机械类上市公司市盈率影响因素的研究
杨 虎 ，易丹辉 ，肖宏伟 ，李 扬 ，李扬西
(1．中国人民大学 统计学院应用统计科学研究中心，北京 100872；2．国家信息中心经济预测部，北京 100045；
3．万科企业股份有限公司成都区域本部，成都 601166)
摘 要：文章基于2011年机械类上市公司的财务数据，采用加罚约束的多元线性回归模型对影响市盈率
的财务因素进行研究。研究结果显示，营运资金(资本)周转率和独立董事比例对市盈率的值有正向的影响作
用，而营运资金对净资产总额比率、净资产收益率、资本积累率、营业收入增长率对市盈率具有反向影响作用。
关键词：市盈率；财务状况；影响因素；共线性；加罚约束
中图分类号：F275．5 文献标识码：A 文章编号：1002—6487(2014)10—0158—04
1 研究设计
1．1 影响因素的选择
市盈率作为股票投资价值评价指标之一，具有简单和
直观的特点，被广大投资者所接受。市盈率能够刻画股票
价格变动以及购买股票的每股收益变动之间的关系，它反
映了投资人为获取净利润所愿意支付的股票价格，间接反
映了股票的预期收益和风险。市盈率与股票价格、购买股
票的收益、股利支付率、股利增长率、留存利润的投资回报
率、贴现率及增长机会等因素直接相关 ，而这些因素将受
到企业经营情况、政治因素、经济因素、行业发展水平和投
资人心理等因素的影响。投资人在选择投资对象时，不仅
要参考股票的市盈率，同时要参考影响市盈率的相关因
素，其中根本质的因素是企业 自身的经营状况，即资本结
构、股权结构、公司规模和公司风险等。
如果不考虑企业外部因素对市盈率的影响，从企业自
身情况出发研究影响市盈率的相关因素，则可划分为影响
股票预期利润和风险两类因素。市盈率受到上市公司未
来的收益和风险的影响，而上市公司未来的收益和风险与
企业经营状况有直接或者间接联系，因此，影响因素可以
概括为七个方面。可以选择企业的经营状况作为影响市
盈率的相关因素进行实证研究，具体指标参考如表 1所
示。
1．2 样本的选取与数据来源
本文的数据来源于“中国上市公司财务指标分析数据
库”，该数据库由“国泰安信息技术有限公司”整理并发
布。为了消除行业差异性，只选取机械类上市公司股票作
为研究对象，共计344支股票的财务数据。从微观层面来
看，选择同类行业的股票作为研究对象还能消除国内原材
料市场，产品市场，资本市场，劳动力市场，政府干预等不
确定性因素和风险对不同行业之间的影响。
表1 财务能力及相关指标
财务能力 变量名及简写
现金流量 现金流量比率(CF_I)；营业收入现金比率(CF_2)；销售收到现金比率(CF一3)；盈余现金保障倍数(CF_4)；每股经营活动现金净流量(cF_5)；每股投资
能力 活动现金净流量(CF_6)；每股筹资活动现金净流量(CF_7)；每股现金净流量(CF 8)；每股企业自由现金流(CF_9)；每股股权自由现金流(CF_IO)；
应收账款周转率(oP 1)；存货周转率(OP_2)；应付账款周转率(OP 3)；营运资金(资本)周转率(OP_4)；流动资产周转率(OP_5)；固定资产周转率 营运能力
(OP_6)；长期资产周转率(OP一7)；总资产周转率(0P 8)；股东权益周转率(OP 9)；每股营业收入(OP_IO)；
营业毛利率(PR一1)；销售净利率(PR_2)；资产报酬率(PR_3)；总资产净利润率(PR_4)；流动资产净利润率(PR一5)；固定资产净利润率(PR_6)；净资 盈利能力
产收益率(ROE)(PR_7)；息税前利润(PR一8)；每股收益(PR_9)；
短期偿债
能力 流动比率(SD一1)；速动比率(SD一2)；营运资金比率(SD一3)；营运资金对资产总额比率(SD 4)；营运资金对净资产总额比率(SD一5)；营运资金(sD_6)；
