A股高送转预测模型的构建的中期报告.docx

A股高送转预测模型的构建的中期报告
本报告将从数据收集、特征选择、模型构建、模型评估等方面介绍A股高送转预测模型的构建情况。以下是中期报告。
一、数据收集
我们从Wind数据库获取了A股所有上市公司2007年至2021年的财务指标数据，包括营业收入、净利润、总资产、总股本等等。同时，我们还从中国a股有关情况公开数据库获取了所有A股公司的2010年至2020年高送转情况数据。
我们对这些数据进行了预处理，主要包括：
1.数据清洗：删除数据缺失的记录、异常值和重复值等。
2.数据归一化：使用Min-Max归一化方法对数据进行归一化处理。
3.特征筛选：使用相关系数、卡方检验等方法筛选出与高送转相关性较高的财务指标。
二、特征选择
我们利用相关系数、卡方检验、互信息等方法对财务指标进行筛选，筛选出与高送转正相关和负相关的财务指标。经过筛选，我们得到了7个高送转正相关的财务指标和3个高送转负相关的财务指标，具体如下：
正相关财务指标：
1.营业收入
2.净利润
3.净资产收益率
4.每股收益
5.资产负债率
6.净资产增长率
7.每股经营现金流
负相关财务指标：
1.应收账款周转率
2.存货周转率
3.现金比率
三、模型构建
我们采用了基于神经网络的分类模型来预测A股高送转情况。具体来说，我们将10个财务指标作为输入层的节点数，设置了一个隐藏层和一个输出层。我们使用了ReLU作为激活函数，并利用交叉熵作为损失函数。我们采用了Adam优化器，进行模型参数优化。
四、模型评估
我们利用AUC（AreaUnderCurve）作为评估A股高送转预测模型的标准指标。同时，我们采用了交叉验证的方法来验证模型的鲁棒性和泛化能力。
目前，我们的模型达到了较好的预测效果。我们计划在接下来的研究中，进一步优化模型，提高模型的预测准确率和鲁棒性。