基于模糊聚类技术的股票投资价值评价指标选择
基于模糊聚类的综合评价方法研究
基于模糊聚类的综合评价方法研究综合评价是指根据多个指标对某个对象进行综合考量和评价的过程。
在实际应用中，经常会遇到各种各样的评价对象和评价指标，而且不同指标之间可能存在一定的相关性和依赖关系。
为了获取准确全面的评价结果，需要借助于一种合适的评价方法来处理这些复杂情况。
模糊聚类是一种基于模糊数学的聚类分析方法，它可以有效地处理各种复杂的数据集，尤其适用于多指标、多关联的综合评价问题。
该方法通过引入模糊集合和隶属度来刻画对象与聚类中心之间的模糊关系，从而将问题转化为对各个对象的归属度进行划分的过程。
在模糊聚类中，对象可以属于多个类别，其隶属度表示了对象与每个类别之间的相似程度。
1. 确定评价指标：针对具体的评价对象，选择一组合适的评价指标来度量其性能或特征。
这些指标可以是数量化的，也可以是定性描述的。
2. 数据标准化：对评价指标进行归一化处理，将不同指标的取值范围统一到相同的区间，以消除量纲和比例差异对评价结果的影响。
3. 构建相似度矩阵：根据评价指标的取值，计算对象之间的相似度矩阵。
相似度可以使用各种距离度量方法来计算，如欧氏距离、余弦相似度等。
4. 模糊聚类分析：利用模糊聚类算法对相似度矩阵进行聚类分析，根据对象之间的相似度将其划分到不同的类别中。
这一步骤可以采用各种常用的模糊聚类算法，如FuzzyC-Means算法、Possibilistic C-Means算法等。
5. 综合评价指标权重：根据聚类结果，计算每个指标在各个聚类中的权重。
可以通过计算指标在每个聚类中的均值或其他统计量来确定权重。
6. 综合评价：根据各个指标的权重，对每个评价对象进行综合评价，得到最终的评价结果。
可以根据权重计算加权平均值或其他综合评价模型来得到结果。
基于模糊聚类的综合评价方法能够有效解决多指标、多关联的综合评价问题，在实际应用中具有广泛的应用前景。
基于模糊聚类的综合评价方法研究
基于模糊聚类的综合评价方法研究一、理论基础1、综合评价方法综合评价方法是根据事物特征，将多个指标量化并加权，以评估事物在各方面的表现，并给出相应的综合评价结果。
综合评价方法有很多种，常用的有层次分析法、模糊综合评价法、TOPSIS方法等。
综合评价方法的核心是权重的确定，即不同指标对整体评价的重要性。
权重的确定方式有主观权重法和客观权重法。
主观权重法是由评价人员根据其经验和判断，决定不同指标在整体评价中的重要性程度。
客观权重法则是通过数学方法，通过数据分析和计算，确定不同指标的权重。
2、模糊聚类方法模糊聚类方法是一种基于模糊理论的聚类分析方法。
它能够有效的处理数据的不确定性和模糊性，对于没有明显分界线的数据，模糊聚类能够将其归为一类。
模糊聚类的核心是将数据集分为多个模糊类别，使得同一类别内的数据之间的相似度高于不同类别的相似度。
基于模糊聚类的综合评价方法，是将模糊聚类与综合评价相结合，以处理综合评价中的不确定性和主观性问题。
在基于模糊聚类的综合评价方法中，首先需要将多个指标转化为模糊指标，并进行聚类分析，得到模糊类别。
然后，对模糊类别进行模糊综合评价，得到各个模糊类别的综合评价结果。
最后，通过模糊综合评价方法，得到整体评价结果。
在基于模糊聚类的综合评价方法中，需要将多个指标转化为模糊指标。
一般的，对于每个指标可以定义一个评价函数或指标函数，用于将该指标的取值范围映射到一定的隶属度域。
假设有n个指标，第i个指标的评价函数为M_i(X_i)，其中X_i表示第i个指标的取值，M_i(X_i)表示X_i对应的隶属度。
假设X = (X_1,X_2,…,X_n)，则X_i的隶属度函数可以用下述公式表示：M_i(x) = (x - S_i) / (U_i - S_i)其中，S_i和U_i分别表示第i个指标对应的最小和最大取值范围。