长期偿债 资产负债率(LD一1)；流动资产比率(LD一2)；固定资产比率(LD一3)；股东权益对固定资产比率(LD 4)；流动负债比率(LD一5)；长期负债比率(LD_6)；
能力 权益对负债比率(LD_7)；有形净值债务率(LD一8)；负债与权益市价比率(LD一9)；
资本积累率(DE一1)；固定资产增长率(DE_2)；总资产增长率(DE一3)； 发展能力
营业收入增长率(DE_4)；
股权结构 前五大股东持股比率(SS一1)；第一大第二大比值(SS一2)；前五大股东持股平方和(ss一3)；管理者持股比例(ss_4)；
董事会结构 董事总人数(BS 1)；董事长与总经理兼任情况(Bs一2)；独立董事比例(BS一3)；
其他 综合杠杆(RK)；常数项(c)；
基金项目：国家自然科学基金青年项目(71301162)；中国人民大学科学研究基金资助项目(13XNH190)
作者简介：杨 虎(1983一)，男，贵州贵阳人，博士研究生，研究方向：数据挖掘。
易丹辉(1948一)，女，湖南汨罗人，教授，博士生导师，研究方向：风险管理与保险，预测与决策。
158 统计与决策2 0 1 4年第 1O期 ·总第406期
市盈率l<=10 I(10，20】l(2o，30】l(3o，5o]l(50，loo]1(,oo 4oo~1>400 l合计 圃亟 丑垂固 匦量正 匝
为保证数据的有效性，首先对样本的市盈率进行频数
统计，目的是掌握数据的分布特征，确定最终纳入分析的
数据。
从表2可以看出，多数上市公司的市盈率分布在区间
(0，100]内，占比接近85％。有13．1％的上市公司的市盈率
分布在区间(1OO，400]~，仅仅2．6％的上市公司的市盈率超
过400。研究表明如果不考虑国家和地区风险，市盈率约
为：
雎 =41．85—0．2．短期利率一3．44·长期利率+ 曾长率
(1)
根据这一标准，只选择市盈率 ≤41．85的325家上市
公司作为研究对象，共计325家上市公司。对筛选后的样
本进行均值分析，确定机械类上市公司201 1年市盈率的
平均水平是否与处于正常水平。
裹3 201 1年机械类上市公司市盈率描述统计量
l N l 取值范围 l 均值(标准差)
市盈率 l 325 l (2．98，392．02) l 48．94(64．27)
从表3可以看出，机械类上市公司的市盈率的平均值
为48．94，与公式(1)的常数项接近，标准差方差为64．27，
说明市盈率的波动范围。
1．3 实证模型
结合相关研究，选取评价企业经营能力的八组变量作
为研究对象，研究影响市盈率的相关因素。假设市盈率与
财务因素存在线性关系，定义为：
PE=∑，N
：
CF
． c +∑ ．OP +∑ ．PR +五 N
：
SD
． D +∑ ．LD +∑ N
：
D
l
E
．DEi+∑ N
：
ss
1 ． +
一
V
⋯
NBs
8 ·BSi+8 k·RK+￡ 2)
令J∈{CF，OP，PR， ，LD，DE，SS，BS}，式(2)中M
是各组财务能力中指标预测变量的个数， 是各组财务
能力中各个预测变量的系数 ， 是风险系数的系数 ，
Ⅳ(0，1)是模型未能解释的残差，残差用于解释除了财务
因素以外的其他因素。根据多元模型的定义，如果系数
显著，则市盈率与预测变量存在相关关系。
结合数据的特点，本文设计和利用加罚约束的多元线
性回归模型来分析市盈率与相关财务因素的关系，分为两
种情况进行研究：(1)当预测变量之间不存在结构关系时，
可以使用Lasso多元回归模型、岭回归模型、弹性网多元回
归模型分析数据；(2)当预测变量之间存在结构关系时，使
用网络罚多元回归模型分析数据。为了衡量预测变量之
间的共线性程度，根据预测变量之间的相互关系调整网络
罚的结构，本文设计了调节网络罚结构的机制，定义了可
