PDF
研究文章|开放获取
明肖,Xionghui杨,通用电气, ”并购短期绩效基于Elman神经网络模型:从2006年到2019年在中国的证据”,复杂性, 卷。2020年, 文章的ID8811273, 15 页面, 2020年。 https://doi.org/10.1155/2020/8811273
并购短期绩效基于Elman神经网络模型:从2006年到2019年在中国的证据
文摘
基于事件的研究方法,本文进行了1302个主要的短期性能分析合并和收购(并购)在中国从2006年到2019年,累计异常返回(汽车)作为测量指标。比较五异常返回(AR)计算模型,发现常用的市场模式和市场调整方法有统计缺陷而Elman反馈神经网络模型能够良好的非线性预测能力。研究表明,并购可以为中国上市公司股东创造可观的短期业绩。汽车在窗口期达到14.45%下降的趋势,这是双赢的结果通过多方合作和个人由各自的权益在中国当前macro-microeconomic环境。
1。介绍
2005年以前,流通股和非流通股股票存在的问题在中国股票市场。控制股东持有的限售股并不关心股票价格的上升和下降;因此,持有流通股股东的利益无法得到保证。股票交易改革,创办于2005年,完工于2006年,限售股,和所有股东更加关注股票价格。2006年被称为“并购”(1因为上市公司开始提高股票价格和交易活动通过并购活动。
2008年,中国证券监督管理委员会颁布“行政手段对上市公司并购的”,这标志着并购的宽松政策的时代。从那时起,一系列的政策提出了并购活动更以市场为导向。
在接下来的10年,上市公司并购活动中扮演重要角色的不同阶段中国经济发展、结构调整、转换和升级。然而,上市公司并购交易的数量和金额大幅上升,吸引了投资者追求和炒作。2019年,中国证券监督管理委员会修订“并购上市公司的行政措施”加强监管,防止通过并购套利,并促进并购的合理性。据统计的风,平均数量和中国的并购交易数量在2006 - 2019年是4.42万亿元,5182年,并购交易的数量在过去3年超过15000。并购已经成为最重要的资源配置方式在很长一段时间在中国的资本市场2]。
自2006年股权分置改革的完成,讨论并购能否产生性能和是否可用于市场价值管理从未停止。
2。文献综述
2.1。并购短期绩效文献
2.1.1。协同效应理论
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]。
2.1.2。研究外资并购的短期性能
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。
2.1.3。研究中国并购的短期业绩
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。
2.2。并购短期绩效测量的文献
2.2.1。事件研究方法
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。
2.2.2。算法的基于“增大化现实”技术
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。
2.2.3。人工神经网络算法
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]。
3所示。数据和方法
3.1。本文的创新
中国内外学者主要采用市场调整方法和市场模型计算方法基于“增大化现实”技术。本文应用三个模型,包括Elman神经网络模型、比较和改进的严密性和准确性基于“增大化现实”技术的计算,这是第一个学术尝试。此外,本文以中国股权分置改革为出发点,选择几乎所有与交易暂停和恢复并购事件为研究样本,研究并购绩效的变化在过去的14年,占小范围的缺陷段中国并购样本。
3.2。样本的选择
本文收集2358个主要上市公司并购事件从2006年到2019年从风并购数据库。剩下的1302年并购事件的总样本,消除1056事件失败后,未完成,或上市公司作为被购买方,或没有完全并购公告日期由于小交易量。
3.3。研究模型
短期并购绩效指标采用累积异常返回(汽车)的窗口期,也就是21天在并购公告,标记为(−10、10)被宣布为0的一天。在这篇文章中,五个模型应用于预测正常返回,然后计算基于“增大化现实”技术的优缺点进行了比较。三个因素:可测系数(R2)、根均方误差(RMSE)和显著差异测试。模型设计采用Matlab数学软件(67年]。
3.3.1。市场调整方法
