審計(jì)的基本分類范文

前言：我們精心挑選了數(shù)篇優(yōu)質(zhì)審計(jì)的基本分類文章，供您閱讀參考。期待這些文章能為您帶來(lái)啟發(fā)，助您在寫作的道路上更上一層樓。

第1篇

關(guān)鍵詞：苯丙胺；精神障礙；護(hù)理

【中圖分類號(hào)】R473.74 【文獻(xiàn)標(biāo)識(shí)碼】B 【文章編號(hào)】1672-3783(2012)06-0507-01

苯丙胺（Amphetamine）是一種中樞興奮藥及抗抑郁癥藥。因靜脈注射具有成癮性，而被列為。 苯丙胺類物質(zhì)是一組以苯丙胺為母體結(jié)構(gòu)經(jīng)人工合成后作用于中樞神經(jīng)系統(tǒng)興奮劑，主要有甲基苯丙胺（俗稱冰毒）、亞甲基二氧基甲基苯丙胺（俗稱）及其他苯丙胺類精神興奮劑，屬于禁用藥物中的刺激劑[1]。其濫用可導(dǎo)致人類在心理、生理及精神上出現(xiàn)障礙。目前濫用趨勢(shì)已經(jīng)超過(guò)了海洛因、可卡因等傳統(tǒng)非法精神活性物質(zhì)。

苯丙胺類興奮劑可引起黑質(zhì)多巴胺神經(jīng)末梢損害和中樞神經(jīng)系統(tǒng)廣泛區(qū)域的5- 羥色胺神末梢的破壞，同時(shí)導(dǎo)致永久性尾狀核多巴胺的耗竭，導(dǎo)致腦內(nèi)多巴胺、去甲腎上腺素和5- 羥色胺含量和活性的改變。治療量苯丙胺連續(xù)應(yīng)用幾個(gè)月，能產(chǎn)生軀體依賴，大劑量使用可引起錯(cuò)覺(jué)、幻覺(jué)。一般應(yīng)用苯丙胺類藥物幾個(gè)月可引起精神病，有誘因的病人即使使用治療量也可引發(fā)癥狀，與精神分裂癥偏執(zhí)型相似，以情感生動(dòng)及視幻覺(jué)多見，多為一過(guò)性，停藥2-3 天癥狀消失。但妄想持續(xù)時(shí)間可達(dá)幾周或幾個(gè)月。

近年來(lái)以苯丙胺類藥物為代表的新型使用的人群正在不斷擴(kuò)大蔓延呈快速上升的趨勢(shì)。在臨床上怎樣對(duì)住院患者實(shí)施安全有效地管理和護(hù)理，對(duì)有效控制精神癥狀及回歸社會(huì)至關(guān)重要，現(xiàn)將2009年1月-2011年12月3年來(lái)本病房收治的12例苯丙胺類興奮劑所致精神障礙患者的安全管理和護(hù)理報(bào)告如下。

1 臨床資料

12例患者均符合CCMD-3中精神活性物質(zhì)所致精神障礙的診斷標(biāo)準(zhǔn)，首次入院診斷為“ 苯丙胺類興奮劑所致精神障礙”。吸食苯丙胺類藥物前無(wú)精神障礙，無(wú)陽(yáng)性家族史，全部為男性，年齡19-33歲，平均年齡(26±2)歲。無(wú)正式工作8例，經(jīng)商2例，企事業(yè)單位2例。已婚4例，未婚8例。吸食時(shí)間2個(gè)月-42個(gè)月，均為燙吸。臨床表現(xiàn)為幻視、被害妄想、緊張恐懼、胡言亂語(yǔ)、無(wú)故哭笑、行為紊亂、興奮，沖動(dòng)傷人、睡眠差。12例患者經(jīng)治療后均好轉(zhuǎn)或痊愈。

2 一般治療

對(duì)于有戒斷癥狀比較明顯的首先對(duì)癥處理戒斷癥狀，斷絕接觸精神活性物質(zhì)。在12 例患者的治療中，都應(yīng)用了中小劑量抗精神病藥物，也有使用抗抑郁劑、情感穩(wěn)定劑的。對(duì)戒斷癥狀及震顫譫妄較明顯的患者采用靜滴氯硝西泮，逐步減少劑量。

3 護(hù)理工作

3.1 護(hù)理評(píng)估:首先護(hù)士通過(guò)觀察、交談、軀體和精神按摩等方法收集患者有關(guān)的健康資料給予評(píng)估，根據(jù)評(píng)估的結(jié)果對(duì)患者做出針對(duì)性的、個(gè)體化護(hù)理。評(píng)估內(nèi)容主要為：活動(dòng)過(guò)程、認(rèn)知過(guò)程、生態(tài)過(guò)程、情緒過(guò)程、人際互動(dòng)過(guò)程、生理過(guò)程。通過(guò)以上評(píng)估，可以進(jìn)一步了解病人的心理、生理狀況，進(jìn)而發(fā)現(xiàn)病人主要存在的護(hù)理問(wèn)題。