变系数 r，用来调整预测变量之间的共线性程度，从而达
到调整预测变量结构的同时，改善模型拟合的效果的目
的。
2 基于罚模型的影响因素分析模型
2．1 不带先验结构的加罚约束的模型
令 s为 n观测向量 ，x是 n P设计矩阵 = ．， ，，
⋯ ，x )，其中第j个预测变量 xj= I『’ 2 ⋯Xnj) ，响应变
量的向量为 =(J， ，Y ⋯．，Yn) ，预测变量的系数为 = 。，
2⋯ ．， ) 。标准化设计矩阵 和响应变量 ，并且满
足条件∑ 。Y =∑ =0和 n 。 ：1， =1，2⋯．，P，
则最小二乘估计 能够通过公式计算得到
n P
1~=arg min{∑( 一∑x ) ) (3)
f=1 J=1
加罚约束的线性模型可以定义为：
=argmin{∑ 1( 一∑ ，) + ∑ 1 ， } (4)
其中 是tuning参数。通过对偶定理，最优化问题
(4)可以转化为：
r ，、
目标方程：argmin{∑( 一 IXO． )‘} (5) L】=1 J
约束条件：∑ ， <t，t->0
当q=1时，约束条件就是Lasso罚，模型(5)称为Lasso
回归模型，于1996年由Tibshirani提出并用于分析高维数
据。当 =2时，约束条件为岭罚，模型(5)就是经典的岭回
归，岭回归模型能够处理数据中存在的共线性问题。Zou
于2005年设计了结合lasso和岭罚的约束条件弹性网罚，该
罚具有lasso和岭罚的特点，能够选择更多相关性变量，同
时弹性网还具备组性质，加弹性网罚的回归定义为：
／1=argmin{]~7=l 一∑ lx f) + ∑ 1 l十 l∑：1 (6)
其中 1和 2~tuning参数。
2．2 带先验结构的加罚约束的模型
2．2．1 模型定义
考虑到预测变量之间的相互关系，Li等人开始研究带
先验结构的加罚约束模型，目的就是想充分利用预测变量
中存在的先验结构信息，调整预测变量之间存在的相关
性 ，从而提高模型拟合的效果 。假设图结构定义为
G=( ，E，W)，其中V是顶点的集合对应P维预测变量x，
E是边的集合。为了表述简便，记E⋯，为第u个顶点和第
v个顶点之间的边 “～v，仍 为测度边 “～v的权重， 为
第u个顶点的度且d =∑⋯∞ 。可见，如果顶点u是孤
立的节点，那么d =0。对应孤立节点 Xu，不存在与其他
节点的连接。令 上⋯ 为拉普拉斯矩阵三的一个元素 ，三
可以唯一由图结构G确定，因此有：
f l一仍 ，如果“=V且 ≠0
L ={一t~Tuv／d,~．av ，如果“和v相邻 (7)
1 0 ，否则
令 ， ，≥0，带Network罚的回归似然函数可以定义
为 ：
( ， ：， )= 一 ( —xf1)+2 ∑ ，l+ 2 厶 (8)
统计与决策2 01 4年第 l0期 ·总第406期 159
其中∑ ，I是lasso罚， 是拉普拉斯罚，L是由
公式(7)定义的对称矩阵，并且 =S S，用来光滑参数
的估计结果。
2．2．2 参数估计
参数 的估计结果可以通过最小化公式(8)得到，定
义为
=argmin{L(2l， 2，W， )} (9)
通过代数变换， 可以改写为
胂 l 一 c·
展开公式(8)的第一项，对第一项的优化可以改写为
arg min{fl X 一2y X } (1 1)
因此参数估计 最终可以定义为
=arg mi 僻- ： [ 一
(12)
2．2．3 计算
通过代数变换，最优化Network罚约束回归模型(12)
可以转化为lasso罚约束问题。固定tuning参数 l和 2，
对于n个观测样本 ( ， ) ，定义响应向量的扩展向量 Y
为 ： )，向量 的长度为 +p，定义设计 矩阵 X 的
+ p增广矩阵为 =(1+ 2)。_( ，)。其中矩阵S
定义为SS = T U= = ，则
