论文部分内容阅读
随着我国资本市场体系的进一步发展、金融证券行业也亟需注入新鲜血液,针对中小成长型、创业创新型企业等融资需要的激增,作为主板市场服务范围的进一步扩宽,创业板于2009年正式开板上市,距今已有十余年的发展历史。在此期间,它为支持创新创业型企业发展乃至响应国家创新驱动发展战略奠定基石,不仅在信息技术应用、高端装备制造、新能源以及生物医药等领域硕果累累,也为经济转型升级增添新燃料、为创新型国家建设给予新支持。公司价值评估的结果作为IPO定价的重要基础,决定着发行公司IPO定价的区间范围,而进一步针对IPO公司的评估中,除了公司自身的内在价值,还需加入考虑更多与IPO相关的因素,包括但不限于宏观市场利率水平与政策引导、承销中介水平以及投资者心理特征和路演反馈等,以此对创业板IPO公司价值进行评估,并将其作为IPO定价结果。因此本文先是梳理了IPO定价的影响因素与方法的国内外文献,并具体介绍了传统的定价方法包括可比公司法、自由现金流贴现法、经济附加值法(EVA)和其各自的优缺点,随即对比展现本文所用的深度学习方法在该类问题处理上的适用性。其次在归纳相关文献与考虑我国创业板市场特殊性的基础上,分析IPO定价的影响来源,并最终甄选出三大类、共计二十三个影响指标,考虑到所用模型的样本需求,确定样本范围并区分数据类型进行量化处理,然后将选定的包含734组创业板上市公司截面数据的样本划分为训练集与测试集,并分别用于网络模型的调参训练和仿真测试,最后针对选定的公司,对比深度学习方法与传统IPO定价方法的定价结果与实际值的偏离程度,实证结果表明:(1)传统定价方法无法完全适用于我国创业板市场,而本文着眼于创业板的特殊性,借助近年来新兴应用的深度学习方法,充分考虑其应用于IPO定价等非线性问题的适用性与优势,使得定价结果更为合理;(2)本文所构建的深度神经网络模型对IPO定价效果较好,满足原定误差水平(0.00001)要求,且以辰安科技为对象,通过比较可比公司法、贴现现金流量法与深度神经网络模型对该公司的定价结果,证明深度神经网络定价法较其他方法定价准确度更高且更贴近市场,具有一定优越性。综上,本文针对创业板上市公司IPO定价的特殊性,甄选相关影响因素与具体指标并构建基于深度神经网络的IPO公司价值评估模型,通过误差分析与实证结果对比,证明该模型的有效性。对于提升创业板IPO公司新股定价合理性以及满足创业板上市企业的融资需要、完善中国创业板的定价机制与方法有着一定的理论与现实意义。