在定義μ為0時刻與T時刻之間的連續(xù)復利年收益，那么：

sT=s0eμT，因此μ=ln

其中s0=7.3，st=19.79，T=4，σ=0.4924

得μ=0.2493，則3個月后的股票收益率滿足式（4）：

ln（s0.25/s1）～漬0.2493-0.4924/2×0.25，0.4924

（4）

s0.25為2015年3月底的股價，s1=19.79。

由于一個正態(tài)分布變量值位于均值兩邊1.96倍標準準差范圍內(nèi)的概率為95%。因此，95%的置信度下3月底收益率范圍為

0.032-1.96×0.2462

即實際收益率落在-0.45～0.515之間的概率為95%。通過大智慧軟件取得數(shù)據(jù)2015年3月31日的股票收盤價格為25.51，當天收益率為0.254為正好落在這一區(qū)間內(nèi)。同樣估計出其它股票的波動率期望以及2015年3月31日的收益率，驗證收益率是否落在預測的3月低股票收益率范圍內(nèi)，結果如表6。

由表6可以看出11只股票的實際收益率落在預測范圍內(nèi)的有7只，而有4只股票的實際收益率超出估計范圍上限。由于2011到2014年股票市整體緩慢上升，這里利用歷史數(shù)據(jù)預測2015年股票收益率。而近幾年在新一輪經(jīng)濟改革下，國家相繼出臺經(jīng)濟政策，例如2015年1號文件關于農(nóng)業(yè)改革，“一帶一路”的不斷發(fā)展，“國企改革”等等一系列舉措在刺激國內(nèi)需求，再結合國內(nèi)股市受國家政策影響較大的特點。所以2014年下半年和2015年一季度的股市漲幅普遍較大，所以政策相關股的收益率基本超出預期收益率上限范圍。同時對股票未來的某天的的波動率的平方提供期望值，能對于股票后期風險波動提供一定參考，所以此模型具有一定實用性。結合實證結果最后運用此模型估計6月初的各股收益率，可以提供投資者和研究員提供參考。

六、主要結論與啟示

本文結合GARCH（1，1）模型估計股票未來波動率和收益率。這樣投資者和研究人員在分析股票的時候結合估計結果可以做一定的參考分析。這里11只股票涉及11個不同板塊領域，以及結合“一帶一路”和“國企改革”等大的經(jīng)濟政策方針，結合中國股票市場和宏觀經(jīng)濟的關系，不難看出鋼鐵、鐵路的板塊股票漲幅明顯較大，適合投資，對于厭惡風險的投資者可以選擇銀行、鋼鐵和通信行業(yè)，因為它們的年波動率相對較小，而對于風險愛好者可以推薦證券行業(yè)，它的年波動率較大且收益率范圍最大，適合風險愛好者投資。結合此模型可以對其它股票做同樣研究預測為投資分析作參考。以上的結論意見由本文實證研究所得，僅供參考。

參考文獻：

[1] Andersen TG;T.Bollerslev Answering the Skeptics：Yes Standand Volatility Models Do provide Aecurate Forecasts 1998（39）

[2] R.Engle “Autoregresssive Conditional Heterroscedasticity with Esti

mates of the Variance of UK Inflation，”Econometrica，50（1982：987-1008）

[3] T.Bollerslev.Generalized Autoregressive Conditional Heteroscedast

icity. Journal of Econometrics，31-27

[4] 梁斯.中國證券市場投資風險研究―基于上海股市2010-2013年數(shù)據(jù)[J].金融教學與研究，2014（2）

[5] 耿慶峰.基于比較視角的我國股票市場波動ARCH效應研究.福州大學學報：哲學社會科學版，2013（2）

[6] 謝家泉，楊招軍.基于GARCH模型的股票市場有效性的實證研究[J].統(tǒng)計與息論壇，2005（3）

[7] 唐齊鳴.中國股市的ARCH效應分析[J].世界經(jīng)濟，2001（3）

[8] 尹智超.基于GARCH模型的滬深300指數(shù)收益波動率分析.知識經(jīng)濟，2013（18）

[9] 赫爾J.張?zhí)諅プg.期權、期貨和衍生證券.北京華夏出版社，1997

[10] 曹志廣，王安興，楊軍敏等.股票收益率非正態(tài)性的蒙特卡羅模擬檢驗[J].財經(jīng)研究，2005（10）

[11] 徐龍炳.中國股票市場股票收益穩(wěn)態(tài)特性的實證研究[C].//中國會計與財務問題國際研討會論文集，2001

[12] 彭文平，肖繼輝.股市政策與股市波動[J].上海經(jīng)濟研究，2002（3）

[13] 趙振全[1].中國股票市場波動和宏觀經(jīng)濟波動關系的實證分析[J].數(shù)量經(jīng)濟技術經(jīng)濟研究，2003（6）

第4篇：寓言故事及寓意范文

摘要：數(shù)字預失真技術是有效補償射頻功率放大器的非線性方案；然而，前向數(shù)據(jù)與反饋數(shù)據(jù)之間的延時估計是數(shù)字預失真系統(tǒng)的關鍵性問題，直接影響著非線性的補償能力。在此基于滑動窗的相關運算，介紹一種整數(shù)倍的環(huán)路延時估計算法，同時基于LMS迭代逐個數(shù)據(jù)輸入進行比較，提出了一種自適應小數(shù)倍的環(huán)路延時估計算法。最后對算法進行仿真驗證，結果表明，經(jīng)過整數(shù)倍的環(huán)路延時估計后，對于在[-Ts ] ,Ts 范圍內(nèi)的殘余的小數(shù)倍延時，該算法均表現(xiàn)出優(yōu)異的估計性能。

關鍵詞 ：數(shù)字預失真；環(huán)路延時估計；LMS迭代；射頻功率放大器

中圖分類號：TN929.5?34 文獻標識碼：A 文章編號：1004?373X（2015）20?0008?03

A loop delay estimation algorithm based on LMS iteration

TAN Chaoqiang，XIONG Chunlin，WEI Jibo

（School of Electronic science and Engineering，National University of Defense Technology，Changsha 410073，China）

Abstract：DPD（digital pre?distortion）technology is a nonlinear scheme to effectively compensate the RF power amplifier，but the delay estimation between forward data and feedback data is the key of DPD system，which affects the nonlinear compen?sation capability directly. In this paper，the loop delay estimation algorithm of an integer multiple is introduced based on correla?tion operation of sliding window. At the same time，a loop delay estimation algorithm of adaptive fractional multiple is proposedaccording to the comparison of the data inputted one by one based on LMS iteration. The simulation results indicate that the algo?rithm has superior estimation performance of residual fractional multiple delay in the range of [-Ts ] ,Ts after the loop delay esti?mation of the integer multiple.

