[论文解读] Wavelet-Based Prediction for Governance, Diversification and Value Creation Variables

Inès Kahloul, Anouar Ben Mabrouk+1 more|arXiv (Cornell University)|Nov 23, 2010

Economic and Technological Systems Analysis参考文献 20被引用 11

一句话总结

本文提出了一种基于小波的动态重构方法，用于填补法国企业（1995–2005年）治理、多元化和价值创造变量中的缺失数据，其在准确性和抗噪能力方面优于神经网络。该方法将时间序列分解为多尺度分量，从而实现对缺失值的精确插补，同时保持时间域与频域的局部化特性。

ABSTRACT

We study the possibility of completing data bases of a sample of governance, diversification and value creation variables by providing a well adapted method to reconstruct the missing parts in order to obtain a complete sample to be applied for testing the ownership-structure/diversification relationship. It consists of a dynamic procedure based on wavelets. A comparison with Neural Networks, the most used method, is provided to prove the efficiency of the here-developed one. The empirical tests are conducted on a set of French firms.

研究动机与目标

• 解决实证研究中企业治理、多元化和价值创造领域数据不完整的关键挑战。
• 开发一种稳健的动态方法，用于重构金融变量短期年度时间序列中的缺失值。
• 将所提出的基于小波的方法与最广泛使用的替代方法——神经网络进行对比验证。
• 实现完整数据采样，以测试公司金融领域所有权结构/多元化关系。
• 支持未来研究，利用完全重构的数据集探讨多元化战略的决定因素及其后果。

提出的方法

• 利用离散小波包变换（WP）将治理、多元化和价值创造的时间序列分解为多尺度分量。
• 基于小波系数实施一种基于时间域与频域局部化的动态重构程序，以估计缺失值。
• 采用达布奇内斯10（db10）小波进行信号分解，利用其紧支撑性和消失矩特性。
• 通过在各尺度上组合近似系数与细节系数，重构缺失数据，从而最小化噪声放大。
• 使用均方根误差（RMSE）和相对误差（ROE）指标，在真实值与预测值之间验证重构精度。
• 将小波方法的预测结果与相同小波框架下的显式重构结果以及神经网络基准进行比较。

实验结果

研究问题

• RQ1 基于小波的重构方法能否有效恢复短期年度时间序列中治理、多元化和价值创造变量的缺失数据？
• RQ2 对于存在观测缺失的金融时间序列，基于小波的插补方法在准确性和抗噪能力方面与神经网络相比如何？
• RQ3 基于小波的重构在多大程度上保持了原始信号特征和时间动态特性？
• RQ4 所提出的方法能否使在不完整数据集上对所有权结构/多元化关系进行可靠实证检验成为可能？
• RQ5 重构误差对下游金融分析和模型有效性有何影响？

主要发现

• 对于DMC公司2000年的ROE，小波方法实现了0.1124的平均RMSE，预测值为0.0361，实际值也为0.0361，表明精度极高。
• 在2005年，小波方法对ROA变量的预测值为0.0259，与实际值完全一致。
• 2002年，小波方法将ROE重构为0.0331，与实际值0.0331高度吻合，表现出一致的性能。
• 小波方法在重构精度方面优于神经网络，尤其在减少短时间序列中噪声放大的影响方面表现更优。
• 使用小波包值（WPV）进行显式重构的结果与小波预测值相当，验证了该方法的一致性。
• 小波方法成功重构了1995至2005年间69家法国企业的缺失数据，使未来研究中对所有权与多元化关系的完整样本分析成为可能。