协同效应理论是赫尔曼劳工于1971年首次提出并系统地阐述了1976年。自那时以来,它已经应用于并购动机理论的研究。根据效率理论提出的詹森和Ruback,并购的重要动机是购买方和被购买方希望通过整合实现协同效应( 3),包括管理、操作、金融、多样化,和其他类型的协同作用 4- - - - - - 7]。并购收益产生的协同效应将利益相关者之间重新分配,其中大部分将被转移到股东在并购实施过程中双方的 8, 9]。在学术研究中,提出了并购绩效的概念来衡量协同效应,它分为长期绩效基于财务指标方法和短期性能的事件研究方法( 10, 11]。本文的研究对象是收购者的短期并购绩效。即汽车股票上市公司的公告日期之前和之后的窗口期应用作为衡量( 12]。

短期并购绩效的实证研究在国外学者开始早期(表 1),没有共识并购能否创造短期业绩。一些学者认为,并购带来显著的积极或消极的收购者短期收益,而另一些人则认为,并购是无法控制的,这是不可能给收购者带来明确的短期业绩。

本文认为无法达成共识的结论是五经历了一波又一波的并购美国为代表的西方国家。学者们足够的并购样本,样本范围和时间跨度上的差异导致不一致的结论。

对短期业绩的实证研究中国并购起步较晚(表 2)。由于并购相关股票的投机和追求中国股市多年来,大部分的研究成果集中在积极的短期业绩,和少量的研究得出不同的结论。

在中国短期并购绩效研究的共同特征是样本量小,覆盖期很短,所以样本代表性和结论的准确性受到影响,这是客观事实,中国并购市场相关发展晚,并购事件的样本很小。章实证分析了1326个并购事件在1993 - 2002年基于事件的研究方法和得出的结论是,并购对收购方有一个负面影响−16.76%汽车窗口期间。文学是罕见的并购绩效研究基于大样本大小。然而,股权分置改革所有的事件发生在2005年之前的样品,和大多数人没有确切并购公告日期。陈et al。(2017)发现,股权分置改革对中国并购绩效产生积极的影响 34),因为股票流动性的提高增强了股票价格的反应速度的重大决策公司经理( 35]。因此,有必要进一步研究股权分置改革后中国并购的短期业绩。

布鲁纳提出的四个并购绩效的测量方法如下:事件研究方法,金融指数法,案例分析法,和管理人员访谈法。其中,事件研究方法是最重要的一个学者研究并购绩效的方法。事件研究方法是一个一般术语的一系列方法来测量一个事件的影响程度在一个特定的金融资产的价格 36),已经被学者广泛接受后提高了球和棕色( 37)和法玛等人在市场有效性的研究 38]。

计算的并购事件对股票价格的影响异常返回(AR)已经成为主流的国内外并购绩效研究方法( 39]。基于“增大化现实”技术是指股票的实际回报率之间的回差和正常(预测)回报率假设并购交易。基于“增大化现实”技术的计算的主要任务是如何设计一个模型来预测正常返回。

基于“增大化现实”技术的算法通常采用学者包括市场调整方法和市场模型方法 40]。前者假设正常返回市场指数回报率,而后者计算正常返回基于资本资产定价模型(CAPM)。除了利用上述传统方法,国外学者已经尝试其他方法来提高基于“增大化现实”技术的准确性。例如,格雷戈里( 41]采用市场模型方法,风险程度的模型,简单的程度的模型,和权重的三因子模型计算法玛和法国提出的基于“增大化现实”技术在并购中,发现显著差异在不同的基于“增大化现实”技术的算法。此外,1164年研究并购事件在美国从1955年到1987年,Agrawal et al。 15)使用的基于“增大化现实”技术的算法研究,蒂姆森,马什( 42),Lakonishok和维尔马伦 43Ibbotson [], 44]。

几乎所有的中国学者采用市场调节方法或市场模型方法,缺乏基于“增大化现实”技术的尝试和探索算法。张相比市场调整方法与市场模型方法,在衡量并购绩效找到了同样的结论。除了采用上述两种方法,从做了一个试图利用上市公司的每股净资产回报率减去市场利率计算AR ( 45),已成为一种罕见的中国文学的基于“增大化现实”技术的算法研究。