Keywords：digital pre?distortion；loop delay estimation；LMS iteration；radio frequency power amplifier

0 引言

OFDM 系統(tǒng)因其較強的抗多徑衰落能力和較高的頻帶利用率而備受關注。與其他多載波調(diào)制技術一樣，OFDM信號存在著峰值平均功率比PAPR（Peak to Aver?age Power Ratio）較高的問題，致使其通過射頻端的功率放大器時，容易因功放的非線性而產(chǎn)生帶內(nèi)失真和帶外擴展[1]。在諸多功放的線性化技術中，數(shù)字預失真DPD（Digital Pre?Distortion）技術因其自適應能力強、補償精度高、代價適中等優(yōu)點，而具有廣泛的應用價值。

為獲取較好的非線性補償性能，數(shù)字預失真一般采用自適應實時工作方式。這意味著，DPD是通過比較前饋序列和反饋序列的差異來不斷調(diào)整的。因此，數(shù)字預失真在調(diào)整更新之前，需要準確地估計反饋環(huán)路中的數(shù)據(jù)延時并進行有效補償。文獻[2]提出一種基于快速傅里葉變換的延時估計算法，缺點是需要較大的數(shù)值計算量；文獻[3]提出的基于傳統(tǒng)的相關運算方案，但是其估計精度不足，因而不能有效適用于數(shù)字預失真系統(tǒng)；文獻[4]的環(huán)路延時估計方案中包含DLL 環(huán)路（Delay?Locked Loop），在硬件上需要額外的環(huán)路。本文基于LMS迭代逐個數(shù)據(jù)輸入進行比較，提出一種自適應的環(huán)路延時估計算法，并對算法進行了仿真驗證。

1 整數(shù)倍的環(huán)路延時估計

類似于文獻[3?4]，以采樣周期Ts 為單位，環(huán)路延時估計可分為整數(shù)倍環(huán)路延時估計和小數(shù)倍環(huán)路延時估計兩部分。

首先，進行整數(shù)倍的環(huán)路延時估計。當信號通過功率放大器時，會因為功放的非線性而造成信號的失真。

但是對于實際應用中PA的工作環(huán)境，其AM?AM曲線基本是單調(diào)的，這使得PA的輸入與輸出序列在幅度上保持了增減性的一致[5]。因此，可以利用輸入/輸出序列幅度增減性進行相關運算來估計整數(shù)倍的環(huán)路延時。數(shù)字預失真基本框圖如圖1所示。

圖1中，前向輸入序列x(n) 與反饋路徑序列 的幅度具有基本一致的增減性；則其基于滑動窗的相關運算可表示為：

2 小數(shù)倍的環(huán)路延時估計

經(jīng)過整數(shù)倍的環(huán)路延時估計后，考慮到PA 非線性和反饋路徑的噪聲影響，殘余的小數(shù)倍環(huán)路延時的范圍需要考慮在[-Ts ] ,Ts 情況，需要更加精確的估計[6]。其估計過程包含插值和迭代修正2個步驟。小數(shù)倍延時θ>0偏移時Farrow內(nèi)插示意圖如圖2所示。

圖2 小數(shù)倍延時θ > 0 偏移時Farrow內(nèi)插示意圖使用4 階的Farrow 結構的FIR 濾波器對前向序列x(n)進行小數(shù)倍的延時θ 移位后進行內(nèi)插，得到重建序列xi (n)：

式中參數(shù)α 一般取0.5。將式（6）代入式（4），可得：由于x(n - 2) - x(n - 1)與x(n) - x(n + 1)是相鄰數(shù)據(jù)變量的增量表達，并且增量變化非常小，因此可以認為：x(n - 2) - x(n - 1)≈x(n) - x(n + 1) （8）

因此，式（7）可以簡化為：

xi (n) - x(n) = [x(n - 1) - x(n)]θ （9）

這樣，逐個數(shù)據(jù)輸入的LMS 算法的迭代公式可以描述為：

第k 次迭代過程中由內(nèi)插濾波器得到的重建信號。

3 仿真結果與分析

首先進行的是整數(shù)倍環(huán)路延時估計仿真。相關運算的滑動窗口大小L = 96 。整數(shù)倍的延時滑動窗移位搜索范圍。

圖3 給出了整數(shù)倍的環(huán)路延時估計仿真結果。其中，實際設置的環(huán)路延時分別為3.2Ts ，7.9Ts 和12.7Ts ，可以看到，估計出來的整數(shù)倍的延時值為3Ts ，8Ts 和13Ts 。估計精度達到了預期效果。

圖3 整數(shù)倍環(huán)路延時估計仿真

其次，進行的是小數(shù)倍的環(huán)路延時估計仿真。迭代次數(shù)設置為200 次，選擇LMS 算法步長β = 2 。圖4 給出了一組殘余延時值為0.2Ts ，0.5Ts 和0.8Ts 的迭代估計過程。同時圖5給出了殘余延時值為-0.1Ts ，-0.5Ts和-0.7Ts 情況下的小數(shù)倍環(huán)路延時估計過程。

由圖4和圖5可知，提出的基于LMS迭代逐個數(shù)據(jù)輸入的小數(shù)倍延時估計算法，在殘余延時為正和為負的情況下，均能達到優(yōu)異的估計精度。圖4 殘余的延時估計為正時小數(shù)倍環(huán)路延時估計圖5 殘余的延時估計為負時小數(shù)倍環(huán)路延時估計

4 結語

數(shù)字預失真系統(tǒng)對前向數(shù)據(jù)與反饋數(shù)據(jù)的對齊很敏感，環(huán)路延時估計的精度不夠，致使數(shù)字預失真的補償性能將急劇下降，甚至出現(xiàn)發(fā)散的情況。本文介紹了一種有效的整數(shù)倍環(huán)路延時估計，同時提出了一種基于LMS迭代逐個數(shù)據(jù)輸入的自適應小數(shù)倍延時估計算法，最后通過仿真驗證了該算法的有效性。

參考文獻

[1] WANG Jianxin，YU Jianguo，ZHI gao. Research of adaptivedigital predistortion technology for wideband OFDM power am?plifier [C]// Proceedings of the 5th International Conference onWireless Communications，Networking and Mobile Computing.Beijing：IEEE，2009：33?36.

[2] ANDREW W S，DURTLER W G. Experimental performanceof an adaptive digital linearized power amplifier for cellular te?lephony [J]. IEEE Transactions on Vehicular Technology，1992，41（4）：395?400.

[3] LOK U W. A novel digital predistortion technique for class?EPA with delay mismatch estimation [C]// Proceedings of 2011Asia Pacific Conference on Postgraduate Microelectronics andElectronics. [S.l.]：IEEE，2011：119?121.

[4] TANG Shigang. Loop delay correction for adaptive digitallinearization of power amplifiers [C]// Proceedings of 2007Wireless Communications and Networking Conference. Kow?loon：IEEE，2007：1987?1990.[5] LIU Lei，ZHANG Peng，LIN Ziliang. An algorithm for loop de?lay estimation in digital predistortion system [C]// Proceedingsof the 4th International Congress on Image and Signal. Shang?hai，China：IEEE，2011：2313?1316.