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。
3.3.2。市场模式的方法
市场模式方法给出方程如下:
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))。
(一)
(b)
(c)
(d)
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。
3.3.3。一元非线性模型
给出了一元非线性模型方程如下:
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)。
(一)
(b)
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。
3.3.4。一元多项式模型
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:
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。
(一)
(b)
3.3.5。Elman神经网络模型
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。
4所示。结果和讨论
这5个模型有不同的产量(表的窗口3)。在研究基于“增大化现实”技术的窗口期,以下重要问题很少证明或提到:(1)在观察期间收益率是否符合经典理论的假设和回归模型;(2)是否意味着基于“增大化现实”技术的窗口期是代表;(3)之间是否存在显著差异的窗口期由5个模型AR时间序列计算;(4)每年是否基于“增大化现实”技术的总体趋势是显著的。
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
4.1。观察期间收益率的正常测试
金融时间序列服从正态分布,这几乎是所有经典理论的共同的假设(如CAPM理论)和传统的回归模型,因为正态分布具有良好的可加性。根据中心极限定理,全部可以被认为是服从正态分布时,样本容量大于30。在这种情况下,假设系列股票收益率服从正态分布广泛决定其验证忽略。考虑各种方法的优点以及缺点,本文利用六个常见的正态分布测试方法(表4)。
|
||||||||||||||||||||||||||||||||||||||||
收益率序列的数据段被窗口期前50天。正常的测试进行了为每个单独的股票和市场收益率系列。个股和市场的平均偏态−−0.0242和0.8370,分别。峰度均值分别为4.6782和6.6067,表明序列峰值肥尾特征,验证了通过利用其他四种方法。尽管JB的结果,χ2Lilliefors略有不同,结论基本上是相同的。即产生一系列的大部分(45.16%)不服从正态分布,和经典理论和回归模型的假设是不正确的。因此,统计模型不正常数据应该选择和应用的需求。
钴的测试结果与其他方法有很大不同,因为本文取代了总体参数与样本均值和标准偏差和其他相关的文学实践。从本质上说,它已经改变钴Lilliefor测试测试。然而,统计软件(如Matlab和SPSS)违约和利用钴测试阈值表,以及Lilliefor统计之间的不匹配和钴测试阈值表的结果在一个不正确的结论69年]。
4.2。代表测试异常返回的意思
代表测试后,为每个模型中,所有每天在窗口期的平均农业研究所(异常返回表3通过0.005水平的显著性检验。
4.3。5的AR模型之间的显著差异测试
尽管平均每日ARs 5个模型下的窗口期是有代表性的,比较平均每日ARs不能推断是否有AR系列在不同模型之间的显著差异。自AR系列没有正常和方差的同质性,弗里德曼测试(双因素方差分析排名)的非参数检验方法应用于演示AR系列的任意两个模型之间的显著差异在同一天。
弗里德曼的测试结果(表5)可以从三个方面总结如下:(1)有17天(80.95%)显著差异在21天的窗口期在AR系列市场调整方法和市场模型之间的方法,这意味着前者对后者的替代一些文献不是严格而影响基于“增大化现实”技术的准确性。(2)由于低阶多项式方法太温柔,只能反映总体趋势,有0天显著差异与市场调节的方法。(3)有20或21天的显著区别Elman模型和其他四个模型,这意味着Elman模型是完全不同于其他模型。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||
4.4。显著性检验AR系列的变化在窗口期Elman模型
