１７９《商场现代化》２００７年６月（中旬刊）总第５０６期
周知，我国上市公司在利润分配回馈股东方面历来是铁公鸡，很少有出手阔绰的上市公司，更何况这些亏损累累的公司呢。笔者认为，之所以会有如此众多的公司热衷资本公积金金补亏，关键的动因还是两个字：圈钱！
为落实“国九条”，证监会发布“关于加强社会公众股股东权益保护的若干规定”，根据规定，上市公司应实施积极的利润分配办法，并将上市公司现金分红与再融资挂钩，现金分红作为再融资的条件之一。这一条款目前普遍被称为上市公司强制分红。
也许正是这一条触动了一些上市公司的神经，近期以来，上市公司的现金分红一下子由冷而热。就这些巨额亏损的公司而言，其资产重组的主要动力就是再融资，而当再融资与现金分红挂钩时，其账面累计的巨额亏损显然就成了障碍。对于那些希望能在这个市场成功圈钱的企业而言，为了能够分红以满足再融资的条件，以资本公积金弥补亏损就成了必然的选择。因此对于已经上市的公司来说要想发行新股继续融资门槛又提高了，根据《中国证监会股票发行审核委员会关于上市公司新股发行审核工作的指导意见》中的规定，上市公司三年的分红派息情况如何是决定公司能否再次发行股票的一个重要条件。而如果公司年末没有盈利是不能分配红利的，于是一些上市公司为了能继续发行新股，能更好的继续融资，就不惜一切手段以达到分红派息的条件，其中之一就是动用公司庞大的资本公积金来弥补亏损，以达到公司的年末报表看起来是盈利的，从而能给原有股东分红利，以便能继续融资，能继续发行新股。而事实上公司是在没有盈利的情况下分红利，即把股东的资本又变相分给股东了，这也是一种变相抽逃资金的行为，违反了资本维持原则，侵犯了公司债权人的利益。这种行为也掩盖了公司的实际经营情况，欺骗了广大不知情的股民，如果公司在又融资后经营不善破产的话，受害的往往又是那些不知情的中小股东，所以，无论是从债权人的角度还是从广大中小股民的角度来看，都不能用资本公积金弥补亏损。
４．用资本公积金弥补亏损将会降低企业的内在价值。这是因为用资本公积金弥补亏损将会使企业失去了以税前利润弥补亏损的机会。这其实是公司的管理层不负责任的一种表现，因为公司的资本公积金主要来源于溢价发行股票所得，也就是主要是流通股股东贡献出来的。“但是，此时上市公司为了未来的再融资，就利用流通股股东贡献的资本公积金进行弥补亏损，导致公司现金流的流出与税负的增加上，因为上市公司净利润亏损有一个持续五年用税前净利润进行充抵的税法规定，所以侵害了全体股东的利益。而且，这种侵害还体现在日后的净利润分配中，因为这其实也涉及利息税问题，如果不用资本公积金弥补亏损，公司的分红与转增等利润分配会延续，在这样的背景下，是不可能产生实质现金流的。但如果用资本公积金弥补亏损就会使分红提前，降低了公司的内在价值。” 总之，无论是从公司债权人利益的角度考虑，还是从广大流通股的股民考虑，还是从公司自身考虑，资本公积金都不宜用来弥补亏损，新公司法第１６９条中关于资本公积金不能弥补亏损的规定是正确的。
企业进行项目投资可选用内部收益率来作决策，决策规则：设置基准贴现率Ｉｃ，当内部收益率ＩＲＲ＞＝Ｉｃ时则方案可行，否则不行。用这种方法来进行决策比较合理，但计算过程很复杂一般需要一次或多次测算。
美丽的歧视