第5篇：寓言故事及寓意范文

【關健詞】 爆破錨桿 加固底板 研究與應用

概況

采礦活動中巷道的掘進或回采影響引起圍巖的應力狀態(tài)發(fā)生變化，這種變化總的趨勢是圍巖向巷道內(nèi)產(chǎn)生位移，尤其是這種位移的不均勻性突出表現(xiàn)在底板上。主要是因為近年采礦深度的增加以及對頂板和兩幫的錨固的主動支護性能，致使地壓轉(zhuǎn)移。而底臌的治理卻一直缺乏即經(jīng)濟又有效的方法。強烈的底臌不僅帶來大量的維修工作，增加了維修費用，而且還影響了礦井的安全。

爆破錨桿卸壓錨固注漿加固反拱底板技術及施工工藝研究項目在靖遠煤業(yè)公司紅會四礦4701綜放工作面運輸順槽掘進過程中進行了施工試驗。

4701作面布置在紅會四礦西格拉向斜北翼，工作面走向長1300m，傾斜長120m，工作面上鄰4601煤二工作面和4602工作面，下部為未開采區(qū)，北鄰4702工作面，南為井田邊界線。該工作面設計采用綜放開采技術進行回采。煤層總體趨勢是南高北低，南薄北厚，均厚度為6m。工作面老頂為含礫粗砂巖，厚度為17m，直接頂和偽頂缺失，直接底為粉砂質(zhì)泥巖，老底為細砂巖。4701運輸順槽設計施工長度為1300m，采用錨網(wǎng)支護，在施工過程中巷道在不同位置不同程度發(fā)生了底臌現(xiàn)象，底臌量在100-1600mm之間，不能滿足巷道的正常使用，往往是前方掘進，后面接著維修，嚴重影響著礦井正常的采掘接續(xù)，提高了支護費用投入。

2. 底板支護研究方案

目前國內(nèi)外關于巷道底臌的防治措施主要有加固法和卸壓法。加固法的主要方法有：1底板錨桿；2底板注漿；3封閉式金屬支架；4混凝土反拱等。卸壓法的主要方法有：1底板切縫卸壓；2底板鉆孔卸壓；3底板松動爆破卸壓；4兩幫切槽卸壓；5頂部卸壓槽等。以上僅是針對巖層巷道，多是從底板對底臌進行控制，而煤層回采巷道底臌的控制一直是個棘手的問題。

2.1 現(xiàn)有治理方案分析

目前，國內(nèi)外底鼓巷道的支護方法主要有各種形式的可縮性封閉金屬支架、底板錨桿、底板注漿、底板卸壓及混凝土反拱等。但是每一種支護方法的應用范圍是有限的，其主要原因：

① 復雜地層條件下深部巷道的支護理論不完善，支護形式不當；

② 錨桿支護機制不明確，錨桿及參數(shù)選擇不合理；

③ 錨桿的錨固與破碎的圍巖不耦合。

如果底鼓巷道不能選擇正確的支護方法和支護參數(shù)，往往造成前面巷道剛剛修復好，后面巷道又開始繼續(xù)變形。在底板方面表現(xiàn)為前面掘進，后面又開始挖底落軌，而且隨著修復量的加大，其修復難度和修復費用越來越高。因此，在深部巷道施工及修復過程中，必須根據(jù)圍巖的地質(zhì)條件和地壓的實際情況選擇合理的支護方法及支護參數(shù)。

對發(fā)生底鼓的巷道，其支護方法應該根據(jù)圍巖及底板的應力及破壞情況，采用聯(lián)合支護方法，才能有效地進行支護并控制底鼓的發(fā)生。

4. 結論

利用管縫式錨桿的管內(nèi)爆破，爆炸沖擊波在管縫錨桿的底端產(chǎn)生強烈的沖擊膨脹作用，使管縫錨桿端部強烈與孔壁擠實并擴張，與巖體形成一體結構?？朔斯芸p式錨桿的短部錨固力不足的嚴重缺陷這一長期無法解決的問題。同時，爆破所產(chǎn)生的爆生氣體迅速充滿管縫錨桿內(nèi)部，高溫高壓的爆生氣體時管縫錨桿整體再次產(chǎn)生膨脹，與圍巖緊密結合使錨桿能夠在錨固全長范圍內(nèi)有足夠的錨固力。錨桿的錨固效果明顯提高。爆破作用在底板產(chǎn)生裂隙帶的形成，將導致應力集中向深處轉(zhuǎn)移，這個過程可借助于彈性問題的數(shù)值解，炸藥的內(nèi)部作用，一方面表現(xiàn)在形成了空腔、壓實了周圍的介質(zhì)，提供了更多的可壓縮空間；另一方面，裂隙帶構成了地梁效應，阻擋了下部巖層的上鼓。 使用爆破卸壓過程的另一個優(yōu)點是其爆破作用使底板內(nèi)部巖體裂隙開裂，增加了注漿效果。根據(jù)底板力學狀況分析，底板弧形可以改善底板的受力狀態(tài)，更好的承載底部應力，減少底臌量。

經(jīng)力學分析，當煤層遇到軟弱帶時利用錨索加固頂板可以使圍巖應力發(fā)生變化。應力的深部轉(zhuǎn)移可以減少底臌量。

5. 參考文獻

[1] 華安增，孔圓波，李世平.巖塊降壓破碎的能量分析[J].煤炭學報，1995，20（4）：389-392.

[2] 康紅普.軟巖巷道底鼓的機理及防治[M].北京：煤炭工業(yè)出版社，1993.

[3] 譚學術，鮮學福，鄭道訪，等.復合巖體力學理論及其應用[M].北京：煤炭工業(yè)出版社，1994.

[4] 馬念杰，侯朝炯.采準巷道礦壓理論及應用[M].北京：煤炭工業(yè)出版社，1995.

[5] 錢鳴高，劉聽成.礦山壓力及其控制[M].北京：煤炭工業(yè)出版社，1991.

[6] 王煥文，王繼良.錨噴支護[M].北京：煤炭工業(yè)出版社，1989.

[7] 陸士良.巖巷的礦壓顯現(xiàn)與合理位置[M].北京：煤炭工業(yè)出版社，1984.

第6篇：寓言故事及寓意范文

關鍵詞：績效；股權；股權結構

中圖分類號：F27文獻標識碼：A

企業(yè)績效與股權結構關系的研究一直是資本市場研究的熱點之一。早在1932年Berle和Means就認為，在存在控制性股東的情況下，股權結構對公司治理和績效表現(xiàn)產(chǎn)生利益趨同和利益侵占兩種相反的效應。我國醫(yī)藥類上市公司絕大多數(shù)是由國有企業(yè)改制而來，改制主要是維持原企業(yè)國有股權不變，引入部分資金改建為股份制企業(yè)，國有股“一股獨大”的現(xiàn)象還較為普遍。這些公司是否存在內(nèi)部人控制？內(nèi)部人是否通過謀取內(nèi)部收益來影響企業(yè)績效？本文對此進行實證分析。

一、假設提出

我國上市公司的股權類型可以分為國有股、法人股和流通股三種。我國醫(yī)藥類上市公司國有股所占比重較高，很多公司都是國家控股。由于企業(yè)目標與行政目標往往不一致，因此國有股持股比例高總體上會對企業(yè)績效產(chǎn)生更大的負面影響。由此提出研究假設一：國有股持股比例與企業(yè)業(yè)績變化負相關。

對上市公司擁有控制權的若是法人股，由于法人股不能上市流通，絕大多數(shù)持有者將此作為長期投資以取得紅利回報而不是通過轉(zhuǎn)讓獲取差價；此外，由于法人股代表的資本不是以國家資本為主，更多的是集體資本或民營資本，這樣就更容易對經(jīng)營者進行監(jiān)督，對經(jīng)理人形成較好的約束。由此提出研究假設二：法人股的持股比例與企業(yè)業(yè)績變化顯著正相關。