这样，对于每个指标，都可以通过评价函数将其转化为隶属度，得到一个模糊集合。
然后，将所有的模糊集合送入模糊聚类算法中进行聚类分析，得到若干个模糊类别。
基于模糊聚类的综合评价方法研究
基于模糊聚类的综合评价方法研究综合评价是一个重要的决策，用于评估一个系统或事物的整体表现。
在现实生活中，一些系统或事物的评价很难通过单个指标来进行量化，需要多个因素综合考虑。
因此，基于模糊聚类的综合评价方法成为了一种很有用的解决方案。
本文将介绍模糊聚类和基于模糊聚类的综合评价方法。
一、模糊聚类模糊聚类是一种基于概率的聚类分析方法，通过将样品分组成为多个簇，以表征它们在某些方面上的相似性。
不同于传统聚类方法，模糊聚类将样品分配组的界限模糊化，相比之下，样品可能同时属于多个组。
模糊聚类通过基于欧几里得距离或曼哈顿距离的相似度进行计算，并在每一轮迭代中生成一个簇的质心。
该簇质心会在下一轮迭代中被用作识别新簇的起始点。
在这种方法中，首先需要确定评价因素和其对应的因素指标。
然后，对每个因素指标进行标准化处理，以消除不同维度之间的单位差异。
接下来，将标准化后的每个因素指标作为输入变量，进行模糊聚类分析。
利用聚类结果，可以将各个因素指标分为不同的模糊子集，从而表达出对系统或事物综合表现的不同评价。
最后，需要针对聚类结果进行后处理，以得出最终的综合评价。
一种经典的方法是通过为每个评价因素的某个指标分配一个权重，并对每个指标进行加权求和来得出综合评价。
三、结论基于模糊聚类的综合评价方法是为多因素评价提供了一种强大的工具。
该方法将聚类分析与综合评价较好地集成在了一起，不仅可以避免了传统评价方法中存在的局限性，而且可以为决策者提供更全面的信息，从而更好地帮助他们做出正确的决策。
当然，该方法也存在一些缺陷，例如在多变量和混合模式条件下的精度和可解释性有局限性，需要在具体应用中进一步改进。
运用模糊综合评价模型优选方案
运用模糊综合评价模型优选方案在决策过程中，如何从几种方案中选择最佳方案是非常重要的，这就需要对几种方案进行评价，让投资者最后得出最佳决策。
往往一个非常复杂的问题，投资者只能从几个备选方案中进行比较。
因此，如何客观和准确地评价各个方案，使投资者可以根据实际情况，合理选择最佳方案，已成为研究的发展方向。
模糊综合评价模型是投资者在决策过程中客观评价各个方案，以便提出最优决策的一种方法。
它在参数化和定量分析的基础上，利用模糊数学和多属性决策理论，为投资者提供了一种基于客观标准的方法和分析模型，它可以从多维度综合评价各个方案的优劣。
对于模糊综合评价模型来说，首先要明确各个参数的定义，参数的定义要清晰，且必须具备一定的可衡量性。
通过定义参数，可以大致了解各个方案的优劣，也可以准确地衡量各个参数。
其次，将参数的衡量指标评分进行模糊处理，使各个参数的定量评价更加精确。
这一步可以帮助投资者更准确地评价几种备选方案，从而有利于确定最佳方案。
再次，用规则来综合多个参数，以便在更多方面影响投资者最终的决策。
模糊综合评价模型通过多种规则来综合定量评价几种备选方案，以便有效地客观地衡量各个方案的优劣，从而确定最优决策方案。
最后，把多种参数综合起来，以定量的形式对几种备选方案进行评估，以便投资者在决策过程中可以依据客观指标，进行准确简便的评估，最终得出最优决策方案。
以上是模糊综合评价模型的主要流程，从而可以从多方面全面了解几种备选方案，并准确衡量各个备选方案的优劣，最终得出最优决策方案，为投资者提供了一种客观有效的决策指导。
模糊综合评价模型的有效性和准确性在实践中有很好的表现，有很多成功应用的案例可以作为研究模糊综合评价模型的参考。
例如，某工程建设项目决策分析，由于备选方案众多，考虑到工期、质量、成本等多因素，投资者采用模糊综合评价模型对备选方案进行评估。