支持向量机是Ｖａｐｎｉｋ等人根据统计学习理论提出的一种机器学习方法．由于支持向量机（ＳＶ Ｍ）出的学习性能，已成为国际上机器学习领域的研究热点．目前在手写体数字识别、文本分类、人脸检测等模式识别问题以及函数逼近、信息融合等领域中获得了应用．但目前在经济领域的应用还只是尝试，本文做了基于支持向量机的银行客户信用评估系统研究，可见ＳＶＭ在经济上的应用还是很有前途的。我们知道，应用ＳＶＭ作入侵检测最好的效果是检测正确率达到８８％左右，但是如果在投资经济领域的能大到这样的效果就非常好了，因为这本身就是一个不可确定的结果，即便是经验丰富的人做出的决策结果也存在不确定性，能有８８％的正确率，说明可能性已经很大了。因此用ＳＶＭ做投资决策时是具有经济意义的。
一、支持向量机
１．广义最优分类面假设有一线性可分的样本集（ｘｉ，ｙｉ），ｉ＝１，…，ｎ，ｘ∈Ｒｄ，ｙ∈｛＋１，－１｝，为了将ｙｉ＝１和ｙｉ＝－１两类点尽可能正确地区
张佩纶分开，可构造分离超平面ｘ・ｗ＋ｂ＝０，使得
ｗ・ｘｉ＋ｂ≥１，ｙｉ＝１， （１ａ）ｗ・ｘｉ＋ｂ≤－１，ｙｉ＝－１， （１ｂ）归一化得ｙｉ［（ｗ・ｘｉ＋ｂ）］－１≥０，ｉ＝１，…，ｎ （１ｃ）｛（ｘｉ，ｙｉ）｝到分类超平面的距离可定义为１／‖ｗ‖，若样本集到该超平面的最小距离最大，则为最优分类面。所以要使ｘ・ｗ＋ｂ＝０为最优，当且仅当（ｗ，ｂ）是下面优化问题的解：
ｍｉｎ １／２‖ｗ‖２ （２ａ）
ｓ．ｔ．ｙｉ［ｗ・ｘｉ＋ｂ］－１≥０，ｉ＝１，…，ｎ （２ｂ）这个二次规划问题有惟一的极小点，可以用Ｌａｇｒａｎｇ乘子法把（２）化成其对偶形式：
和
（３ｃ）
ｉ＝１可以证明解中只有小部分ａｉ不为０，称对应的ｘｉ为支持向量。于是最优超平面方程为：
（４ａ）
支持向量机在
投资决策中的应用
胡 蓉 长沙航空职业技术学院夏烨长 沙冶金设计院
［摘 要］ 本文研究了支持向量机在经济上的应用。通过试验取得了很好的结果。说明支持向量机在经济方面的应用有很大的实际意义。
［关键词］ 支持向量机 投资决策 统计学习理论
（３ａ）
（３ｂ）
１８０
三体船
《商场现代化》２００７年６月（中旬刊）总第５０６期
输入数据根据用内部收益率指标已经算的结果来给定。例如：原始投资为５５００元，净现金量为１１０００元，残值为５００元，折现年数为１０年，通过用测算内部投资收益率为０．１５７，那么所有基准收益率大于０．１５７方案为不可行，小于等于０．１５７的方案为可行。这样可以得到许多组输入向量。根据以上方法我用３０个数据做实验，用１３个做测试。
３．核函数的选取。支持向量机在实际应用中关于参数选择的问题还没有很好的解决，比如多项式学习机器的阶数问题，径向基学习机器中的函数宽度问题，以及Ｓｉｇｍｏｉｄ机器中函数的宽度和偏移问题等，统计学理论目前对这些问题只是给出了一些建议和解释。笔者采用径向基核函数做试验。
三、训练和测试
根据数据按内部收益率指标的计算，笔者可以的到一组数据。这样笔者采用了３０个数据来作为训练数据。部分数据如下图：
经过训练后，用１３个数据做测试，得到测试结果（部分数据）如下：
根据试验结果发现用ＳＶＭ作投资决策，１３个测试数据中有１１个判断正确，其正确率达８４．６％。
停电宝
四、结论
１．支持向量机是在统计学理论的基础上发展起来的一种新的学习算法，解决了实际问题中样本有限的问题。
２．本文研究了ＳＶＭ在投资决策的应用，结果表明用支持向量机作投资决策的应用取得了较好的结果。
３．本文的研究的数据虽然具有一定的典型性，但对支持向量机应用于经济领域的研究提供了依据，有很重要的实际意义。