3.2 護(hù)理措施:安全管理：新型所致精神障礙患者的社會(huì)背景復(fù)雜，人生觀、價(jià)值觀存在偏差，生活習(xí)慣散漫，對(duì)于其的護(hù)理工作應(yīng)該認(rèn)真的對(duì)待安全工作，包括嚴(yán)格執(zhí)行病區(qū)安全檢查制度，適當(dāng)?shù)募s束保護(hù)制度，充分與患者及家屬溝通，避免醫(yī)患之間及患者之間的沖突。尤其避免患者沖動(dòng)傷人、毀物及自殘的發(fā)生。

飲食護(hù)理：新型有抑制食欲的作用，患者生活飲食無(wú)規(guī)律，使用抗精神病藥物的抑制作用，往往患者的飲食狀況不佳，特別是住院一周內(nèi)。所以應(yīng)特別注意患者的飲食情況：對(duì)于胃腸功能紊亂的患者，可提供流質(zhì)、半流營(yíng)養(yǎng)豐富的飲食，并注意少量多餐。

服藥護(hù)理：患者出現(xiàn)精神障礙后需要藥物治療，最常用的是口服藥物，所以保證藥物按時(shí)按量服入很重要。服藥要有專人督促檢查，每次服藥后要檢查口腔及指縫，以防藏藥或吐藥。拒藥者首先應(yīng)耐心勸說(shuō)和解釋，必要時(shí)予以鼻飼藥物。應(yīng)密切觀察患者服藥后的藥物副反應(yīng)，尤其是人院前24h內(nèi)有過(guò)使用史，入院后使用抗精神病藥物者，應(yīng)注意觀察患者的覺(jué)醒時(shí)間和狀態(tài)，警惕患者因吸食興奮后抑制和抗精神病藥物的鎮(zhèn)靜作用疊加而使患者過(guò)度鎮(zhèn)靜。

輔助患者日常生活的護(hù)理：苯丙胺依賴者多數(shù)癥狀比較嚴(yán)重，一般狀態(tài)差，精神狀態(tài)差，生活自理能力下降或喪失，做好基礎(chǔ)護(hù)理工作。督促或協(xié)助病人洗澡更衣，保持床單清潔，對(duì)于大小便不能自理者應(yīng)做好皮膚護(hù)理，防止發(fā)生壓瘡。幫助病人養(yǎng)成良好的作息制度，給病人創(chuàng)造安靜的睡眠環(huán)境。

心理護(hù)理：醫(yī)護(hù)人員應(yīng)樹立一切為病人服務(wù)的思想，重視病人，主動(dòng)與病人談心，講解戒毒知識(shí)。宣傳的危害性，耐心解釋治療的內(nèi)容。鼓勵(lì)病人堅(jiān)持治療，積極參加各種文體活動(dòng)，改變生活方式，矯正扭曲的人生態(tài)度。

小結(jié) 新型的濫用形勢(shì)越來(lái)越嚴(yán)峻，受其毒害的患者也不斷增加。本病房收治的12名患者雖然都有較好的愈后，但是面對(duì)此類病人開展治療與落實(shí)護(hù)理工作時(shí)遇到的阻力與困難使我們深刻體會(huì)到：苯丙胺類所致精神障礙一般癥狀比較復(fù)雜，治療護(hù)理及管理難度大。對(duì)患者的治療與干預(yù)是從多個(gè)方面進(jìn)行的。無(wú)論是心理還是生理上的治療，如不能密切配合，則難以取得滿意的效果。

第2篇

P鍵詞：深度學(xué)習(xí)；文本分類；多類型池化

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）35-0187-03

1 引言

為了進(jìn)行分類，我們建立句子模型來(lái)分析和表示句子的語(yǔ)義內(nèi)容。句子模型問(wèn)題的關(guān)鍵在于一定程度上的自然語(yǔ)言理解。很多類型的任務(wù)需要采用句子模型，包括情感分析、語(yǔ)義檢測(cè)、對(duì)話分析、機(jī)器翻譯等。既然單獨(dú)的句子很少或基本不被采用，所以我們必須采用特征的方式來(lái)表述一個(gè)句子，而特征依賴于單詞和詞組。句子模型的核心是特征方程，特征方程定義了依據(jù)單詞和詞組提取特征的過(guò)程。求最大值的池化操作是一種非線性的二次抽樣方法，它返回集合元素中的最大值。

