第七章 国证德高行专利领先指数成份股运算模型.pdf

国证德高行专利领先指数(399427)成份股运算模型 模型建立 1. 建立领先指标--预测模型的核心 ♦ 两种事件X(专利指标)、Y(财务数据/股价) ♦ Y(财务数据/股价)是我们真正关心的事件。 ♦ X(专利指标)发生在先，Y(财务数据/股价)发生在后； ♦ X(专利指标)对于Y(财务数据/股价)的发生概率有显著性影响； ♦ 便可推论X(专利指标)是Y(财务数据/股价)的领先指标。 ♦ 观察X(专利指标)，便可以预测Y(财务数据/股价)。 2. 选用最佳的数学模型 2.1 采用【葛兰杰预测模型Granger Causality Model】 ♦ 最权威的领先指标预测模型; ♦ 2003 年诺贝尔经济学奖得主格兰杰(Clive W. J. Granger)提出; ♦ 针对时间序列的数据，通过建模及误差检定，发掘其中自变量X 与因变量 Y 的领先关系; ♦ 通过误差检定达到显著性者，称 X “Granger cause” Y; ♦ 表示X 这个时间是Y 下个时间的领先指标; ♦ 观察X 这个时间，可以预测Y 下个时。 2.2 选用葛兰杰预测模型预测效果优于传统的数学回归分析。 3. 限定样本数据的条件 3.1 专利数据条件 ♦ 专利数据条件：采用研发能量较佳的科技股，亦即科技型上市公司/集团; ♦ 将科技型上市公司/集团(含子公司)的专利数据合并计算; ♦ 2008~2013 年持续有专利产出、成长，且达到基本阈值。 3.2 财务数据/股价条件 ♦ 采用上交所与深交所的二千五百馀个上市公司/集团的财务数据/股价; ♦ 财务数据/股价透明、公开。 4. 样本数据收集与筛选 1 版权归属：德高行(北京)科技有限公司 4.1 专利数据收集与筛选 ♦ 建立科技型上市公司/集团(含子公司)的专利数据收集、汇整与专利指标 运算; ♦ 采用德高行自主开发的《TechGlory 专利风险管控暨竞争情报分析系统》; ♦ 包含1,000 万条中国大陆专利原始数据及二次加工数据。 4.2 财务数据/股价收集与筛选 4.2.1 上交所财务数据/股价取样 ♦ 每2 年为一个区段，收集样本与筛选。 ♦ 根据板块整体专利申请状况，弹性调整专利数阈值。 ♦ 取样率均值为38.1% 4.2.2 深交所-主板财务数据/股价取样 ♦ 每2 年为一个区段，收集样本与筛选。 ♦ 根据板块整体专利申请状况，弹性调整专利数阈值。 ♦ 取样率均值为37.4% 4.2.3 深交所-中小板财务数据/股价取样 2 版权归属：德高行(北京)科技有限公司 ♦ 每2 年为一个区段，收集样本与筛选。 ♦ 根据板块整体专利申请状况，弹性调整专利数阈值。 ♦ 取样率均值为40.9% 4.2.4 深交所-创业板财务数据/股价取样 ♦ 创业板历史较短，因此仅以2012~2013 这一区段收集样本与筛选。 ♦ 取样率为38.0% 5. 量化预测模型-葛兰杰预测模型 5.1 因变量：4 种财务数据/股价 ♦ ROE：股东权益报酬率(净资产报酬率) ♦ PB (Price-to-Book ratio) 市净率/ MTB (Market-to-Book ratio) ♦ PE 市盈率 ♦股价 5.2 自变量：45 个专利指标 ♦ 发明公开专利指标 3 版权归属：德高行(北京)科技有限公司 ♦ 发明授权专利指标 ♦ 实用新型专利指标 4 版权归属：德高行(北京)科技有限公司