论文笔记《基于EWA的股权分置改革对价均衡研究》
1 股改方案下的收益
非流通股股东收益
πn(K)=(1−K⋅Rf/Rn)⋅P1−P\pi_n(K) = (1 - K \cdot R_f / R_n) \cdot P_1 - P πn(K)=(1−K⋅Rf/Rn)⋅P1−P
流通股股东收益
πf(K)=(1+K)⋅P1−P0\pi_f(K) = (1 + K ) \cdot P_1 - P_0 πf(K)=(1+K)⋅P1−P0
【思考】流通股股东的收益公式很好理解,非流通股股东收益我是这样理解的:从非流股里抽出一部分分给流股股东。
- P0P_0P0 股改前股票市场价格
- PPP 每股净资产,P<<P0P << P_0P<<P0
- P1P_1P1 股改后,市场价格
- nnn 非流通股股东,πn\pi_nπn 非流通股股东每股收益,RnR_nRn 非流通股比例
- fff 流通股股东,πf\pi_fπf 流通股股东每股收益,RfR_fRf 流通股比例
- 公式(1)
- P⋅Rn+P0⋅Rf=P1P \cdot R_n + P_0 \cdot R_f = P_1P⋅Rn+P0⋅Rf=P1
- 公式(2)
- πn(sn)=(1−sn⋅Rf/(10⋅Rn))⋅P1−P\pi_n(s_n) = (1 - s_n \cdot R_f / (10 \cdot R_n)) \cdot P_1 - Pπn(sn)=(1−sn⋅Rf/(10⋅Rn))⋅P1−P
- πf(sn)=(1+sn/10)⋅P1−P0\pi_f(s_n) = (1 + s_n/10 ) \cdot P_1 - P_0πf(sn)=(1+sn/10)⋅P1−P0
- 公式(3)
- πn(sn,sf)=πn(sn)⋅P(sfY)\pi_n(s_n,s_f)=\pi_n(s_n)\cdot P(s_f^Y)πn(sn,sf)=πn(sn)⋅P(sfY)
- πf(sn,sf)=πf(sn)\pi_f(s_n,s_f)=\pi_f(s_n)πf(sn,sf)=πf(sn)
- P(sfY)P(s_f^Y)P(sfY) 非流通股股东接受sns_nsn的概率。
- snks_n^ksnk 非流通股股东的对价率策略。(每10股流通股获得的赠股数)
问题1 非流通股比例
论文中第5页中,
- P0P_0P0 公司股改获准公告日前30天的收盘均价
- PPP 股改前一年公司的每股净资产值
- P1P_1P1 股改后的理论预期股价
但是我并没有在论文中找到RnR_nRn非流通股比例 和 RfR_fRf 流通股比例。
文中说: P0=6.856P_0=6.856P0=6.856,P=3.349P=3.349P=3.349,P1=4.523P_1=4.523P1=4.523,再加上Rn+Rf=1R_n + R_f = 1Rn+Rf=1,我推算出来:Rn=0.66524R_n=0.66524Rn=0.66524, Rf=0.33476R_f=0.33476Rf=0.33476。这两个数对吗?
问题2 收益是指每股收益吗?
上图是我计算出来的收益,与论文 中给的差异较大,但是趋势类似,双方利益均衡的策略都是在5和6之间。我是用的自己推算出来的比例,但是不知道我是哪里计算不对?
2 对价博弈学习模型的策略魅力值更新方程
Ank(t)=φ⋅N(t−1)⋅Ank(t−1)+[δ+(1−δ)⋅I(snk(t),sn(t))]⋅πn(snk(t),sf(t))N(t−1)⋅φ⋅(1−ρ)+1A_n^k(t) = \frac {\varphi \cdot N(t-1) \cdot A_n^k(t-1) + [\delta + (1-\delta) \cdot I(s_n^k(t), s_n(t))] \cdot \pi_n(s_n^k(t), s_f(t)) } {N(t-1) \cdot \varphi \cdot (1 - \rho) + 1} Ank(t)=N(t−1)⋅φ⋅(1−ρ)+1φ⋅N(t−1)⋅Ank(t−1)+[δ+(1−δ)⋅I(snk(t),sn(t))]⋅πn(snk(t),sf(t))
- N(t−1)N(t-1)N(t−1) 计算t时期策略魅力值时,考虑t-1期魅力值所赋予的权重。
- φ\varphiφ 魅力值衰退系数,因为博弈过程中参与者所面临的对手、环境不同、遗忘等原因使得策略的有效性下降。φ∈(0,1)\varphi \in (0,1)φ∈(0,1)
- δ\deltaδ 赋予未选择策略收益的权重,它受到被放弃策略收益的信息估计及其可靠度的影响。δ∈(0,1)\delta \in(0,1)δ∈(0,1)
- ρ\rhoρ 魅力值增长控制系数,不同的值代表参与者对过去博弈经验的学习速度。
- I()I()I() 指标函数,当ttt时期策略sn(t)=snk(t)s_n(t)=s_n^k(t)sn(t)=snk(t)时为1,否则为0。
3 博弈参与者下期采用该策略的概率
pnk(t+1)=exp(λ⋅Ank(t))Σt=110exp(λ⋅Anl(t))p_n^k(t+1) = \frac {\exp(\lambda \cdot A_n^k(t))} {\Sigma_{t=1}^{10} \exp(\lambda \cdot A_n^l(t))} pnk(t+1)=Σt=110exp(λ⋅Anl(t))exp(λ⋅Ank(t))
- λ\lambdaλ 策略魅力值反应敏感度
[2.77910033e-02 2.77910033e-02 2.49941864e-01 4.99867142e-011.94608986e-01 9.99868007e-11 9.99868007e-11 9.99868007e-119.99868007e-11 9.99868007e-11]
这是我计算出来的首轮策略选取概率,与论文中基本一致。
问题3
在计算魅力值更新方程时N(t−1)N(t-1)N(t−1)的是如何算出来的?