， ， )=( 一X ) ( 一X叩 )+r p； (13)
因此最优化 Network罚可以转化为最优化lasso问
题。设 是最优化问题(12)的估计结果，则最优化问题
(13)的参数估计 的结果为：
志 (14)
本文采用梯度下降方法计算最优化问题(13)，该方法
结合牛顿法对梯度下降的方法进行了改进。令 为最优
化问题(13)的参数估计结果，g( 为式(13)不带约束的
似然函数，对于第 次迭代，参数的估计结果为 ㈣，则第
+1次迭代为：
”
：
f 啦g(fl ，如果f叩 ktedge
群“ ，如果topt<tedge且sign ¨]=sign(fl+
‘ +f ‘ )
，否则
(15)
其 中 t哦 和 t印 是 坐 标 方 向 ，分 别 定 义 为 ：
一 Isign( )=-sign( ≠o}和一 ，
因此解最优化问题(13)的最终算法参见算法1。
2．2．4 结构调整
160 统计与决策 2 01 4年第1O期 ·总第406期
算法 1 梯度下降方法求解网络罚约束的多元回归方程
1输入：设计矩阵X，结局Y，l网络罚结构L，tuning参数 。^和 A2
2输出：非零参数估计结果反， ：，⋯， (s<p)，及为零的参数
3过程：
4初始化参数 ， ，⋯， ，固定 。和
5循环迭代直到收敛，对于每一次迭代k：
6计算拉普拉斯矩阵SS =上，设计阵的增广阵 =(1+^：) ( )，和扩展
向量Y’
7计算梯度方向tedge和 t ，
8利用方程(15)更新参数估计 ， ，⋯，
9利用公式(14)计算 。
用于评价机械类上市公司财务状况的变量按照数据
收集和报表的形式，可分为八组能力。根据公式(7)，预测
变量之间的结构关系由变量之间的相关性强弱来确定。
假设只有两个预测变量 u和v的简单图结构，预测变量 u
和1，的相关系数为P ，，变量之间的边为“～1，。利用相关
系数来估计两个节点边之间的权重 刃 =p ，则预测变量
“ 和 v 的 度 分 别 为 du=∑ 毋 =p 和
d =∑⋯刀 =p ，因此可以由公式(7)确定网络罚矩阵
为：L=I 1 1 l。因此无论P 的取值如何，两个节点的
罚结构都是相同的。
为了衡量预测变量之间的共线性程度，根据数据之间
相互关系调整网络罚的结构，定义可变系数 r，用于确定
预测变量之间的共线性程度，调整模型的网络罚结构，定
义边 U～v的权重为
∞ ’如果满 (16)
即当预测变量之间的相关系数较小时，预测变量之间
没有共线性，不存在边“～v。只有当预测之间相关性满足
1≥r时，预测变量之间存在共线性，存在边 “~v。
根据公式(7)和(16)可知，不同的可变系数 r对应不
同的组内结构，因而罚的结构也不相同。当f=0时，必然
存在任意两个节点的相关系数 l≥0，因此组内任两个
节点两两连接，形成满秩的图结构。
2．2．5 调整tuning参数
在选择合适罚函数的基础上，最终的变量选择与参数
估计结果在很大程度上还取决于调整参数tuning参数
和 ，。研究表明，当调整参数选取合理时，加罚约束的回
归模型能够一致地识别出正确模型。本文采用交叉验证
释然值来选择tunning参数，JV折交叉验证释然函数定义
为：
N
{一 l。g(2 )一去( 一 ( 一 (17)
式中， 是第 i次交叉验证余留的用于预测的样本
量， 是第 i次交叉验证的参数估计值。 和 对应
第i次交叉验证余留样本的响应变量和预测变量，观测数
据的标准差 = 2(Y 一 ) ( 一 。
3 实证结果分析
3．1 买验环 境
本节对比研究四种变量选择罚方法，其中包括lasso
罚多元回归模型(L1)，岭罚多元回归模型(L2)，弹性网罚
多元 回归模型(Enet)，以及网络罚多元回归模型 Net—
work。为了研究不同网络罚结构对模型拟合效果的影响，
取 f=(0，0．2，0．4)作为研究参数，相应的模型简记为：Net—