弗里德曼测试是进行AR系列的显著差异在两个相邻的窗口期Elman模型。结果表明,AR系列中有显著差异在2天前,公告日期后3天。在图10,21个水平线代表等级和均值的置信区间(0.05)的日常AR系列,和纵轴11代表宣布的一天。没有重叠的投影相邻水平线的纵坐标9-14在水平轴,显示显著差异在AR系列之间的两个相邻的日子。
Elman模型显示的结算结果如下:(1)并购的消息已经传播到股市公告日期前至少2天,导致股票价格大幅波动在公告日期在6天。之后,基于“增大化现实”技术的逐渐减少并创建一个汽车14.45%的窗口期;(2)在宣布,基于“增大化现实”技术,这是明显不同于前一天,仍然可以继续连续4天。并购信息披露对股票市场的影响并不立即消失,和中国的股票市场还没有达到semistrong位置根据semistrong有效的判断标准。
4.5。显著性检验每年的基于“增大化现实”技术的变化趋势
每年的平均车窗口期(表6)是由每个并购事件的公告日期计算基于Elman模型。弗里德曼的测试结果(显著性检验的值是0.0008)显示显著差异AR系列14年,表明并购短期绩效有显著的下降趋势,倾向于更合理。低的汽车在2016 - 2018年有关股票市场整体低迷和监管措施,打击投机的并购在过去的几年中,并购交易的上市公司往往是理性的。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
5。结论
5.1。比较算法的基于“增大化现实”技术
股票回报系列没有常态,和传统的回归模型的假设不能成立。在过去的研究中,基于“增大化现实”技术的算法主要采用市场调整方法和市场模型的方法。前者缺乏理论依据,后者是统计基础,影响计算精度的基于“增大化现实”技术,实现最小方差市场模型方法在观察期间的平均价值回报的拟合结果,和市场调整方法是一个极端的例子在这个规则下,这可以从实证的结果反映R2为0.5346和0.2813,分别。因此,拟合结果越小,拟合效果越好,从而导致预测正常返回低估和高估了。这两种方法有汽车16.28%和18.03%,分别显著大于其他三种方法的汽车。
前四传统回归模型、一元非线性模型的拟合效果最好R20.5459,高于其他三个模型,因为它可以处理非线性问题的股票收益率时间序列在某种程度上,也可以证实了其汽车14.65%的结果是接近Elman模型的汽车14.45%。
除此之外,一元多项式的拟合效果模型的预测能力成反比。随着订单的增加,拟合效果逐渐优化R2从0.0163上升4日以0.6790十秩序,而高阶一元多项式模型的预测能力是失去了由于其巨大的波动,因为一元多项式模型不能处理股票收益率时间序列波动的数据分布集中在狭窄的数值范围。
实证结果表明,Elman神经网络模型能够解决复杂的非线性问题。它可以适应观察期间数据以及预测窗口期的基于“增大化现实”技术R20.9950和汽车14.45%,这明显不同于另一个4传统回归模型。然而,Elman神经网络模型的缺点。只有隐层信息的反馈被认为是结构,和输出层信息不是再次(70年]。此外,尽管神经网络计算的逻辑是合理的和容易理解,计算机操作过程更像是一个黑盒,和一些研究人员有能力分析模型代码来解释为什么拟合效果很好。
5计算模型基于“增大化现实”技术之间的优点和缺点是显示在表7。
|
||||||||||||||||||||||||||||||||||||||||||
5.2。短期并购绩效
并购短期绩效在过去14年普遍下降,这与中国对并购的监管措施的有效性炒作和投机,导致并购短期性能趋于合理。上市公司的并购可以创建一个14.45%的汽车相当的短期性能在窗口期内,表明股市通常在识别上市公司的并购活动和公司的价值的期望提高,反映在股票价格上。然而,在股票价格波动的过程中,并购炒作和投机行为,这是反映在并购消息的传输到股市公告日期前至少2天,提前导致股票价格大幅上升。此外,基于“增大化现实”技术的重大变化是著名的连续3天之后宣布。长期交易暂停(1302年并购事件暂停111天平均)没有消化的集中或过度反应股票市场并购的消息。
此外,基于“增大化现实”技术的连续3天是重要的公告后,投资者可以利用公共信息来获取超额收益,这证明了中国的股票市场还没有达到semistrong形式的效率。
5.3。中国短期并购绩效的解释