流通股是在股票二級市場交易、能由社會公眾認購的股份，持有者大多是基金、中小股東等，他們追求的往往是短期股票買賣差價，而非公司長期發(fā)展帶來的股息收入，具有很大的投機性?；诔杀尽⑿实目紤]以及“搭便車”心理，流通股持有者一般不會對公司的經(jīng)營狀況進行監(jiān)督和控制，對公司績效的影響作用很小。由此提出研究假設三：流通股比例與企業(yè)績效之間沒有顯著的相關關系。

根據(jù)Shleife等人的研究結論：在公司治理對外部投資者利益缺乏保護的大陸法系國家，公司的股權有集中的趨勢，股東持股比例越高，其利益與公司發(fā)展關系越密切，越有利于股東發(fā)揮積極性，越有利于提高公司的治理績效。由此提出研究假設四：在外部投資者利益缺乏保護的情況下，當公司第一大股東持股比例越高時，企業(yè)績

效越好。

二、樣本選擇、變量確定及數(shù)據(jù)描述性統(tǒng)計

1、樣本選擇。本文以2002～2004年205家醫(yī)藥類上市公司為研究樣本，樣本數(shù)據(jù)全部來自于巨潮咨詢網(wǎng)。

2、研究變量。本文中研究的變量主要包括被解釋變量和解釋變量兩大類。其中，被解釋變量是公司績效表現(xiàn)指標。反映公司績效的財務指標很多，從穩(wěn)健性的角度出發(fā)，本文同時選取凈資產(chǎn)收益率ROE（凈利潤/總資產(chǎn)）和主營業(yè)務資產(chǎn)收益率CROA（主營業(yè)務利潤/總資產(chǎn)）作為公司績效表現(xiàn)變量。解釋變量包括國有股比例SOSP（國有股/總股數(shù)）、法人股比例LSP（法人股／總股數(shù)）、流通股比例CSP（流通股／總股數(shù)）、第一大股東持股比例CR1（第一大股東持股數(shù)/總股數(shù)），控制變量包括長期財務杠桿LTFL（長期負債／總資產(chǎn)）和公司規(guī)模SIZE（總資產(chǎn)賬面價值的自然對數(shù)）。

3、描述性統(tǒng)計分析。筆者對205家醫(yī)藥類上市公司的上述變量進行了簡單統(tǒng)計分析，結果表明：國有股最高比例為73.31%，平均為29%；法人股最高比例為75%，平均為22.55%；流通股最高比例為70.37%，平均為37.85%。國有股和法人股的平均值累計比例高達51.55%（超過50%）的占有量可以證明國有股一股獨大的現(xiàn)象在我國醫(yī)藥類上市公司中還是普遍存在。但流通股平均37.85%的占有比例說明我國正在逐漸擺脫歷史遺留下來的弊病，努力降低非流通股在上市公司中所占的比重。第一大股東持股比例最高為75%，平均為42.15%。前五大股東的持股比例分別為42．15%、53．89%、57．78%、59．58%、60．58%，說明我國醫(yī)藥類上市公司股權相對高度集中。

三、回歸分析

（一）基于ROE的分析

1、相關性檢驗。我們采用Pearson檢驗對變量之間的相關性進行分析，檢驗結果見表1。一般認為，變量間的相關系數(shù)越高，兩者存在線性關系的可能性就越大。由表1可以看出，各變量間的相關性都比較小，說明各變量可以放在同一方程中進行回歸分析。（表1）

2、回歸分析。為了進一步檢驗醫(yī)藥類上市公司各績效指標與其影響因素的關系，本文建立了如下回歸方程：ROEit=a0+a1SOSPit+a2LSPit+a3CSPit+a4CR1it+a5LTFLit+a6SIZEit+ε，檢驗結果見表2?？梢钥闯觯瑖泄杀壤龑ζ髽I(yè)績效的影響在模型中顯示為負相關，但影響并不顯著，這可能是由于政府在干預上市公司經(jīng)營治理的同時也給予企業(yè)一定的保護，因此國有股比例雖然與上市公司績效負相關，但并不是十分顯著。這與本文的假設一不完全相符；法人股比例在模型中顯示與企業(yè)績效顯著正相關，表明醫(yī)藥類上市公司中法人股股東持股比例越高，企業(yè)績效越好，這與假設二相符；流通股比例與ROE負相關，但是同樣并不顯著；第一大股東持股比例對ROE的影響從系數(shù)來看并不顯著，這與假設四不相符；財務杠桿和ROE負相關，但公司規(guī)模和ROE正相關，且都通過了1%的顯著性水平。（表2）

（二）基于CROA的分析

1、相關性檢驗。同樣采用Pearson檢驗對變量之間的相關性進行檢驗，檢驗結果見表3。由表中可以看出，各變量間也不存在高度相關關系。（表3）

2、回歸分析。對于CROA，我們建立了如下回歸方程進行分析。檢驗結果見表4。（表4）

CROAit=a0+a1SOSPit

+a2LSPit+a3CSPit

+a4CR1it+a5CR1it

+a6SIZEit+ε

表4列出CROA與各變量之間回歸分析的結果。在模型中國有股比例對CROA的影響是負面的，并且十分顯著，與假設一相符；法人股對CROA具有顯著正面影響，與假設二相符；流通股比例對CROA的影響是負面的，但不顯著，與假設三相符合；第一大股東持股比例與CROA存在并不顯著的正相關關系，與假設四不相符；財務杠桿和ROE負相關，但公司規(guī)模和ROE正相關，且都通過了1%的顯著性水平。

四、主要研究結論及其局限

通過前面的實證分析，我們發(fā)現(xiàn)在醫(yī)藥類上市公司中：

（一）國有股比例與企業(yè)績效存在負相關關系。一般認為，國有股股東存在所有權缺位、難以對經(jīng)營管理者做出正確的評價和有效的獎懲，具有行政目標等干擾因素，因此國有股比例越高，公司績效反而越低。

（二）法人股比例與企業(yè)績效顯著正相關。理論上講，由于法人股股東在我國上市公司治理中起著積極的監(jiān)督作用，并且又具有對外投資專業(yè)性的特點，這使得上市公司總股本中法人股的比例越高，越有利于企業(yè)績效的提高。

（三）流通股比例與企業(yè)績效之間沒有顯著的相關關系。流通股股東對公司治理的作用有限，因此對企業(yè)績效的影響也較小。

（四）第一大股東持股比例與企業(yè)績效沒有顯著的相關關系。多元回歸分析表明，第一大股東持股比例與ROE、CROA均沒有顯著的相關關系，了假設四。原因可能在于：在醫(yī)藥類上市公司中的第一大股東的股權性質(zhì)其實大多都是國有股，股權的高度集中并沒有使控股股東為企業(yè)帶來顯著收益。

兩個控制變量（公司資產(chǎn)規(guī)模與長期財務杠桿）還表明：在醫(yī)藥類上市公司中，公司規(guī)模越大，績效越好，長期財務杠桿與企業(yè)績效成反比。長期財務杠桿的提高除了增加公司的資本成本之外并不能為公司的經(jīng)營產(chǎn)生有效的監(jiān)督和激勵。

本文的研究局限在于，只采用了2002～2004年的數(shù)據(jù)，因此上述結論的穩(wěn)健性還需要更多數(shù)據(jù)進行檢驗。

（作者單位：江蘇省人民政府法制辦公室）

參考文獻：

[1]孫永詳，黃祖輝.上市公司股權結構與績效[J].經(jīng)濟研究，1999.