本文存在的不足之处是试验数据具有典型性，因为笔者在编程试验时很难到真实的数据，只能根据其特征来组合，所以试验结果还不能完全说明ＳＶＭ会在所有的投资决策应用中显示出明显的效果。但是，此次试验证明了ＳＶＭ在经济领域里有着广泛的应用前途。
参考文献：
［１］李丽娜 侯朝桢：基于支持向量机（ＳＶＭ）的工业过程辨识．北京理工大学学报，２００３年１０月
［２］王小平 沈玉娣：支持向量机在轴承故障诊断中的应用．机床与液压，２００３．Ｎｏ．４
［３］姚 奕 叶中行：基于支持向量机的银行客户信用评估系统研究，系统仿真学报，２００４年４月
［４］姬水旺 姬旺田：支持向量机训练算法综述．微机发展，２００４年１月
［５］蓝汉民 杨修法：管理会计学．长沙：湖南出版社，１９９３
最优判别函数为：
病案追踪
（４ｂ）
对于线性不可分的情况，可以在条件（式２ｂ）中增加一个松弛项ξｉ≥０，成为：ｙｉ［ω・ｘｉ＋ｂ］－１＋ξ≥０，ｉ＝１，…，ｎ （５）
目标函数改为求：
最小，其中Ｃ＞０是个预先给定的常数，它控制对错分样本惩罚的程度。最优分类面的对偶问题与线性可分情况下几乎完全相同，只是条件（式３ｃ）改为０≤ａｉ≤Ｃ，ｉ＝１，…，ｎ。
２．支持向量机。对于非线性问题，作非线性映射Φ（ｘ）：Ｒｄ→Ｆ， Ｆ是高维内积空间称为特
征空间，Φ（ｘ）称为特征映射；然后在Ｆ中构造（广义）最优超平面。实际上不用知道Φ（ｘ）的Ｋ（ｘｉ，ｘｊ）满足Ｍｅｒｃｅｒ条件，它就对应某一变换空间的内积。因此，采用适当的核函数Ｋ（ｘｉ，ｘｊ）就可以实现某一非线性变换后的线性分类，此时最优分类面中目标函数就变为确切表达式，只需在高维空间进行内积计算。根据泛函的有关理论，只要一种核函数：
（６）
相应的判别函数也变为：
（７）
这就是支持向量机。
简单地说，支持向量机就是首先通过内积核函数将输入空间变换到一个高维空间，然后在这个空间求广义最优分类面。
ＳＶＭ中不同的内积核函数形成不同的算法，常用的核函数有：
多项式核函数Ｋ（ｘｉ・ｘｊ）＝［（ｘｉ・ｘｊ）＋１］ｑ，ｑ是自然数径向基核函数（ＲＢＦ）：
两层神经网络核函数Ｋ（ｘｉ・ｘｊ）＝Ｓ（ａ（ｘｉ・ｘｊ）＋ｔ）其中Ｓ是ｓｉｇｍｏｉｄ函数，ａ，ｔ为常数。
二、ＳＶＭ在投资决策中的应用
１．可行性分析。对于独立的方案的决策，常用的评价指标是净现值和内部报酬率。一个独立方案的净现值如为正值，说明该方案可实现的报酬率大于所用的贴现率，经济上可行；如净现值为负值，说明该方案可实现的投资报酬率小于要求达到的最底报酬率，经济上不可行。内部报酬率是指用它来对投资方案的现金流入量进行贴现，使所得的总现值恰好与现金流出量的总现值相等，从而使净现值等与零的利率。也就是投资项目本身可以达到的的报酬率。该指标比较合理，但计算很复杂，有时要经过多次的测算。
范木根ＳＶＭ理论是在统计学习理论的基础上发展起来的。由于统计学习理论和ＳＶＭ方法对有限样本情况下模式识别中的一些根本性的问题进行了系统的
理论研究，很大程度上解决了以往的机器学习中模型的选择与过学习问题、非线性和维数灾难问题、局部极小点问题等，所以它们在２０世纪９０年代以来受到了很大的重视。
２．支持向量机的构造。根据常用的评价指标选取以下特征向量作为ＳＶＭ输入向量：输入向量ｘ的属性及含义；对应的输出ｙ为两类：可行与不可行，用１代表可行，－１代表不可行。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议