中国短期并购绩效是高度相关的中国股市的特点。在中国实体经济发展的过程中,赋予并购价值创造巨大的潜力和空间,这是反映在宏观的经济结构调整或工业transformation-upgrading微级。中国证券监督管理委员会,承担经济管理职能作为政府部门(71年),制定一系列并购交易的支持性政策自2006年以来,使并购活动资本资源配置的重要作用。此外,不同于西方股票市场,以机构投资者为主,中国股市有1.6亿个人投资者,占99.76%,谁更有可能解释并购作为一个良好的信号和追逐股票,导致中国上市公司更愿意开展并购活动。
5.4。启示和建议
对于大多数研究人员,建议充分利用人工智能方法探索非线性问题和比较创新研究与先前的研究按照统计原则,这将有助于提高研究的严格建模和研究结论的准确性。
数据可用性
部分或全部数据、模型或代码生成或使用存储库中的可用在研究过程中依照资助者或在线数据保留策略。2006年和2019年之间的所有上市公司并购事件来自风并购数据库,和所有股票价格来自中信证券股票交易软件。
信息披露
这项研究没有收到任何特定公共拨款资助机构,商业,或非营利部门。
的利益冲突
作者宣称没有利益冲突。
引用
- y他和j .王”的历史、现状及发展建议并购在中国,“沿海企业和科技,卷1,41 - 45页,2011年。视图:谷歌学术搜索
- h .律和w·王,“个人财务顾问的名声担忧和并购性能:来自中国的证据,”太平洋航运金融杂志,60卷,2020年。视图:谷歌学术搜索
- m·c·詹森和r . s . Ruback”公司控制市场:科学证据,”金融经济学杂志卷。11日,5-50,1983页。视图:出版商的网站|谷歌学术搜索
- w . Rodermann和m .加布勒Strategisches Synergie管理英国,牛津大学出版社,英格兰,1999年。
- m . j . Conyon s .吉尔马·s·汤普森,p·w·赖特,“工资上升或下降后合并吗?∗”,牛津大学经济学和统计的公告,卷66,不。5,847 - 862年,2004页。视图:出版商的网站|谷歌学术搜索
- h . g .曼勒”,并购公司控制市场,”政治经济学杂志,卷73,不。2、110 - 120年,1965页。视图:出版商的网站|谷歌学术搜索
- k .久保和t .齐藤合并对就业和工资的影响:证据来自日本,”日本和国际经济杂志》上,26卷,不。2、263 - 284年,2012页。视图:出版商的网站|谷歌学术搜索
- 答:秦华,”理论报告对企业的并购,“企业的先驱》第六卷,p。27日,2012年。视图:谷歌学术搜索
- m·杜a博阿滕,d .牛顿“国家所有制的影响,正式机构和资源寻求收购中国并购收益,”审查量化金融和会计卷,47号1,第178 - 159页,2016。视图:出版商的网站|谷歌学术搜索
- a . Noicharoen一个实证研究目标公司的企业并购后经营业绩:证据从泰国证券交易所的上市公司Alliant国际大学、圣迭哥、钙、美国,2006年。
- m·张跨境并购模式和上市公司在中国的表现、吉林大学、长春,中国,2017。
- x张,“并购创造价值吗?”经济研究》第六卷,页,2003页。视图:谷歌学术搜索
- p·马登杰拉德,”潜在的企业收购和市场效率:一份报告,“金融杂志36卷,第1197 - 1191页,1981年。视图:出版商的网站|谷歌学术搜索
- p . m .希利和k . g .直观的“并购后企业业绩改善吗?”金融经济学杂志卷,31 p。135年,1992年。视图:出版商的网站|谷歌学术搜索
- a . Agrawal j·f·贾菲,g . n . Mandelker“收购公司的合并后企业绩效:异常的复审,”《金融卷,47号4、1605 - 1621年,1992页。视图:出版商的网站|谷歌学术搜索
- m . Humphery-Jenner r·鲍威尔,“公司规模、主权治理和价值创造:从收购者尺寸效应的证据,”《公司财务26卷,页57 - 77,2014。视图:出版商的网站|谷歌学术搜索
- p .多德“合并建议,管理自由裁量权和股东财富。”金融经济学杂志,8卷,第137 - 105页,1980年。视图:出版商的网站|谷歌学术搜索
- c . Higson和j·艾略特,“Post-takeover回报:英国的证据,”实证金融杂志5卷,27-46,1998页。视图:出版商的网站|谷歌学术搜索
- 美国汉斯合并和浓度的政策爱德华·埃尔加出版切尔滕纳姆,英国,2006年。
- b . n . Jarrel”国际米兰公司股权收购和公司控制市场,”商业杂志53卷,第376 - 345页,1988年。视图:谷歌学术搜索
- r·f·布鲁纳“并购支付:证据f或决策者的调查,“应用金融杂志,12卷,不。1,48 - 68年,2002页。视图:谷歌学术搜索