各種類型的模型已經(jīng)被提出?；诔煞謽?gòu)成的方法被應(yīng)用于向量表示，通過(guò)統(tǒng)計(jì)同時(shí)單詞同時(shí)出現(xiàn)的概率來(lái)獲取更長(zhǎng)的詞組。在有些情況下，通過(guò)對(duì)詞向量進(jìn)行代數(shù)操作生成句子層面的向量，從而構(gòu)成成分。在另外一些情況下，特征方程和特定的句法或者單詞類型相關(guān)。

一種核心模型是建立在神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上。這種模型包含了單詞包或者詞組包的模型、更結(jié)構(gòu)化的遞歸神經(jīng)網(wǎng)絡(luò)、延遲的基于卷積操作的神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)模型有很多優(yōu)點(diǎn)。通過(guò)訓(xùn)練可以獲得通用的詞向量來(lái)預(yù)測(cè)一段上下文中單詞是否會(huì)出現(xiàn)。通過(guò)有監(jiān)督的訓(xùn)練，神經(jīng)網(wǎng)絡(luò)能夠根據(jù)具體的任務(wù)進(jìn)行良好的調(diào)節(jié)。除了作為強(qiáng)大的分類器，神經(jīng)網(wǎng)絡(luò)模型還能夠被用來(lái)生成句子[6]。

我們定義了一種卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并將它應(yīng)用到句子語(yǔ)義模型中。這個(gè)網(wǎng)絡(luò)可以處理長(zhǎng)度不同的句子。網(wǎng)絡(luò)中的一維卷積層和多類型動(dòng)態(tài)池化層是相互交錯(cuò)的。多類型動(dòng)態(tài)池化是一種對(duì)求最大值池化操作的范化，它返回集合中元素的最大值、最小值、平均值的集合[1]。操作的范化體現(xiàn)在兩個(gè)方面。第一，多類型池化操作對(duì)一個(gè)線性的值序列進(jìn)行操作，返回序列中的多個(gè)數(shù)值而不是單個(gè)最大的數(shù)值。第二，池化參數(shù)k可以被動(dòng)態(tài)的選擇，通過(guò)網(wǎng)絡(luò)的其他參數(shù)來(lái)動(dòng)態(tài)調(diào)整k的值。

卷積層的一維卷積窗口對(duì)句子特征矩陣的每一行進(jìn)行卷積操作。相同的n-gram的卷積窗口在句子的每個(gè)位置進(jìn)行卷積操作，這樣可以根據(jù)位置獨(dú)立地提取特征。一個(gè)卷積層后面是一個(gè)多類型動(dòng)態(tài)池化層和一個(gè)非線性的特征映射表。和卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中的使用一樣，為豐富第一層的表述，通過(guò)不同的卷積窗口應(yīng)用到句子上計(jì)算出多重特征映射表。后續(xù)的層也通過(guò)下一層的卷積窗口的卷積操作計(jì)算出多重特征映射表。最終的結(jié)構(gòu)我們叫它多類型池化的卷積神經(jīng)網(wǎng)絡(luò)。

在輸入句子上的多層的卷積和動(dòng)態(tài)池化操作產(chǎn)生一張結(jié)構(gòu)化的特征圖。高層的卷積窗口可以獲取非連續(xù)的相距較遠(yuǎn)的詞組的句法和語(yǔ)義關(guān)系。特征圖會(huì)引導(dǎo)出一種層級(jí)結(jié)構(gòu)，某種程度上類似于句法解析樹。這種結(jié)構(gòu)不僅僅是和句法相關(guān)，它是神經(jīng)網(wǎng)絡(luò)內(nèi)部所有的。

我們將此網(wǎng)絡(luò)在四種場(chǎng)景下進(jìn)行了嘗試。前兩組實(shí)驗(yàn)是電影評(píng)論的情感預(yù)測(cè)[2]，此網(wǎng)絡(luò)在二分和多種類別的分類實(shí)驗(yàn)中的表現(xiàn)都優(yōu)于其他方法。第三組實(shí)驗(yàn)在TREC數(shù)據(jù)集（Li and Roth， 2002）上的6類問(wèn)題的分類問(wèn)題。此網(wǎng)絡(luò)的正確率和目前最好的方法的正確率持平。第四組實(shí)驗(yàn)是推特的情感預(yù)測(cè)，此網(wǎng)絡(luò)將160萬(wàn)條微博根據(jù)表情符號(hào)自動(dòng)打標(biāo)來(lái)進(jìn)行訓(xùn)練。在手工打標(biāo)的測(cè)試數(shù)據(jù)集上，此網(wǎng)絡(luò)將預(yù)測(cè)錯(cuò)誤率降低了25%。