work(．0)，Network(．0)，Network(．0)。利用上述模型拟合201 1
年机械类上市公司财务数据，实验重复 100次 ，每次采用
10折交叉验证随机分配拟合和预测样本，并选择使得evls
最小的最优tuning参数。模型拟合的其他指标包括：赤池
信息量AIC，贝叶斯信息准则BIC，非零预测变量个数(p)，
以及最优tuning参数]ambdal和lambda2。实验平台为
Win 7操作系统，统计软件为R3．O1。
3．2 实证结果
重复100次随机实验，计算各模型选择最优tunning参
数时，(1)最优交叉验证释然值(evls)，该值越大说明模型
的拟合效果越好，(2)赤池信息量(AIC)，该值越小说明模
型的拟合效果越好 ，(3)贝叶斯信息准则(BIC)，该值越小
说明模型的拟合效果越好，(4)变量个数(p)，选择的变量
个数越少 ，说明模型的稀疏性越好 ，(5)tunning参数
Lambdal和 Lambda2，目的是说明利用交叉验证算法选择
tunning参数时，算法的稳定性。实证结果如表4所示。
从表4可以看出，相对于弹性网罚和lasso罚模型，加
网络罚约束的多元回归模型能够选出相对较少的预测变
量，同时能够提高模型的拟合效果，running参数也相对稳
健 。特别是 当 f=0．2时 ，Network模 型的 elvs值 最大
为一2．28(2．25)，AIC值最小为69．06(12．04)，BIC值最小为
369．77(65．93)，说明该模型的拟合效果最好；同时p=32．31
(5．71)说明模型选择的变量个数最少。
计算重复100次随机实验预测变量回归系数的平均
值，并做预测变量之间的折线图，观察各种模型所选择的
预测变量的回归系数值，预测变量的回归系数可以用来衡
量被选出的回归变量的重要程度。
表4
图1预测变量的参数估计结果
模型的拟合效果
模型 cvls AIC BIC p Lambdal Lambada2
Ll -38．49(5 22) 144．64(13．96) 458．37(65．68) 34．13f5 79) 0．81(0．23、
L2 -77．34(18．2) 260 23(34 4o) 776．89(36．4O) 54．o0f0．o01 0．71(0 471
Ene【 一46．15(5．84) 160 61(]5．9o) 478．19(66．22) 33．93(5．68) 0．79f0．241 0．12(0 16)
Nelworkf O 一2．4O(2．441 69．3904 91) 383．80(81．48、 33．85『7．031 1．24m．481 0．12(0 07)
Network(．2 —2 28(2．25) 69．06fl2．o4) 369．77(65．93) 32．31(5．711 1．22『0．451 0．13(o．07)
Network(．4) 一3 l6(3．651 71．81(14．90) 385．72(75 58) 33．88(6．50) 1．O0fO．341 0．06『0．051
表5 预测变量的参数估计平均
0P 4 BS
一
3 SD 5 PR一7 DE 1 DE 4
L1 0．436614 0．254669 -0 55232 —1．5505 一O 8l5O1 —1．48361
L2 0．357177 0．696814 —045753 —1．09598 一1．Ol344 一1．55246
Enet 0．29778 0．343736 -0．47607 —1-3O472 -066236 一1．24805
Network(．0 0．248157 0．276762 -0．5915 —1．26266 -0．52913 一1．13853