市场调整方法和市场模型方法有明显的优点和缺点。前者是计算简单,但缺乏理论和统计基础。后者具有理论基础,但其假设检验结果很少在先前的文献系统地讨论。本文的实证研究表明,该回归方程系数不能通过意义 T相关的测试,这是股票价格的非线性特征系列和通常被忽略的传递 F测试和回归方程。为了解决非线性问题,本文设计一个两个传统回归模型和人工智能模型计算AR和拟合效果比较,预测的准确性,和五个模型之间的显著差异,填充在文献中空白的基于“增大化现实”技术的算法。基于“增大化现实”技术的精度计算的基础上的所有文献的应用事件研究方法,它直接影响事件的结果。因此,它是必要的和有意义的基于“增大化现实”技术的算法的研究。

持续改进的混沌和分形理论,大量的研究已经证明,股票价格系列拥有非线性特征( 46- - - - - - 50),和学者开始利用一些数据挖掘技术来解决复杂的非线性问题 51]。人工神经网络(ANN)是一种自适应非线性动态系统由大量神经元通过非常灵活和广泛的联系 52),自学习、自组织和自适应调节功能,从而揭示出数据样本中包含的复杂性( 53, 54),已被广泛应用在金融时间序列的研究自1990年代( 55]。此外,它已被证明是更适合股票预测比传统的线性模型( 56]。我和侯赛因 57]25文献相比基于神经网络预测股票价格,认为选择合适的股票数据(输入信息)和神经网络结构对拟合效果有重要影响。根据神经元连接的拓扑结构,神经网络可分为向前网络(如BP神经网络)和反馈网络(如Elman神经网络)。提出网络相比,反馈网络可以实现信息的反馈和联想记忆功能。翁和林 58)相比,股票价格的短期预测效果三个神经网络(RBF、英国石油公司和Elman)。实证结果显示,Elman反馈神经网络的预测能力高于其他两个神经网络。

Elman神经网络反馈的核心理念来源于简单的递归神经网络模型提出的杰弗里•艾尔曼洛克在1990年由输入层( l1),隐藏层( l2)、连接层( l3)和输出层( l4)(图 1),这是经常申请动态建模或时间序列预测( 59]。输入信息(XN)进入隐层神经元通过输入层神经元的输出信息计算隐层和存储层神经元连接,然后再次进入隐层作为输入信息,重复迭代,直到误差函数和重量达到一个稳定的平衡状态(图 2)。其中,输出层和连接层的激活函数是线性函数,和隐藏层的激活函数是一个非线性函数( 60]。

自本世纪初以来,Elman神经网络已被广泛应用于研究股票交易策略和交易时机。Sitte和Sitte证明了标准普尔指数可以预测,通过应用Elman神经网络( 61年];黄等人利用Elman神经网络预测股票市场的方向,取得了更好的预测( 62年]。Hyun, Kyung引入了遗传算法的概念基于Elman神经网络对金融时间序列预测和预测精度进一步提高 63年]。中国Elman神经网络对股票预测的研究起步较晚,和学者已经修改Elman神经网络的结构和参数来研究不同的金融时间序列预测。这是同意Elman神经网络具有更好的非线性预测能力( 64年- - - - - - 66年]。

根据市场调整方法,没有必要确定观察期。从股票市场指数收益率直接减去实际返回计算AR。由于其简单的计算,它是广泛应用。事实上,这个模型是假设CAPM模型中的常数项和风险系数为0和1,分别。这种假设是无论是理论还是与现实一致。

市场模式方法给出方程如下: (1) R 我 ^ = β 我 米 ∗ R 米 + α + ε 。

市场模型方法是一种基于CAPM理论的一元线性模型(方程( 1))。有必要预测常数项 α和风险系数 β _即时通讯根据股票回报和市场收益率之间的线性关系的观察。本文的改进如下:首先,选择每个并购事件的观察期间发现交易日范围与股票回报之间的相关系数最高,市场收益率在窗口期之前,以提高拟合优度。相关系数最高的平均价值的样本观察期间是0.6444。如果观察期间设置的固定间隔50天在窗口期之前,平均值为0.5566,这表明观察期的线性关系明显改善。其次,第一次拟合的基础上,外面的噪音异常值拟合线附近的两个标准差消除(图 3 (d)),然后执行第二个配件。置信区间(图 3 (b)后消除异常值是比以前更集中(图 3(一个))。