在模糊综合评价模型的帮助下，可以准确地分析备选方案，最终确定最优决策方案。
利用模糊数学优化var风险指标的投资组合
利用模糊数学优化var风险指标的投资组合投资组合优化是一种组合管理和投资策略,它可以有效地提高投资者的收益和降低投资风险的同时。
模糊数学是一种技术，它可以用来描述投资者不确定性的偏好，从而有助于优化投资组合的指标。
本文主要研究优化VAR（value-at-risk）投资组合指标，通过使用模糊数学，来寻找最优的投资组合，使投资者在有限的风险下实现最高的回报。
投资风险是一种不确定的因素，在投资决策中无法避免。
VAR是一个著名的风险指标，它可以帮助投资者评估一定时期内的投资风险限度水平，以期实现最佳的投资效果。
使用VAR指标可以帮助投资者分析他们的投资组合价值，从而评估投资回报的可能性。
为了有效地优化VAR指标，投资者需要合理地选择和排列投资组合中的资产，使得投资风险限度在可控范围内。
模糊数学是一种研究不确定性理论的数学工具。
它由模糊集合和综合语言组成，可以表示投资者不明确的偏好，同时帮助识别和阐明投资者的投资行为和趋势。
基于模糊数学的VAR模型可以帮助投资者提高投资组合的收益以及降低风险。
优化VAR投资组合的模糊数学技术可以分为三步：（1）建立模糊数学模型；（2）定义投资者的投资偏好；（3）寻找最优的投资组合。
在建立模糊数学模型的过程中，投资者需要确定投资组合优化模型的目标变量，以及模型约束条件。
然后，投资者需要根据自己的投资偏好定义模糊变量和语言描述，从而实现投资目标。
最后，通过模糊数学优化方法，可以将投资者的偏好映射到投资组合，最终获得最优的投资组合，实现风险投资效果最优化。
模糊数学优化VAR投资组合的方法被广泛应用于投资组合优化中。
其优势在于能够描述投资者不确定性的偏好，以及更为精确地评估投资组合的风险，从而有助于投资者在有限的风险下实现最高收益。
综上所述，模糊数学优化VAR投资组合的方法可以有效优化投资组合，从而有助于投资者在有限的投资风险下实现最高的回报。
尽管模糊数学模型的复杂性可能会带来一定的问题，但大量研究已经表明，优化VAR投资组合这种技术受到投资者的越来越多的关注，将会更好地满足投资者的投资策略要求。
基于模糊综合评价方法的股票投资价值研究,
Ｓｔ ｃ ｎ ｓ ｍ ｅ ａ ｕｅａ ｌ ｓｓｗｉｈ ｕｚ ｙ ｃ ｍ ｐｒ ｈｅ ｉ ｅｅ ａ ｕ ｔｏ ｏ ｋ ｉ ｖｅ ｔ ｎｔｖ ｌ ｎａ ｙ ｉ ｔ ｆ ｚ ｏ ｅ ｎｓｖ ｖ ｌ ａ ｉ ｎ
ＸＵ ｎｇ ａ Ｚｏ —ｙ ｎ，ＨＵＡＮＧ ｎ － ｉ Ｄｏ ｇ ｗｅ
（ ｃｏｌｆ ｃ ｎ ｅ， ｉ ｊ ｏ ｔｃｎｃ ｎｖｒ ｔ， ｉ ｊ ０ １ ０ Ｃ ｉ ） Ｓｈ ｏ ｏＳ ｉ ｃ Ｔａ ｉ Ｐ ｌ ｅｈ ｉＵ ｉ ｓｙ Ｔａ ｉ ３ ０ ６ ， ｈｎ ｅ ｎｎ ｙ ｅｉ ｎｎ ａ
ｊｃｖ ｎ ａｏ ａｌ ｂｓ ｒ ｋｎ ｖ ｓ ｎ ｅｉｏ ｒ ｐｏｉｅ ． ｅ ｔｅ ｄｒ ｓｎｂｅ ａｉｆ ｉｇ ｎｅｔ ｔ ｃｓ ｎａｅ ｒｖｄｄ ｉ ａ ｅ ｓｏ ｍａ ｉ ｍｅ ｄ ｉ
Ｋ ｅ ｗ ｏ ｄｓ： ｆ ｚ ｏ ｐ ｅ ｎ ｉｅ ｅ ａｕａ ｉｎ； ｉｖ ｔｎ ａ ｕ ｙ ｒ ｕｚｙ ｃ ｍ ｒ ｈｅ ｓｖ ｖ ｌ ｔｏ ｎ ｅｓｉｇ ｖ ｌ ｅ； Ｍ ａｈｅ ｔ ｍａｔ ａ ｉ ｅ
．
２０ ０ ４年 ６月 ２ ５日深 交 所 推 出 了 中小 企业 板 ， 人 们 对 此基 本 面 的变 化 与市 场 表 现 给与 了极 大 关 注 ． 但
称 为 因素 集 （ Ｍ， ， ； Ｍ， … Ｍ） （ ）建 立 由 ｍ 个评 价 等 级 组成 的评 价 集 ： ， ２ （
１１ 单 目标 单级 模糊 综合 评价 方法 与 步骤 ．
式 中 ， ／ 八 ， ｌ２ … ， ｂ ＝Ｖ（ ） ＝ ， ， ｍ． ｊ