论文笔记《基于EWA的股权分置改革对价均衡研究》相关推荐
- 论文笔记之Understanding and Diagnosing Visual Tracking Systems
Understanding and Diagnosing Visual Tracking Systems 论文链接:http://dwz.cn/6qPeIb 本文的主要思想是为了剖析出一个跟踪算法中到 ...
- 《Understanding and Diagnosing Visual Tracking Systems》论文笔记
本人为目标追踪初入小白,在博客下第一次记录一下自己的论文笔记,如有差错,恳请批评指正!! 论文相关信息:<Understanding and Diagnosing Visual Tracking ...
- 论文笔记Understanding and Diagnosing Visual Tracking Systems
最近在看目标跟踪方面的论文,看到王乃岩博士发的一篇分析跟踪系统的文章,将目标跟踪系统拆分为多个独立的部分进行分析,比较各个部分的效果.本文主要对该论文的重点的一个大致翻译,刚入门,水平有限,如有理解错 ...
- 目标跟踪笔记Understanding and Diagnosing Visual Tracking Systems
Understanding and Diagnosing Visual Tracking Systems 原文链接:https://blog.csdn.net/u010515206/article/d ...
- 追踪系统分模块解析(Understanding and Diagnosing Visual Tracking Systems)
追踪系统分模块解析(Understanding and Diagnosing Visual Tracking Systems) PROJECT http://winsty.net/tracker_di ...
- ICCV 2015 《Understanding and Diagnosing Visual Tracking Systems》论文笔记
目录 写在前面 文章大意 一些benchmark 实验 实验设置 基本模型 数据集 实验1 Featrue Extractor 实验2 Observation Model 实验3 Motion Mod ...
- Understanding and Diagnosing Visual Tracking Systems
文章把一个跟踪器分为几个模块,分别为motion model, feature extractor, observation model, model updater, and ensemble po ...
- CVPR 2017 SANet:《SANet: Structure-Aware Network for Visual Tracking》论文笔记
理解出错之处望不吝指正. 本文模型叫做SANet.作者在论文中提到,CNN模型主要适用于类间判别,对于相似物体的判别能力不强.作者提出使用RNN对目标物体的self-structure进行建模,用于提 ...
- ICCV 2017 UCT:《UCT: Learning Unified Convolutional Networks forReal-time Visual Tracking》论文笔记
理解出错之处望不吝指正. 本文模型叫做UCT.就像论文题目一样,作者提出了一个基于卷积神经网络的end2end的tracking模型.模型的整体结构如下图所示(图中实线代表online trackin ...
- CVPR 2018 STRCF:《Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking》论文笔记
理解出错之处望不吝指正. 本文提出的模型叫做STRCF. 在DCF中存在边界效应,SRDCF在DCF的基础上中通过加入spatial惩罚项解决了边界效应,但是SRDCF在tracking的过程中要使用 ...
最新文章
- php 中文 处理,PHP处理中文字符串截取
- DOM性能瓶颈与Javascript性能优化
- 系统ICP通信参数配置
- python与数学的故事_我与数学的故事作文800字
- php守护进程内存溢出,$serv-close($fd); 服务端主动断开客户端有问题!
- json无法解析的字符
- java帧结构_Java虚拟机运行时栈帧结构--《深入理解Java虚拟机》学习笔记及个人理解(二)...
- 用Java+Html+MySQL 实现注册、登录(servlet框架)-(一)
- python数字运算程序_python03 一些简单的数字运算
- 联合索引会创建几个索引_联合索引在B+树上的存储结构及数据查找方式
- 计算机应用水平考试dream,2016年职称计算机Dreamwaver使用教程:操作环境
- PGM:贝叶斯网表示之朴素贝叶斯模型naive Bayes
- 二位数组的示例 go语言
- C语言以科学计数法的格式打印
- IDA install keystone
- 物理内存管理-ucore操作系统的PADDR宏
- PYTHON对接国际验证码接口
- 毕业学位论文常见问题总结
- iPhone 忘记了密码怎么办?
- CRM系统优化工作效率与质量
热门文章
- 一篇文章搞定矩阵相关概念及意义--通俗解释汇总
- 发布者(Pbulisher)的编程实现
- 【peoplesoft】许可权列表查询SQL
- thymeleaf 的 th:onclick,慢慢采坑
- 新概念二册 Lesson 40 food and talk进餐与交谈( 现在进行时vs将来进行时+虚拟语气假设现在)
- 想辞职做自媒体怎么样?
- 【笔记】能量感知汽车网络物理系统中功能安全目标保证的可靠性增强(只记录算法相关)
- python程序设计课程设计_《Python程序设计》课程教学大纲
- BAAI 2020 北京智源大会 | 邢波 | A Blueprint of Standardized and Composable Machine Learning
- Jarry的目标跟踪学习笔记一