[2]陳小悅，徐小東.股權結構、企業(yè)績效與投資者利益保護[J].經(jīng)濟研究，2001.

第7篇：寓言故事及寓意范文

關鍵字:指數(shù)復制 遺傳算法 追蹤誤差

一、引言

指數(shù)化投資的概念興起于上世紀70年代,是首先由諾貝爾經(jīng)濟學獎得主Paul Samuelson所提出的。后來由于效率市場假設的提出,以指數(shù)化投資為目的的指數(shù)基金開始受到金融市場的注意及認同。在效率市場中,由于單個證券的非系統(tǒng)風險是很難避免的,證券的價格都已反應了證券的價值,其價格的變化用任何方法也無法準確預測,因此,只有選擇投資于證券市場指數(shù)才能夠完全化解非系統(tǒng)風險。與主動投資不同,被動投資策略是一種釘住市場指數(shù)并不尋求戰(zhàn)勝市場的投資策略。被動投資由于采用分散的交易策略,因此相對于主動投資通常有更低的非系統(tǒng)性風險水平,而且其投資目的在于復制標的指數(shù),故其收益水平與整個市場或指定區(qū)域的平均水平將較為接近。

遺傳算法(Genetic Algorithm, GA) 是一類借鑒生物界的進化規(guī)律(適者生存,優(yōu)勝劣汰遺傳機制)演化而來的隨機化搜索方法。它是由美國的J.Holland教授1975年首先提出,其主要特點是直接對結構對象進行操作,不存在求導和函數(shù)連續(xù)性的限定;具有內(nèi)在并行性和更好的全局尋優(yōu)能力;采用概率化的尋優(yōu)方法,能自動獲取和指導優(yōu)化的搜索空間,自我調(diào)整地調(diào)整搜索方向,不需要確定的規(guī)則。遺傳基因算法的這些性質(zhì),已被人們廣泛地應用于組合優(yōu)化、機器學習、信號處理、自適應控制和人工生命等領域。它是現(xiàn)代有關智能計算中的關鍵技術之一。本文根據(jù)遺傳算法的原理和特性,設計出一套基于該算法的指數(shù)復制方法,并結合滬深300樣本數(shù)據(jù)對其進行跟蹤檢驗,最終得到該復制方法的跟蹤績效。

二、指數(shù)復制績效指標及遺傳算法的基本步驟

2.1指數(shù)復制績效指標

(1)追蹤誤差

追蹤誤差是指數(shù)復制績效評價體系中最重要的指標,用于度量指數(shù)追蹤精確度。追蹤誤差一般定義為投資組合與目標指數(shù)收益率之間的差。追蹤誤差越小,指數(shù)追蹤精確度越高,指數(shù)追蹤的業(yè)績也越好。

其中Rpt為t時刻投資組合的收益率,即 ,RIt為t時刻滬深300指數(shù)的收益率。其約束條件:組合內(nèi)每只股票的權重w∈[0,0.1] 且

(2)相關系數(shù)

相關系數(shù)度量了投資組合與目標指數(shù)收益率之間的相關性。一般來說,相關系數(shù)越大,指數(shù)追蹤業(yè)績越好。

2.2 遺傳算法的基本步驟

遺傳基因算法的最基本原理在于演化(Evolution)及篩選(Selection)。用面向?qū)ο蟮某绦蛟O計觀點來看,所謂“演化”即是經(jīng)由基因以算法中的三個運算機制:復制/選擇(Reproduction/Selection)、交叉(Crossover)與變異(Mutation)交至運作去產(chǎn)生新的個體。而“篩選”則是以一個預先定義之評分函數(shù)(Fitness Function),又稱適合度函數(shù),去建構其生存環(huán)境,所有的物種皆已符合其要求為終極目標進行演化,保留符合適應度函數(shù)的數(shù)據(jù)結構,而淘汰較差者。

(一) 步驟一:初始化

選擇一個群體,即選擇一個串或個體的集合bi,i=1,2,...n。這個初始的群體也就是問題假設解的集合。一般n的取值范圍為[30,160]。通常以隨機方法產(chǎn)生串或個體的集合bi,i=1,2,...n。問題的最優(yōu)解將通過這些初始假設解進化而求出。

(二) 步驟二:復制/選擇

根據(jù)適者生存原則選擇下一代的個體。在選擇時,以適應度為選擇原則。適合度函數(shù)就如同大自然環(huán)境,用來衡量每個個體。在遺傳基因算法下,必須先定義一套模式去評估每一個個體的適合度。初始種群中每一個個體有一對應得函數(shù)值,稱之為適應值(Fitness Value),該函數(shù)稱之為適合度函數(shù)。演化過程在尋找最大(最小)的適應值。

(三) 步驟三:交叉

對于選中用于繁殖下一代的個體,隨機地選擇兩個個體的相同位置,按交叉概率P。在選中的位置實行交換。這個過程反映了隨機信息交換;目的在于產(chǎn)生新的基因組合,也即產(chǎn)生新的個體。

(四)步驟四:變異

突變的意義在擷取一種不可預測的訊息,以防止物種在一連串的復制與過程中,囿限于一個區(qū)域優(yōu)化的環(huán)境中而無法跳脫,,永遠看不見真理。正如生物學上的歷史,突變的機率極低,卻會帶來物種革命性的改變,善定遺傳基因算法種的突變率,將有助于收斂速度的提高及物種適應力的增強。

(五)步驟五:收斂/終止

當最優(yōu)個體的適應度達到給定的數(shù)值,或者最優(yōu)個體的適應度和群體適應度不再上升時,則算法的迭代過程收斂、算法結束。否則,用經(jīng)過選擇、交叉、變異所得到的新一代群體取代上一代群體,并返回到第2步即選擇操作處繼續(xù)循環(huán)執(zhí)行。

三、實證檢驗

3.1.樣本數(shù)據(jù)設置

本文利用中證指數(shù)公司所的滬深300指數(shù)作為目標指數(shù),數(shù)據(jù)期間從2008年1月1日至2009年5月31日之日資料,共計322筆資料。估計期設定為2008年1月1日至2008年12月31日,2009年1月1日至2009年5月31日則為未來測試期。資料的收集和整理是在大智慧V5.6版和SQL Server2000下完成的。

3.2 遺傳算法的參數(shù)選擇

遺傳基因算法中使用的參數(shù)為進化次數(shù),最終選擇股票個數(shù),初始權重組數(shù)。根據(jù)Roland Jeurissen 和 Janvanden Berg 2005年在IEEE上發(fā)表的《Index Tracking using a Hybrid Genetic Algorithm》一文中關于遺傳參數(shù)的測試結果,變異概率參數(shù)設為0.8,轉(zhuǎn)型概率參數(shù)設置為0.5,初始權重組數(shù)一般為樣本空間的3倍,由于我們的樣本空間有300只股票,那么我們按照經(jīng)驗值設定初始權重組數(shù)為900組,事實上,經(jīng)筆者多次測試,這個初始值只要超過樣本空間的數(shù)量就已經(jīng)對最終的追蹤誤差產(chǎn)生可以忽略的影響。股票權重按照我國證券監(jiān)管機構對于基金中股票權重的規(guī)定設置,每一只股票的權重不超過總投資金額的10%。我們參數(shù)設置的重點放在進化次數(shù),因為這個參數(shù)的確定對我們最終結果會產(chǎn)生較大的影響。