ｚ ｌ
１ ． 多 目标 多 级模糊 综 合评价 ２ 完成 单 级子 目标 的综 合评 价 之后 ，由同一 级子 目
ｍ ｔｏ ｎ ａｈ ｍ ｔ ａ ｔｅ ｎｅｔ ｇ ａｕ ｍ ｌａ ｄｍ ｄｕ ｎｅ ｒ ｅ ｓ ｃ ｎｌｚｄａ ｄｔ ｂ ｅ ｄａｄＭ ｔ ａ ｃ ，ｈ ｖｓｎ ｌｅｏ ３ ｓ ａ ｅ ｉｍ ｅｔ ｐｉ ｓ ｔ ｋｉ ａａｙｅ ｎ ｅｏ — ｈ ｅ ｉ ｉ ｉ ｖ ｆ０ ｌｎ ｒ ｓ ｏ ｓ ｂ
基于模糊聚类的综合评价方法研究
基于模糊聚类的综合评价方法研究模糊聚类是模糊数学中的一个重要方法，它可以将一组数据分成若干个模糊子集，每个子集代表一类数据。
在实际应用中，模糊聚类可以应用于许多领域，例如市场营销、自然语言处理、图像处理等。
在综合评价中，模糊聚类可以用来将一组指标（或者叫做因素）分成若干个综合子集，每个子集代表一种综合评价的结果。
这种方法的优点是可以将多个指标综合考虑，避免了单一指标的偏见，提高了综合评价的客观性和可靠性。
具体来说，模糊聚类的综合评价方法可以分为以下几个步骤：1. 确定评价指标在进行综合评价之前，需要确定一组评价指标。
这些指标可以来自于不同的领域，例如财务、市场、技术等。
通常情况下，评价指标的选择应该与被评价对象的性质和特点相一致。
2. 确定模糊集模糊集是模糊聚类的核心，它反映了评价指标的隶属度，即每个指标在不同综合评价方案中所占的比例。
为了确定每个指标的隶属度，可以采用灰色关联度、层次分析法、主成分分析法等方法。
这些方法都可以用来计算每个指标对于总体评价的贡献度，以及不同指标之间的相互影响。
3. 借助模糊聚类算法根据确定的模糊集，可以借助模糊聚类算法将这些指标分成若干个综合子集。
常见的模糊聚类算法包括模糊C均值聚类、模糊谱聚类、模糊自组织映射等。
这些算法可以根据不同的评价目标和数据特点进行调整，从而达到更好的聚类效果。
4. 确定综合评价结果一旦指标被分成若干个综合子集，就可以根据每个子集的特点确定相应的综合评价结果。
在这一阶段，需要对每个综合子集进行分析和比较，从而确定最终的评价结果。
这里需要考虑到不同指标之间的关联性和权重分配等因素，以确保综合评价结果的准确性和可信度。
总的来说，模糊聚类的综合评价方法具有很高的实用性和可行性。
它可以应用于各种领域的综合评价，从而帮助人们更好地理解和把握各种事物的本质特征。
同时，该方法还具有较高的精度和灵活性，可以根据需要不断调整和改进。
基于模糊决策的模糊投资组合选择模型研究
s. t
r
∑( r x
j j= 1 n
j
- kj ( d + j + d j ) ) - ! ≥ rr M ,
0 d+ j - d j = x j - x j , j = 1, 2, …, n + 1,
yt +
w n+ 1
∑( r
j= 1 T
tj
- r j ) x j ≥ 0, t = 1, 2, …, T , ( 15)
n+ 1 n+ 1 i i
( 1)
C( x ) =
收稿日期 : 20081213
∑C ( x )
i= 1
=
∑k
i= 1
i
xi - x0 i ,
( 2)
作者简介 : 马淑兰 ( 1978) , 女 , 宁夏固原人 , 宁夏师 范学院讲师 , 硕士。
32
佛山科学技术学院学报 ( 自然科学版) 第 27 卷
第 27 卷第 2 期 佛山科学技术学院学报( 自然科学版 ) 2009 年 3 月 Jo ur nal of Fo shan Universit y ( Nat ural Science Edit ion )
Vol . 27 No . 2 Mar . 2009
文章编号 : 10080171( 2009) 02003105
j= 1 + -
- r j ) x j , y - y =
+ -
+ t
t
∑( r
j= 1