剔除离群值,只有224个事件的常数项 α和风险系数 β _即时通讯都通过了显著性检验(0.05),平均系数 R²是0.5479,这表明市场股票收益率的解释和预测能力返回一元线性模型下弱,这是符合怀疑CAPM理论在前面的文献[ 68年]。在这种情况下,本文一元非线性模型。

给出了一元非线性模型方程如下: (2) y 我 = β 1 e β 2 / x 我 + β 3 + ε 我 , ε 我 ∼ N 0 , δ 2 。

考虑到基于“增大化现实”技术的分布密度大的波动,负指数函数(方程( 2))和陡度的趋势,然后选择缓慢的一元非线性回归模型。本文的改进如下:第一,为了尽可能涵盖股票回报历史,避免长期观察期间损坏配件的美好,我们以5个交易日为步骤为每个事件值。从窗口期前30天,观察期间将逐渐向前扩展配件。观察期间的最小根均方误差(RMSE)选为最佳的观察期间,所有样品的平均观察期间是51天。其次,第二次拟合的基础上消除第一个拟合,拟合优度的改善效果是重要的(图 4)。

消除异常值后,只有83个事件的三个参数 β₁, β₂, β₃通过显著性检验(0.05),和决定系数 R²是0.5472,这主要是由于这一事实很难预测的非线性关系的具体分析公式。在这种情况下,一维多项式模型可以试图逐渐适应测量的点。

任何函数理论上可以近似由分段多项式模型(方程( 3))。因此,本文从低阶到高阶,安装和改进如下:首先,每个观察期的并购事件进行适合从一阶到十阶。其次,选择80种观察期为每个并购事件,21天,22天…100天前的窗口期。每个事件是基于适合800倍80年1 - 10秩序和观测时间,和方程最小的RMSE选为最佳秩序和最优观测时期: (3) y 我 = p 1 x 我 n + p 2 x 我 n − 1 + ⋯ + p n x 我 + p n + 1 + ε 我 , ε 我 ∼ N 0 , δ 2 。

所有样本的最优顺序是10,最佳观测时间是33天,平均系数 R²是0.6790。拟合效果大大提高。然而,当模型用来预测基于“增大化现实”技术的窗口期,不合理的极端值占16.70%。高阶多项式模型只能适合观察期间的有限的数据,并且当数据不能覆盖在观察期间出现在窗口期,高阶项的放大功能模型中会破坏的预测能力。图 5(一个)演示了一个更好的近似拟合曲线的拟合观测的数据有限。当 Y设在显示范围扩大到显示的总体趋势拟合曲线,图 5 (b)反映了过度高阶拟合曲线的波动特征。因此,当订单仅限于第四订单或少,极端值是基本消除。然而,系数 R²降低至0.0163。

传统的回归分析的目的是找出自变量和因变量之间的映射关系。上述四个模型的结果表明,很难找到同时满足假设检验条件的解析表达式和预测能力。主要原因是金融时间序列的复杂关系难以确定的函数解析表达式。的数据挖掘技术,Elman神经网络广泛应用于自主学习、联想存储和高速优化。从理论上讲,它可以处理任意复杂的因果关系,这适用于股票回报预测。

Elman模型的改进如下:首先,股票正常返回与个股预测的输入信息的历史回报( E1)和市场收益率( E分别为2)。其次,Elman模型记忆功能是完全应用于覆盖股票回报历史与观察期间尽可能选择从2个月后上市窗口期。所有样品的平均观测时间是1940天;迭代的最大数量是2000,误差公差是0.00001。迭代过程停止时,均方误差(MSE)到达错误宽容。如果错误宽容是没有达到2000次迭代后,参数,如重量和激活函数对应于最小MSE,作为最优的解决方案。图 6说明的过程中减少2000次迭代后的均方误差为0.0005的并购事件。

的 R²Elman模型的拟合与单个股票回报或市场收益率为0.9859和0.9958,分别。后者比前者好。这一结论也可以获得剩余情节的波动(数字 7和 8),这表明个股回报率和市场收益率之间的联系比个股返回到自己的历史回报。拟合效果如图 9。