進化次數(shù),又稱為迭代次數(shù),權重經(jīng)過一遍遺傳變異,成為一代,算法會根據(jù)這一代的權重算出追蹤誤差,同時對這一代的權重按照某種規(guī)則進行下一代的遺傳變異工作,從而計算下一代中的追蹤誤差,這樣經(jīng)過很多次以后,最優(yōu)的權重組合之間通過互相的雜交會產(chǎn)生趨于更優(yōu)的后代,這個更優(yōu)的后代在這里表現(xiàn)為更低的追蹤誤差。然而,迭代次數(shù)的無限延伸勢必會增加計算所需要的時間,理論上,隨著進化的延續(xù)優(yōu)化的下一代是會不斷產(chǎn)生的,而且經(jīng)過實證,在樣本總數(shù)一定得情況下,隨著迭代次數(shù)的增加,追蹤誤差會收斂于一個固定值,這個現(xiàn)象在國內(nèi)外關于遺傳基因算法的論文中有所提及,但是都沒有給出一個可信的解釋,筆者認為其中一個很重要的原因可能是目前的計算精度不夠所造成的。

我們這里首先把進化次數(shù)設為10000次,權重組數(shù)設為900組,最終選擇股票數(shù)設為50,經(jīng)過在統(tǒng)計學軟件R中測試,得出結論如下圖:

圖1 進化次數(shù)(again)和最小追蹤誤差(MinTE)變化圖

橫坐標代表進化次數(shù),縱坐標代表最小追蹤誤差,從結果可以看出,在上述樣本環(huán)境下,經(jīng)過大約400次雜交遺傳后,最小追蹤誤差會收斂于0.2238%,為了確定更佳的遺傳代數(shù),我們把總迭代次數(shù)限定為400,其他樣本參數(shù)保持不變,得出在不同循環(huán)次數(shù)下的追蹤誤差,進而對其進行回歸分析,得出回歸方程,從而確定最佳進化次數(shù)。對計算結果進行抽樣,得到進化次數(shù)和追蹤誤差對應數(shù)據(jù)表,如下表所示:

通過對表中的數(shù)據(jù)用不同的回歸模型進行回歸分析,發(fā)現(xiàn)使用冪回歸模型擬合的相關度最高,如表2所示:

表2不同回歸方程的相關度比較

回歸模型 指數(shù)回歸模型 對數(shù)回歸模型 冪回歸模型

回歸方程 y= 0.003e-0.00x y = -7E-0ln(x) + 0.006 y = 0.007x-0.23

相關度(R²) 0.809 0.974 0.988

得到回歸模型y = 0.007x-0.23,擬合曲線如圖2 所示:

圖2最小追蹤誤差變化圖

從擬合曲線上,我們可以看到,隨著進化次數(shù)的增加,最小追蹤誤差呈冪函數(shù)下降趨勢,由于該函數(shù)是單調(diào)遞減的,所以,我們結合循環(huán)所耗費的時間和追蹤誤差減低的速度來確定最優(yōu)的迭代次數(shù),由于追蹤誤差隨迭代次數(shù)遞減速度一直遞減,所以我們設定當遞減速度為0.000001來確定最優(yōu)迭代次數(shù),即令該函數(shù)的一階導數(shù)等于0.000001,確定最優(yōu)迭代次數(shù)約為200次。

3.3 股票及其權重的確定

在確定了遺傳算法的參數(shù)之后,我們利用2008年全年的滬深300成分股的日收益率數(shù)據(jù)及滬深300指數(shù)日收益率數(shù)據(jù)為樣本數(shù)據(jù),經(jīng)過循環(huán)迭代,該算法從滬深300只股票中挑出50只股票及他們在投資組合中的權重,選取的股票及其權重見下表:

3.4 預測期的跟蹤結果

針對2009年1至5月的滬深300指數(shù)日數(shù)據(jù)進行追蹤測試,結果得到追蹤誤差TE為0.372%,相關系數(shù)為0.9841。組合累計追蹤誤差為1.020%,組合累計收益率的相關系數(shù)為0.9980。模擬效果如圖3:

圖3預測效果圖

4 結論

首先,從收益率的相關性和追蹤誤差這兩個衡量模擬指數(shù)收益的指標來看,在模擬測試期,投資組合的跟蹤誤差為0.372%,相關系數(shù)為0.9841,表明投資組合的收益率和指數(shù)收益率的接近程度很高,其收益率的變化程度也非常一致。其次,從累計收益的角度我們還可以衡量出累計追蹤的偏差和相關性,從上文中實證結果可以看出,投資組合累計收益率的跟蹤誤差為1.02%,相關系數(shù)為0.998,說明從累計的效果來看,基于遺傳算法的指數(shù)方法的表現(xiàn)也是非常出色的。另外,遺傳基因算法選出的股票權重明顯更加趨于平均,這一方面有利于分散風險,另一方面會使購置這些股票時避免由于某一只股票權重過大所造成的過高的沖擊成本,有助于降低投資組合的流動性風險。尤其對于以指數(shù)化投資為考慮的專業(yè)投資機構,適當?shù)牧鲃有愿瞧渲匾耐顿Y目標。

參考文獻

[1] Andrews C, Ford D, Mallinson K.,1986, “The design of index funds and alternative methods of replication”. The Investment Analyst,Vol.10,PP 16-23.

[2] Beasley J E, Meade N, Chang T J. ,1999 ,“An evolutionary heuristic for index tracking”, Working Paper.

[3] Eddelbuttel D, Marseilles.,1996, “A hybrid genetic algorithm for passive management”. Second Conference Computing in Economics and finance,

[4] Frino A, Gallagher D R, Neubert A, Oetomo T N.,2004, “Index design and implications for index tracking”. The Journal of Portfolio Management, Vol.30(2),PP 89-95.

[5] Frino A, Gallagher D R. ,2002, “Is index performance achievable? An analysis of Australian equity index funds”. ABACUS, Vol.38(2),PP 200-214.

[6] Jeurissen R, van den Berg J.,2005, “Index tracking using a hybrid genetic algorithm”. Proceedings of the CIMA’05 conference, PP 910.