tj
- rj ) x j ,
y t y t = 0, y t ≥ 0, y t ≥ 0 。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第卷 第 期 年 月 文章编号：1007-791X (2008) 06-0551-06燕山大学学报基于模糊聚类技术的股票投资价值评价指标选择李云飞 ，李鹏雁（ 摘 西安工程大学 管理学院，陕西 西安 ； 哈尔滨工业大学 人文学院，黑龙江 哈尔滨 ）要：从实证角度为价值投资理论在中国股市的应用建立了股票投资价值评价指标集。
首先深入分析股票投资价值的诸多影响因素，然后以全部上市公司为样本，采用模糊聚类技术对股票投资价值的各影响因素进行聚 类，并依据相关指数对同类指标进行筛选，最终得到一个科学的和有操作性的股票投资价值评价指标集。
该股 票投资价值评价指标集基本涵盖了股票投资价值所包含的有效信息，因此可以用多维数组来刻画一支股票的价 值信息，从而为人工智能方法在股票价值投资方面的应用提供了实证依据。
关键词：上市公司；价值投资；内在价值；模糊聚类；相关指数 中图分类号：F830.91 文献标识码: A引言传统的价值投资理论是建立在稳固基础理论 的基础之上，其主要观点是：任何一种投资工具 （包括股票）均有一个稳固的投资基础，也就是股 票的内在价值 （ ） ，其判断依据是 公司的行业属性、经营状况、 财务报表和发展前景 等 ，当股票的市场价格低于或高于内在价值时， 就出现买进或卖出时机。
目前有关股票价值理论研究存在以下两个倾 向：一是在股票的投资价值评价上，偏重于市盈 率 或市净率 指标。
市盈率或市净率是股票价 格、股票风险和股票增长潜力的复合函数 ，是一 个能够直接体现股票自身投资价值的重要财务指 标， 但是股票投资价值是很多复杂因素决定的，只 采用单一的市盈率指标， 很可能导致股票投资决策 的片面； 二是采用大量对股票投资价值有影响的因 素来评价一支股票的投资价值，缺乏可操作性 ， 而且评价体系中各因素之间的相关性较强， 也容易 导致评价结果的失真 。
原理与方法模糊聚类 在进行多指标评价时， 同类指标的评价效果基 本上是等价的 ，因此，可以通过对同类指标的选 择，达到指标筛选的目的。
其基本思想是：首先计 算各指标之间的相关系数， 相关系数可以视为指标 的相似程度 ， 用指标间的相关系数构造评价指标 ， 的模糊相似矩阵，然后通过平方法求传递闭包 得到模糊等价矩阵，以此为依据进行聚类。
模 糊 聚 类 的 步 骤 及 其 关 键 算 法：设 论 域 为待分类的指标集，用 维向量 描述样本，也就是说每个指标 即 式 所示 由 个分量组成， ，故原始数据矩阵形式如公本文试图通过模糊聚类技术对影响股票投资 价值的诸多因素进行聚类、筛选， 在此基础上建立 一个科学的、有操作性的股票投资价值评价指标 集。
收稿日期： 作者简介：李云飞（具体的聚类方法按下列步骤进行： ）数据标准化 不同的数据具有不同的量纲， 为了使有不同量基金项目：房地产上市公司资本结构研究资助项目（）） ，男，辽宁锦州人。
博士，讲师。
主要研究方向为金融理论与方法应用。
燕山大学学报纲的量进行比较， 对数据进行无量纲化处理 上。
数据标准化的具体算法包括两个步骤： ①平移·标准差变换 ′ 其中 ，， 而且根据模糊矩阵的要求，需要将数据压缩在区间其中，，， 所示。
。
矩阵形式如式变换后的每个变量的均值为 ，标准差为 ，实现 都在区 了数据的无量纲化，但是这样还不能保证 ′ 间 上。
②平移·极差变换 ′ ′ ′ 其中， ′ ′ 都在区间 ′ ′ ′ 。
显然所有的 上，同时也消除了量纲的影响。
由式 的要求。
）聚类可知，，，故该矩阵满足自反性和传递性， 满足模糊相似矩阵本文采用基于等价矩阵的聚类方法。
首先通过 平方法求传递闭包得到模糊等价矩阵。