- k . c . Yook“收购后业绩的测量使用伊娃,”季度商业与经济学杂志》上,43卷,第83 - 67页,2004年。视图:谷歌学术搜索
- m . Uddin”短国营的分析性能的跨境并购:证据来自英国的收购公司,”审查会计和金融,8卷,第453 - 431页,2009年。视图:出版商的网站|谷歌学术搜索
- 李和y陈”,上市公司并购的财富效应,”经济研究卷。11日,28-35,2002页。视图:谷歌学术搜索
- 黄x, x, h .郭”工业周期的实证研究,并购类型和并购绩效,”金融研究,3卷,第152 - 135页,2009年。视图:谷歌学术搜索
- j·邓,曾庆红y, j .他”的根源和后果相关并购重组,”期刊的管理,8卷,第1246 - 1238页,2011年。视图:谷歌学术搜索
- b .盛张和问:“互联网金融企业并购绩效的分析,“财务和会计每月卷29日46-51,2016页。视图:谷歌学术搜索
- w·李和他的歌,“上市公司并购绩效影响机制研究在风险资本的支持下,“会计研究》第六卷,60 - 66、2017页。视图:谷歌学术搜索
- z张和j . Lei”是公司购买的利益相关者的利益均衡?分析基于公司的风险溢价套利的购买动机,”经济研究》第六卷,30-37,2003页。视图:谷歌学术搜索
- h·朱和z陈”,研究并购企业技术的性能基于协同这上市公司案例研究发现,“软科学,30卷,58 - 61、2016页。视图:谷歌学术搜索
- x陈和张t”,资产重组的市场反应实证分析1997年上海证券市场的资产重组”经济研究卷。9日,47-55,1999页。视图:谷歌学术搜索
- g . Yu和r·杨”理论分析和实证分析企业的猴股票价格的影响,“当代金融和经济7卷,第74 - 70页,2000年。视图:谷歌学术搜索
- l . Yu和y刘”,实证分析中国上市公司并购绩效,”当代经济学7卷,第74 - 68页,2004年。视图:谷歌学术搜索
- y . Chen w·陈,j .林”控制市场体系改革,研究公司治理、并购绩效,”证券市场先驱报》,卷2,37-46,2017页。视图:谷歌学术搜索
- j·邓,曾庆红y, j .他”相关的并购和重组:根和后果,”期刊的管理08年卷,第1246 - 1238页,2011年。视图:谷歌学术搜索
- 彭z和j·陈,“企业并购绩效的文献综述”,财务和会计的沟通,3卷,83页,2011年。视图:谷歌学术搜索
- r .球和p .布朗,“实证评价会计收入数字,”《会计研究》杂志》第六卷,第178 - 159页,1986年。视图:谷歌学术搜索
- e . f .农夫l . Fisher m·c·詹森和r .卷,“股票价格调整的新信息,”国际经济评论,10卷,21,1969页。视图:出版商的网站|谷歌学术搜索
- r . m .洞穴”,收购和经济效率:远见和事后看来,“工业组织的国际期刊7卷,第174 - 151页,1989年。视图:出版商的网站|谷歌学术搜索
- j·弗雷德·韦斯顿l . Mark j·h·米切尔和t . Mulherin重组和公司治理英国培生教育有限,哈洛第四版,1999年版。
- a . Gregory”考试的长期性能的英国收购公司,”企业财务和会计杂志》上,24卷,第1002 - 971页,1997年。视图:出版商的网站|谷歌学术搜索
- e .蒂姆森和p·马什”事件研究方法和尺寸效应:英国媒体推荐的情况下,“《金融,17卷,第142 - 113页,1986年。视图:出版商的网站|谷歌学术搜索
- j . Lakonishok t·维尔马伦,“异常行为在回购股权收购价格,”金融杂志,45卷,第477 - 455页,1990年。视图:谷歌学术搜索
- r·g·Ibbotson“普通股新股发行的价格表现,”金融经济学杂志,3卷,第272 - 235页,1975年。视图:谷歌学术搜索
- w .琮、研究光滑的股票收益对股票的影响异常返回、兰州大学、兰州,中国,2014。
- c·w·j·格兰杰,”共合体的研究经济变量的发展。”牛津大学经济学和统计的公告48卷,第228 - 213页,1986年。视图:谷歌学术搜索
- y,“实证测试上海股市的非线性和混沌,“工业工程与工程管理杂志》上,17卷,21 - 25日,2003页。视图:谷歌学术搜索
- 严苏,x, x,“非线性特征和分形维的分析中国证券市场上,“系统工程理论与实践,25卷,不。5,68 - 73年,2005页。视图:谷歌学术搜索