[7] Syswerda G,,1986, editor A study on Reproduction in Generational and Steady-State Genetic Algorithms, In Foundations of Genetic Algorithms. Morgan Kaufmann Publishers,

[8] 范龍振,王海濤,何華,2002:《我國股票市場指數(shù)及指數(shù)證券投資組合》,管理科學學報第5期,第11-17頁。

第8篇：寓言故事及寓意范文

關鍵詞：給予顧客滿意度；汽車售后；服務模式；進行研究

一、基于顧客滿意的我國汽車售后服務模式研究意義

隨著我國經(jīng)濟的快速發(fā)展，也帶動著我國汽車產(chǎn)業(yè)的快速發(fā)展，在汽車行業(yè)的快速發(fā)展中越展現(xiàn)出我國的汽車售后服務模式的重要性，縱觀國內(nèi)外市場研究，2005年-2006年是汽車銷售的噴發(fā)期，汽車銷售市場競爭相當激烈，由于汽車銷售方式已近飽和，國外的汽車銷售者將重心轉(zhuǎn)移到運用全面化的汽車銷售服務模式進行市場競爭，汽車售后服務模式已然逐漸成為汽車銷售支柱之一。由于我國的汽車售后模式研究還是處于落后階段，對于市場研究不夠完整化，目前的汽車售后服務模式對與我國復雜的市場情況無法應對，對復雜的市場問題沒有得到正確的處理方法，導致我國在市場競爭中處于弱勢。目前，首要問題就是解決對汽車售后服務模式進行改善，使汽車售后服務模式具有專業(yè)化、智能化、全面化、個性化、制定化等方面優(yōu)勢的汽車售后服務。目前在這個競爭激烈的市場中，顧客對售后服務滿意度是汽車銷售非常重要的一部分。

通過專家進行的數(shù)據(jù)分析得出，在整個汽車銷售市場中對汽車銷售主要影響因素是汽車配件，汽車配件占有比率是最大，其次就是汽車售后服務比率，汽車售后服務比率僅次于汽車配件的比率。同時數(shù)據(jù)顯示，國內(nèi)的顧客滿意的汽車售后服務模式跟國外的顧客滿意的汽車售后服務模式相比，兩者之間的差異較大，雖然國內(nèi)的汽車售后服務模式起步較為晚，經(jīng)數(shù)據(jù)研究表明，我國的汽車售后服務模式具有較大的升值空間。

二、基于顧客滿意的我國汽車售后服務模式介紹

對“一條龍”的服務模式進行介紹，其中包括汽車銷售、零件配置、售后服務、信息解答等方面，目前采用這種模式的汽車銷售店的代表是“4S”店，從4S汽車銷售來看充分展示了這種模式對企業(yè)品牌服務和企業(yè)服務模式的統(tǒng)一，已經(jīng)成為了市場終端的代表。采用對顧客一條龍的服務優(yōu)勢有以下幾個方面，這項服務的最大的優(yōu)勢特點就是對顧客可以進行全面服務，這樣有利于了解顧客的喜好和要求，在售前到售后可以與顧客達成良好信任度以及對顧客的了解度，這種模式能夠更好的提高顧客滿意程度，可以為公司培養(yǎng)更多忠實的顧客，同時也可以吸引更多的未來顧客，售前工作與售后工作的結合，可以提高公司的的汽車銷售運行效率，增強對企業(yè)工作人員的管理程度，降低了對企業(yè)的管理難度，使公司銷售系統(tǒng)更加完整化，提高了企業(yè)綜合能力。同樣這種模式也有缺點，這種模式的實施在經(jīng)濟上是需要投入大量成本才能運行周轉(zhuǎn)，短時間內(nèi)的收益并不理想，需要長時間才有好的收益，需要做好持久準備，在工作人員與顧客進行售后服務時如果只注重眼前的利益，就會導致整體服務標準降低，同時也會造成一大批的社會專業(yè)人士的流失，不利于充分利用社會資源。

三、提高汽車售后服務顧客滿意度

之前在汽車銷售行業(yè)企業(yè)銷售的競爭力主要取決于汽車銷售的生產(chǎn)規(guī)模的大小，作為目前經(jīng)濟發(fā)展最為潛力的企業(yè)之一，汽車企業(yè)銷售的特點是高投入、高風險、高收益的特點，那么就要要求汽車企業(yè)管理者用最快的時間來摸清經(jīng)濟規(guī)模的各方面要求以及應該注意的事項，由于競爭激烈，目前國內(nèi)的各個集團都在積極的向國外的汽車售后服務模式學習，將國外先進的汽車售后服務模式與國內(nèi)傳統(tǒng)的汽車售后服務模式相結合起來，創(chuàng)造出一種新型的、完整的、更全面化的汽車售后服務模式，使我國的汽車銷售行業(yè)可以在國際汽車銷售市場上迅速確立國際地位。汽車銷售已從以“產(chǎn)品為中心”到現(xiàn)在以“客戶為中心”為主旨，以前以產(chǎn)品為中心主要影響因素是經(jīng)濟不發(fā)達、人們對汽車了解度不夠，物質(zhì)需求不高，沒有進軍國際市場等，而現(xiàn)在以“客戶為中心”為主旨是因為目前經(jīng)濟快速發(fā)展，帶動汽車產(chǎn)業(yè)銷售，人們對物質(zhì)的出發(fā)點更重于自己的喜好而不是產(chǎn)品的本身，國際市場競爭激烈等方面。如今的客戶資源已經(jīng)成為了企業(yè)的核心，以滿足顧客的需求為前提，來提高顧客的滿意度，進而提高顧客的忠誠度和購買率，這樣可以減低客戶資源的流失、業(yè)績的上升、縮短銷售周期、降低企業(yè)成本、擴大市場交易為目標，提高企業(yè)全面化的盈利和競爭力。同時對顧客進行售前售后全程服務細節(jié)進行報告編制，整理好所有報告交由專家對汽車售后服務模式進行分析與研究。

四、結語

通過本文可知，顧客滿意度對整個汽車銷售的重要性，進而也體現(xiàn)出汽車售后服務模式是決定汽車銷售成功重要組成部分。將國外先進的售后服務模式于中國傳統(tǒng)的售后模式結合起來，可以創(chuàng)造出新型的汽車售后服務模式，推動我國的汽車銷售的發(fā)展。

參考文獻：

[1]柯克雷.基于顧客滿意的我國汽車售后服務模式研究[J].經(jīng)濟論壇，2011，（08）

[2]曾珠.基于客戶行為差異的汽車售后服務推薦研究[D].武漢理工大學，2013（14）

[3]劉建峰.A汽車4s店售后服務管理創(chuàng)新研究[D].吉林大學，2014.（06）

[4]喬輝.國內(nèi)汽車售后服務顧客滿意度研究[J].物流工程與管理，2013，（18）

第9篇：寓言故事及寓意范文

關鍵詞：IPO 抑價水平預測 進化算法

IPO（Initial Public Offering）抑價水平是IPO定價的重要指標，其衡量股票上市首日的收盤價格與發(fā)行價格的差距。IPO抑價水平過高會引起資源配置低下；損害原始股東利益，例如the 在1998年11月12日其IPO發(fā)行價為每股9美元，股價在發(fā)行當天曾一度漲幅達1000%，97美元每股，后回落至63美元每股。雖然the 公司通過IPO募集到3000萬美元，但是據(jù)估發(fā)行的需求水平和交易的規(guī)模，公司預計損失了2億美元。IPO抑價是各國股票市場中的普遍現(xiàn)象。一般較為成熟的股票市場的IPO抑價水平較低，例如在2000至2009年間日本平均IPO抑價率為28.4%， 美國為18.4%，而中國A股市場則高達110.34%。

一、IPO抑價計算

（一）第一種計算方法：IPO抑價水平可定義為第一天股票交易發(fā)行價和收盤價格的變化百分比， 可定義為

（二）如果考慮到IPO股票所在發(fā)行市場的指數(shù)波動，則公式1可修正為下列形式：

IPO前一天的收盤指數(shù)。公式2考慮到股票 IPO所在交易市場發(fā)行日前后的整體市場的股指波動，能更準確的衡量股票的IPO抑價率。如果抑價率大于0，則上市首日存在明顯的超額收益，說明新股的價值被低估；如果抑價率小于0，則表示股票上市首日跌破發(fā)行價，說明股票的價值被高估。