具体算法 是：从模糊相似矩阵 出发，依次求平方）建立模糊相似矩阵 定义 则直积 属函数 时，若模糊关系 ①自反性： ②对称性： 则称 为 上的模糊相似关系， 似程度。
对论域 用 而言， 和 的关系可 表示 和 的相 模糊关系：设 、 是两个非空集合， 中的一个模糊子集 来描述，隶属度 满足： 为 。
当当第一次出现时， 就是传递闭包，也就是模糊等价矩阵。
方阵的自乘运算是用模糊集合运 算中的交和并取代通常矩阵乘法中的乘积与求和 操作称为从 到 的一个模糊关系。
模糊关系 由其隶 关于模糊关系 的相关程度，记作等价矩阵建立之后， 具体的聚类过程就是从大 到小依次赋给 不同的值，通过计算 截矩阵的方法 获得不同的分类 选择分类。
指标筛选 对已经做好的分类， 可从每一类中选出一个有 代表性的指标作为典型指标。
具体的方法是：首先 计算各分类中指标间的相关系数， 再计算每个指标 与其它指标相关系数平方的均值， 即相关指数， 从 中挑选出相关指数最大者为典型指标。
如果分类中 只有一项指标，可直接将其纳入指标集。
如果分类 。
在具体的分类选择中，通常 根据实际需要选择 值，换言之就是根据特定的 值来描述。
建立模糊相似矩阵的方法有很多，如距离法、相关系数法、主观打分法等。
因为 本文聚类分析的对象是影响股票投资价值的指标， 故采用相关系数法建立模糊相似矩阵 的绝对值作为模糊相似矩阵的元素 ，具体的 办法是通过计算指标之间的相关系数， 以相关系数 ，见式第期李云飞 等基于模糊聚类技术的股票投资价值评价指标选择1.0000 0.0806 0.4083 0.0931 0.0020 0.0806 1.0000 0.3502 0.0418 0.0022 0.4083 0.3502 1.0000 0.1328 0.0456 0.0931 0.0418 0.1328 1.0000 0.0084 0.0020 0.0022 0.0456 0.0084 1.0000 1.0000 0.3109 0.3498 0.3117 0.1980 0.3006 0.0772 0.3109 1.0000 0.4853 0.3145 0.1043 0.6899 0.0872 0.3498 0.4853 1.0000 0.4910 0.8175 0.6771 0.1923 0.3117 0.3145 0.4910 1.0000 0.2164 0.2757 0.1214 0.1980 0.1043 0.8175 0.2164 1.0000 0.1779 0.1486 0.3006 0.6899 0.6771 0.2757 0.1779 1.0000 0.1302 0.0772 0.0827 0.1923 0.1214 0.1486 0.1302 1 0000 . 1.0000 0.9648 0.1442 0.1103 0.6041 0.6135 0.3731 0.5325 0.8648 1.0000 0.1168 0.1066 0.6040 0.6054 0.3789 0.5319 0.1442 0.1168 1.0000 0.8586 0.4151 0.2568 0.5407 0.6636 0.1103 0.1066 0.8586 1.0000 0.3301 0.2013 0.4079 0.5290 11) 0.6041 0.6040 0.4151 0.3301 1.0000 0.9061 0.6220 0.8291 0.6135 0.6054 0.2568 0.2013 0.9061 1.0000 0.5246 0.6849 0.3731 0.3789 0.5407 0.4079 0.6220 0.5246 1.0000 0.7593 0.5325 0.5319 0.6636 0.5290 0.8291 0.6849 0.7593 1.0000 1.0000 0.0150 0.0071 0.0032 0.0060 0.0063 0.0304 0.0150 1.0000 0.1004 0.3044 0.7271 0.5105 0.0934 0.0071 0.1004 1.0000 0.7115 0.3660 0.4373 0.1420 0.0032 0.3044 0.7115 1.0000 0 6949 0.6831 0.2216 . 