Network(．2 0．27521 0 230934 -0．6l076 一1．35157 -0．5 1074 —1．1558
Network(．4 0．352781 O418305 -0．39891 一1．44565 -0．7656l —l 402l3
图1中，横轴为各预测变量，纵轴是各预测变量回归
系数的平均值。可以看出，岭罚多元回归模型(L2)没有变
量选择的功能，其计算了所有参数的回归系数。而lasso
罚多元回归模型(L1)，弹性网罚多元回归模型(Enet)以及
网络罚多元回归模型(Network)，它们的估计结果相似，不
同的是参数的回归系数值。由于Network能够调整组内预
测变量之间的相关性，其估计结果较L1和L2稳定，回归
系数的值接近L2的结果。
可以看出，影响市盈率的较为明显的因素有：营运资
金(资本)周转率(OP )，独立董事比例(BS 3)，营运资
金对净资产总额比率(SD 5)，净资产收益率(ROE)(PR_
7)，资本积累率(DE一1)，营业收入增长率(DE_4)。
3．3 结果分析
从实证结果可以看出，其中与市盈率呈现正向相关性
的因素有营运资金(资本)周转率(OP 4)，独立董事比例
(BS 3)。营运资金(资本)周转率定义为销售收入与平均
营运资金的比例，营运资金(资本)周转率越高，说明企业
的销售收入高或者平均营运资金水平较低，两者都说明企
业的运营状况良好，单位销售收入所消耗的营运资金(资
本)较低。独立董事比例反映企业的管理结构，根据独立
董事的定义 ，独立董事具备客观判断的能力，独立董事比
例越高，企业的管理结构更为合理，所存在的潜在管理风
险越低。
与市盈率呈现反向相关的因素有营运资金对净资产
总额比率(SD 5)，净资产收益率(PR_7)，资本积累率
(DE一1)和营业收人增长率(DE_4)。当营运资金对净资产
总额比率越高时，说明企业所消耗的用于创造单位利润的
营运资本越多，单位营运资金所创造的收益越低。净资产
收益率为净利润与股东权益平均余额的比率，当净资产收
益率增高时，说明股票的平均收益增高，表示股票的获利
能力增加。从实证的结果可知净资产收益率增高时，市盈
率会降低 ，二者呈现负相关关系，结果与理论模型一致。
资本积累说明企业扩大再生产的能力，资本积累率越高，
说明企业扩大再生产的能力越强。但资本积累率增高时，
会提高单位股票的收益率，而根据市盈率的计算公式，市
盈率将会降低。营运收入增长率反映了公司的销售业绩
增长情况，营运收入增长率越高，会促使企业利润的提高，
从而带动股票收益率的增长，因此与市盈率负相关。
4 总结
本文利用加罚多元回归模型的方法分析市盈率与财
统计与决策2 01 4年第 lO期 ·总第406期 161
我国硬小麦期货市场价格保障效应研究
孙志娟
(河南科技学院 经济与管理学院，河南 新乡 453003)
摘 要：文章在借鉴国内外相关研究经验的基础上，选取2009年1月至2012年12月我国硬小麦市场上近
三年的中价国际期、现货价格指数作为样本数据来构建我国硬小麦的期货价格发现模型，并通过计量分析最终
证实我国硬小麦的现货价格指数与期货价格指数等指标之间存在着较长期的均衡关系；同时，也通过计量经济
学上的相关性检验证明我国硬小麦市场上期、现货价格指数之间存在较明显的正相关性；而且，通过ADF检验、
协整检验以及格兰杰因果关系检验，发现我国硬小麦的期货价格对于现货价格具有较强的价格发现和价格保
障机制。
关键词：中价国际期货指数；期货；中价国际现货指数；现货
中图分类号：F832．5 文献标识码 ：A 文章编号：1002—6487(2014)10—0162—03
1 问题的提出
随着我国粮食流通体制改革的逐步深入，市场在粮食
资源配置、粮食价格形成过程中基础性作用的不断发挥，
农产品期 、现货市场联系的日益紧密，期货市场的价格发
