GPLme / 公司渠道评估模型

公司渠道评估模型 ========== 对于基金管理公司而言，建立科学的基金业绩评价体系，可以发现投资计划的不足，也可以通过完整的评价指标体系来定量评价基金经理的业绩水平，基金管理公司还可以据此分析投资结果是否达到了投资目标，总结基金管理成功的经验，从而促进基金管理公司提高经营管理水平；此外，客观准确和独立的基金业绩评价可以对基金管理公司和基金经理形成强有力的外 部约束和激励，使他们从基金投资者的利益出发管理基金和做出投资决策，为投资者寻求最大的投资收益。其次，对于投资者而言，通过分析基金过去的业绩，了解各种不同种类的基金的运作，可以避免跟从一些不准确的信息而遭受损失，也有利于提升基金行业的公信力，增强基金投资者的信心，为他们选择基金时提供一定的参考。 数据包络分析(DEA)和神经网络作为评价基金绩效常用的方法，得到了广泛的应用，但两种方法有着各自的缺点。数据包络分析的理论基础是基于线性规划的最优化理论，对现实世界的解释会存在较大的偏差，同时数据包络分析方法效果的实现很大程度上受到变量个数，即指标体系规模的限制：评价指标越多，模型的方程数就越多，对问题的限制越多，为了达到数据包络分析的效果，就必须要降低指标数目，只用较少的指标来反映基金的综合绩效，这就使得评估时考虑的因素减少，必然使得评价结果失真，而造成误判。神经网络做为一种通过实际输出与目标输出之间的误差，不断学习、修正，最终将误差缩小到一个合理范围来估计评估的方法，但采用人为指定的方法确定目标输出分布具有很大的主观性和随意性。 DEA ----------- 这一模型是用来研究具有多个输入，特别是具有多个输出的部门(称为决策单元，简称DMU)同时评估规模有效与技术有效的十分理想和卓有成效的方法。其后在此基础上又衍生出上百种模型。DEA方法根据对各DMU观察的数据，判断DMU是否为DEA有效，本质上是判断DMU是否位于生产可能集的前沿面上，并指出DMU非有效的原因和程度，给主管部门提供管理信息和决策依据。DEA在用以研究多输入多输出的生产函数理论时，由于不需要预先估计参数，在避免主观因素和简化算法、减少误差等方面有着不可低估的优越性。作为一种理想的多目标决策方法，DEA大大丰富了微观经济中的生产函数理论及其应用技术，使得研究生产函数理论的主要技术手段由参数方法发展到参数与非参数方法并重。 ### 使用 将DEA应用于投资基金业绩评价的含义是，如果基金相对有效，表明该基金不可能在进一步降低风险和成本的同时获得更大的收益，因此基金处于有效运作状态。反之，基金非相对有效，则表明该基金风险或成本相对较高，或收益较低，从而可以通过一定的调整获得更好的收益风险配置。 ### 优缺点 DEA方法可以对决策单元的效率是否相对有效做出判断，对于非DEA有效区间，在指出无效的程度得同时还可以进一步找出无效的原因，并提供改进的方向，似乎是比较理想的识别模型。但是DEA方法仍然存在一些难以克服的局限性。一方面由于DEA方法的理论基础是基于线性规划的最优化理论，对现实世界的解释会存在较大的偏差，众所周知，现实世界的问题大都是非线性问题，只有极少数问题是线性的，然而出于认识的局限性及解决问题的便利性，我们通常以线性问题来逼近或模仿非线性问题。但这种情况并不总是有效的。本项目所研究的基金的综合绩效评价问题，各指标间相互作用，同时还有时间的因素，就很难简单的用线形模型来表示出。另一方面，同样因为DEA的理论基础来源于线形规划的最优化问题，因此 DEA方法效果的实现很大程度上受到变量个数，即指标体系规模的限制。评价指标越多，模型的方程数就越多，对问题的限制越多，因此也就越不容易得到可行解，更不用说最优解。因此，为了达到DEA方法的效果，就必须要降低指标数目，只用较少的指标来反映基金的综合绩效，这就使得评估时考虑的因素减少，必然使得评价结果失真，而造成误判。 神经网络 -------------- 本项目作为训练网络时的期望输出是DEA的计算结果，但是并不是直接用DEA计算得到的目标变量值作为期望输出，因为这样的话有可能运用神经网络进行拟合仅仅只是对DEA方法的一次重复，同时也不利于对最终结果进行分析。因此根据神经网络算法的特点，可以根据神经网络算法自身的特点，对DEA评价的可能结果进行分类，使用神经网络预测分类结果。 任务描述 ------------ 给出39个公司在六个渠道中的投入与产出资金，分析其是否为DEA有效，并建立评估模型。首先采用2013-2017年数据联合计算DEA有效分析结果。再使用神经网络对其抽象成的分类模型进行拟合，使用2013-2016年数据进行训练，2017年数据进行验证。 问题 -------- 内生误差