二、IPO抑價水平預測算法-雙層進化算法[1]

進化算法來源于生物進化論中的概念，比如繁殖，突變，重組等。進化算法是一種迭代進化法，一般是從一個原問題的一群解出發(fā)，得到另一群較好的解。進化算法可分為三類：

遺傳算法（genetic algorithm，GA），進化規(guī)劃（evolutionary programming， EP）和進化策略（evolution strategies），這三類通過不同層次，不同角度來模擬生態(tài)進化原理，以便為了求解問題。

在學習類算法中包括兩個階段，第一個階段為訓練階段，其內(nèi)容是創(chuàng)建一個模型。第二個階段為測試階段來驗證階段一中創(chuàng)建的模型。

（一） 影響IPO抑價因素

在大量的文獻中都討論到關于IPO抑價的因素，綜合分析后得出以下因素：

1. 承銷商的威望

低離差性公司為了在市場中表現(xiàn)公司低風險的特性會選擇有聲望的承銷商。與此同時，承銷商為了保持他們的聲望，會選擇低離場性的公司來進行IPO. 同時還得出在承銷商的威望和他們所IPO價格上升的方差，幅度都存在負相關性。在這里承銷商的聲望可建模為虛擬變量，如果是有聲望的承銷商，則變量的值為1否則為0.

2. 路演中的價格范圍

路演是國際上廣泛采用的證券發(fā)行推廣方式，是指承銷商面向機構投資者的推介活動，其作用是讓準投資者更了解擬上市公司的情況。在路演過程中需提供給潛在投資客戶的參考價格范圍。范圍的大小可以認為是對于擬上市公司真實價值的不確定性，因此這個因素會影響到IPO的抑價率?？杀硎緸椋?/p>

3. 最終IPO價格與路演中間價格的調(diào)整量

最終IPO的價格與在路演過程中的價格范圍也表現(xiàn)出對于擬上市公司的不確定性?？杀硎緸椋?/p>

4.保留股票

初始投資者在IPO時期保留的資本可看做是股票質(zhì)量的指示信號。此因素可以比例來表示，這個比例的分子是股票IPO時賣出的數(shù)量，分母是發(fā)行后的股票數(shù)量與IPO賣出的數(shù)量的差值。可表示如下：

5.股票發(fā)行總額

這個因素可定義為股票發(fā)行總額的對數(shù)，其中不包括超額配售的部分?？杀硎救缦拢?/p>

6. 科技性

把科技性納入到考慮因素是因為在研究中表明，科技性公司一般擁有較大的IPO抑價水平。同承銷商的威望因素相同，其變量取值為0，1.當IPO公司屬于科技性公司時為1，否則為.

（二）算法過程解析

1. 確定樣本所在區(qū)域

這個過程通過最近鄰原則來將樣本數(shù)據(jù)區(qū)分至不同的區(qū)域，以達到提高預測準確度的目的。首先將輸入變量分為不同的泰森多邊形區(qū)域，假設輸入變量的維度為n，n+1維則是預測結果。 原型機可定義為輸入變量空間中的一個向量P， 存在k個原型機，符合，將Rn分為k個泰森多邊形區(qū)域?？砂凑障率龉絹矶x一個區(qū)域 其中d表示歐幾里得距離。

2. 適應度評價

適應度函數(shù)可用來評估個體的優(yōu)劣程度的工具，適應度函數(shù)作用于某個體時的值可認為是該個體的適應度

訓練模式由n+1維的向量組成，可表示為

3. 進化策略

進化策略可采用變異，重組算子，高斯變異算子實現(xiàn)個體更新。進化策略的變異方法是在舊的個體上，增加一個正態(tài)分布的隨機數(shù)，因而產(chǎn)生新的個體。 每一代中，變異后的個體與父代進行比較，并選擇比較好的一個，此策略可稱為（1+1）策略。進化策略的變異是在舊的個體基礎上添加一個正態(tài)分布的隨機數(shù)，從而產(chǎn)生新的個體，變異過程可表示為：

對第i個分量產(chǎn)生一次符號標準正態(tài)分布的隨機數(shù)。

4. 預測

對于輸入T， 每一個子系統(tǒng)需要建議樣本所在的區(qū)域。通過對不同區(qū)域的回歸分析來得到T的估計值作為預測結果。上述過程可以使用不同的初始化值來重復10次，因此，這個系統(tǒng)可以由10個子系統(tǒng)組成。每一個子系統(tǒng)都是一個泰森域模型，不一定每一個子系統(tǒng)都會有一個有效的輸出?？梢詫⒂行л敵龅钠骄底鳛樽罱K的輸出。

下面從數(shù)據(jù)變量方面及方法分析進化算法預測我國IPO抑價水平的可行性：

數(shù)據(jù)變量方面經(jīng)歸納整理，可分為大類：承銷商威望因素，路演價格范圍，發(fā)行價格，保留股票數(shù)量，股票發(fā)行總額及科技性。

首先：承銷商威望因素。據(jù)統(tǒng)計，2012年中國承銷商中，主要以中信，國信，招商，平安，民生，廣發(fā)等券商為主。證監(jiān)會每年度以證券公司風險管理的能力為基礎，結合公司管理水平及市場競爭力對共公司進行綜合性評價。證券公司將被分為A（AAA，AA，A），B（BBB，BB，B），C（CCC，CC，C），D，E五大類共11個級別。除證券公司的評級外可結合往期各券商發(fā)行IPO的抑制率及發(fā)行的資本總額為評估因素對承銷商排序，排次較高的券商認為其具有威望。承銷商威望因素賦值為1，否則賦值為0。

其次：路演價格范圍，發(fā)行價格，保留股票數(shù)量，股票發(fā)行總額。路演目前在我國已成為上市前的必需環(huán)節(jié)。除過傳統(tǒng)的路演，更出現(xiàn)了網(wǎng)上路演，通過互聯(lián)網(wǎng)來展示上市公司，推廣股票。這些因素在IPO之前需要逐個確定。

最后：科技性。1937年成立的SIC（Standard Industrial Classification）系統(tǒng)將個公司機構氛圍不同的領域，同時這個系統(tǒng)也應用于其他國家。我國雖然沒有應用SIC系統(tǒng)，但可以通過科技公司經(jīng)營范圍來界定擬上市公司的科技性。

分析方法中建立模型機預測等過程可在Matlab中實現(xiàn)，Matlab較強的處理數(shù)組及矩陣的特點，以及龐大的函數(shù)庫比較適合運用雙層進化算法的實現(xiàn)和分析。

參考文獻：

[1] Ritter，J.R.，and Welch，I. A review of IPO activity， pricing，and allocations. Journal of Finance，57，4（2002），1795-1821，2002.

[2]R.B Carter and S.Manaster，’Initial public offering and underwriter reputation’， Journal of Finance vol.45，pp.605-622，1988.

[3]W.L.Megginson and K.A.Weiss，“Venture capitalist certification in initial pubic offering

“， Journal of Finance vol.46，pp，799-903，1991.

[4]B.A.Jain and B.N.Nag，”Artificial neural netwwok models for pricing initial public

offerings”， Decision Sciences vol.26，pp.283-299，1995.

[5]I.Rechenberg，”Cybernectic solution path of an experimental problem”Royal Aircraft

Establishment， Farnborough p.Library Translation 1122，1965.