0.0060 0.7271 0.3660 0.6949 1.0000 0.7392 0.1855 0.0063 0.5105 0.4373 0.6831 0.7392 1.0000 0.0940 0.0304 0.0934 0.1420 0.2216 0.1855 0.0940 1.0000 (12) (9)中有两项指标，可任选其一。
样本选择与实证股票投资价值的影响因素 通过梳理文献发现： 股票投资价值的影响因素 主要包括以下几个方面：盈利能力、成长能力、股 东获利能力、偿债能力、资产质量管理等方面。
在 每个方面又细分为若干指标， 其中盈利能力指标包 、资产报酬率（ ） 、 括：营业收入净利润率（ ） 总资产净利润率（ ） 、流动资产净利润率（ ） 、 股东权益净利润率（ ） ；发展能力指标包括： 资本积累率（ ） 、固定资产增长率（ ） 、总资产 、净利润增长率（ ） 、主营业务收入 增长率（ ） 增长率（ ） ；股东获利能力指标包括：每股营 、每股收益（ ） 、每股净资产（ ） 、 业收入（ ） 每股盈余公积（ ） 、每股公积金（ ） 、每股末分 配利润（ ） 、市盈率（ ） ；偿债能力指标包 括：资产负债率（ ） 、所有者权益比率（ ） 、流 动资产比率（ ） 、固定资产比率（ ） 、流动比率 （ ） 、速动比率（ ） 、营运资金比率（ ） 、营运 资金对资产总额比率（ ） ；资产管理质量指标 、流动资产周转率（ ） 、 包括：存货周转率（ ） 固定资产周转率（ ） 、长期资产周转率（ ） 、总 资产周转率（ ） 、股东权益周转率（ ） 、每股现 金净流量（ ） 。
样本选择 选取沪深股市全部上市公司（共 除 家所需数据不完整的上市公司） 家，筛 年的(10)） 通过平方法求传递闭包， 即模糊等价矩阵。
盈利能力、成长能力、股东获利能力、偿债能力、 资产质量管理这 所示。
1.0000 0.5839 0.5839 0.5839 0.5839 0.5839 1.0000 0.9758 0.8053 0.8867 0.5839 0.9758 1.0000 0.8053 0.8867 0.5839 0.8053 0.8053 1.0000 0.8053 0.5839 0.8867 0.8867 0.8053 1.0000 1.0000 0.3502 0.4083 0.1328 0.0456 0.3502 1.0000 0.3502 0.1328 0.0456 0.4083 0.3502 1.0000 0.1328 0.0456 0.1328 0.1328 0.1328 1.0000 0.0456 0.0456 0.0456 0.0456 0.0456 1.0000 1.0000 0.3498 0.3498 0.3498 0.3498 0.3498 0.1923 0.3498 1.0000 0.6771 0.4910 0.6771 0.6899 0.1923 0.3498 0.6771 1.0000 0.4910 0.8175 0 6771 0.1923 . 0.3498 0.4910 0.4910 1.0000 0.4910 0.4910 0.1923 (14) (13)个方面的模糊等价矩阵如式财务数据为样本，数据来源： 国泰君安上市公司财 务指标分析数据库。