- 问:太阳、张x,和美国,“研究非线性协整关系的存在,”管理科学学报,3卷,不。2、65 - 74年,2000页。视图:谷歌学术搜索
- r·f·恩格尔和c·w·j·格兰杰协整和误差校正:表示,评估和测试,”费雪,55卷,不。2、251 - 276年,1987页。视图:出版商的网站|谷歌学术搜索
- d, d . Li s . Wang和x王”在空间数据挖掘和知识发现的理论和方法,“武汉大学学报(信息科学版),27卷,不。3、221 - 233年,2002页。视图:谷歌学术搜索
- b Mǜ我和j . Rrinhardt神经网络:一个介绍,Springer-Ver-lag,柏林,中国,1990。
- k . Hornik m . Stinchcombe和h白色,“多层前馈网络普遍接近者,”神经网络,卷2,不。5,359年,页1989。视图:出版商的网站|谷歌学术搜索
- k . Hornik m . Stinchcombe和h白色,“万能逼近未知映射及其衍生品使用多层前馈网络,”神经网络,3卷,不。5,551年,页1990。视图:出版商的网站|谷歌学术搜索
- h .白”,使用神经网络经济预测:IBM每日股票收益的情况下,”《IEEE国际会议上神经网络圣地亚哥,页451 - 458,美国1988年7月。视图:谷歌学术搜索
- m·f·冈萨雷斯,”市场的波动性建模:神经网络的角度来看,“欧洲金融杂志,3卷,不。2、137 - 157年,1997页。视图:谷歌学术搜索
- O7我和t·b·侯赛因”股票市场预测神经网络的性能:一个文献综述,”国际经济和金融杂志》上,9卷,不。11日,第108 - 100页,2017年。视图:出版商的网站|谷歌学术搜索
- 林翁和x”,应用BP网络、RBF网络和elman网络在股票价格预测,”中国智能自动化学报》会议福州,中国,1999年5月。视图:谷歌学术搜索
- h·库尔特·s·麦克斯韦,h .白色,“多层前馈网络普遍接近者,”神经网络,卷2,不。5,359 - 366年,1989页。视图:谷歌学术搜索
- x h·史,y . c .梁h·p·李,w z林,x,和s . p . Lim”改善elman网络和应用程序控制超声波马达,”应用人工智能,18卷,不。7,603 - 629年,2004页。视图:出版商的网站|谷歌学术搜索
- r . Sitte和j . Sitte”神经网络方法金融时间序列的随机漫步的困境,”应用智能,16卷,不。3、163 - 171年,2002页。视图:出版商的网站|谷歌学术搜索
- w·黄y Nakamori, S.-Y。王”,与支持向量机预测股市运动方向,”电脑与行动研究,32卷,不。10日,2513 - 2522年,2005页。视图:出版商的网站|谷歌学术搜索
- j·k·Hyun和s . s . Kyung”,基于神经网络和遗传算法的混合方法检测时间模式在股票市场上,“应用软计算,7卷,不。2、569 - 576年,2007页。视图:谷歌学术搜索
- x汉,m .朱,y,“OIF elman神经网络应用于股票市场综合指数预测,“长春理工大学学报,27卷,不。2、135 - 138年,2006页。视图:谷歌学术搜索
- 李明,x汉和l .王”一种改进elman神经网络及其应用在股票市场上,“计算机工程与应用34卷,第68 - 67页,2006年。视图:谷歌学术搜索
- 林c和d·朱”,研究股票价格预测基于elman神经网络,”计算机应用,26卷,不。2、476 - 477年,2006页。视图:谷歌学术搜索
- f . x Wang Shi,郁垒et al .,30例分析MATLAB神经网络,北京航空航天大学出版社,北京,2013。
- x陈和a .太阳“有效性测试的CAPM在中国股票市场,“北京大学学报4卷,28-37,2000页。视图:谷歌学术搜索
- H.-B。朱和h·e·李娟,”研究条件正态分布的一致性测试和其他人通过应用单个钴样品测试在SPSS,”首都大学体育教育和体育杂志》上4卷,第470 - 466页,2009年。视图:谷歌学术搜索
- z气侯和x,”BP神经网络及其改进算法”,太原科技大学杂志》上,26卷,不。2、122 - 124年,2005页。视图:谷歌学术搜索
- y通和w·刘,回顾国内外政府职能的基本理论、江西师范大学、南昌,中国,2007。
版权
版权©2020明肖等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。