现和保障机制正逐步引起国内外诸多专家学者的关注。
本文即是以郑州商品交易所硬小麦市场上的期现货价格
为样本数据，以硬小麦价格的保障效应为依托，展开对我
国农产品期现货价格间相关性的研究。
众所周知，小麦是我国的基本粮食作物之一，对于我
国这样一个有着 14亿人口的大国而言尤为重要。但是，
由于自然条件、社会环境以及国际市场等诸多因素的影
响，长期以来小麦的价格一直处于波动之中，然而小麦价
格的波动局面无论对于小麦的一般消费者，还是对于国家
粮食安全乃至社会稳定均具有重要影响，因此维护小麦市
场价格的稳定性就显得至关重要。那么，减少小麦价格的
波动性，维护小麦市场价格的稳定首选工具就是期货市场
的“对冲”机制。
因此，本文就在相关学者研究的基础上，通过对硬小
麦期现货市场上价格波动的分析，试图通过分析我国硬小
麦期货价格对现货价格的相关影响，尝试着发现我国硬小
基金项目：河南省2014年软科学项目(142400410859)
作者简介：孙志娟(1979一)，女，河南鹤壁人，博士，讲师，研究方向：国际金融理论与实践、期货市场风险波动。
务指标之间的关系，并利用网络罚解决模型预测变量过
多，预测变量之间存在共线性的问题。带网络罚约束的多
元线性回归模型，能够提高模型的拟合效果。实证结果表
明，营运资金 (资本 )周转率 (0P 4)，独立董事 比例
(BS 3)与市盈率具有正向相关的关系，而营运资金对净
资产总额比率(SD 5)，净资产收益率(PR_7)，资本积累
率(DE一1)和营业收入增长率(DE_4)则与市盈率存在反向
相关关系。可见，带罚结构的多元回归模型能够用于探索
市盈率与财务因素之间的关系，具有实际应用的价值。但
是作为投资的参考指标之一，市盈率仍有一定的局限性，
在投资分析的过程中，还需要结合其他指标分析投资对
象，最终确认投资的价值。因此，需要分析更多的与股票
相关的指标以判断股票的投资价值，同时要结合股票动态
性特点，动态的分析影响股票相关分析指标的因素。最
后，还要把股票的研究回归到市场中，结合国家经济运行
情况，行业发展背景等综合因素研究股票的投资价值。
参考文献
162 统计与决策 2 01 4年第1O期 ·总第406期
【1]Fan，J⋯R Li．Variable Selection Via Nonconcave Penalized Likeli—
hood and Its Oracle Properties[J]．Journal of the American Statistical
Association，2001，96(456)．
[2]Li，C．，H．Li．Network-constrained Regularization and Variable Selec—
tion for Analysis of Genomic Data[J]．Bioinformatics，2008，24(9)．
【3]Slawski，M．，et a1．Feature Selection Guided by Structural Information
[J】l The Annals of Applied Statistics，2010，4(2)．
[41P锐，魏明海．上市公 司市盈率影响因素的实证分析[J】．管理科
学，2005，18(4)．
[5]罗宏，陈燕．财务能力与企业核心能力的相关性[J1_当代财经，
2003，(12)．
[6]王艳辉，郭晓明．企业财务竞争力与财务核心竞争能力[J1．山西财
经大学学报，2005，27(4)．
[7]徐明，戎承法．中国股票市盈率间接影响因素分析[J1．中国管理科
学，2003，11(4)．
[8]朱永明，苏海燕．我国股市市盈率变动 区间及其合理性分析l JI．财
会月刊，2010，(17)．
(责任编辑 ／浩 天)