本文的概要如下。第二段主要闡述MCNN的背景知識(shí)，包括核心概念和相關(guān)的神將網(wǎng)絡(luò)句子模型。第三章定義了相關(guān)的操作符和網(wǎng)絡(luò)的層。第四章闡述生成的特征圖的處理和網(wǎng)絡(luò)的其他特點(diǎn)。第五章討論實(shí)驗(yàn)和回顧特征學(xué)習(xí)探測(cè)器。

2 背景

MCNN的每一層的卷積操作之后都伴隨一個(gè)池化操作。我們先回顧一下相關(guān)的神經(jīng)網(wǎng)絡(luò)句子模型。然后我們來(lái)闡述一維的卷積操作和經(jīng)典的延遲的神經(jīng)網(wǎng)絡(luò)（TDNN）[3]。在加了一個(gè)最大池化層到網(wǎng)絡(luò)后，TDNN也是一種句子模型[5]。

2.1 相關(guān)的神經(jīng)網(wǎng)絡(luò)句子模型

已經(jīng)有很多的神經(jīng)網(wǎng)絡(luò)句子模型被描述過(guò)了。 一種比較通用基本的模型是神經(jīng)網(wǎng)絡(luò)詞包模型（NBoW）。其中包含了一個(gè)映射層將單詞、詞組等映射到更高的維度；然后會(huì)有一個(gè)比如求和之類的操作。結(jié)果向量通過(guò)一個(gè)或多個(gè)全連接層來(lái)進(jìn)行分類。

有以外部的解析樹為基礎(chǔ)的遞歸神經(jīng)網(wǎng)絡(luò)，還有在此基礎(chǔ)上更進(jìn)一步的RNN網(wǎng)絡(luò)。

最后一種是以卷積操作和TDNN結(jié)構(gòu)為基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)句子模型。相關(guān)的概念是動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，我們接下來(lái)介紹的就是它。

2.2 卷積

一維卷積操作便是將權(quán)重向量[m∈Rm]和輸入向量[s∈Rs]進(jìn)行操作。向量m是卷積操作的過(guò)濾器。具體來(lái)說(shuō)，我們將s作為輸入句子，[si∈R]是與句子中第i個(gè)單詞相關(guān)聯(lián)的單獨(dú)的特征值。一維卷積操作背后的思想是通過(guò)向量m和句子中的每個(gè)m-gram的點(diǎn)積來(lái)獲得另一個(gè)序列c：

[ci=mTsi-m+1：i （1）]

根據(jù)下標(biāo)i的范圍的不同，等式1產(chǎn)生兩種不同類型的卷積。窄類型的卷積中s >= m并且會(huì)生成序列[c∈Rs-m+1]，下標(biāo)i的范圍從m到s。寬類型的卷積對(duì)m和s的大小沒(méi)有限制，生成的序列[c∈Rs+m-1]，下標(biāo)i的范圍從1到s+m-1。超出下標(biāo)范圍的si窄（i < 1或者i > s）置為0。窄類型的卷積結(jié)果是寬類型的卷積結(jié)果的子序列。

寬類型的卷積相比于窄類型的卷積有一些優(yōu)點(diǎn)。寬類型的卷積可以確保所有的權(quán)重應(yīng)用到整個(gè)句子，包括句子收尾的單詞。當(dāng)m被設(shè)為一個(gè)相對(duì)較大的值時(shí)，如8或者10，這一點(diǎn)尤其重要。另外，寬類型的卷積可以確保過(guò)濾器m應(yīng)用于輸入句子s始終會(huì)生成一個(gè)有效的非空結(jié)果集c，與m的寬度和s句子的長(zhǎng)度無(wú)關(guān)。接下來(lái)我們來(lái)闡述TDNN的卷積層。

4 驗(yàn)與結(jié)果分析

我們對(duì)此網(wǎng)絡(luò)進(jìn)行了4組不同的實(shí)驗(yàn)。

4.1 電影評(píng)論的情感預(yù)測(cè)

前兩組實(shí)驗(yàn)是關(guān)于電影評(píng)論的情感預(yù)測(cè)的，數(shù)據(jù)集是Stanford Sentiment Treebank.實(shí)驗(yàn)輸出的結(jié)果在一個(gè)實(shí)驗(yàn)中是分為2類，在另一種試驗(yàn)中分為5類：消極、略微消極、中性、略微積極、積極。而實(shí)驗(yàn)總的詞匯量為15448。

表示的是電影評(píng)論數(shù)據(jù)集情感預(yù)測(cè)準(zhǔn)確率。NB和BINB分別表示一元和二元樸素貝葉斯分類器。SVM是一元和二元特征的支撐向量機(jī)。在三種神經(jīng)網(wǎng)絡(luò)模型里――Max-TDNN、NBoW和DCNN――模型中的詞向量是隨機(jī)初始化的；它們的維度d被設(shè)為48。Max-TDNN在第一層中濾波窗口的大小為6。卷積層后面緊跟一個(gè)非線性化層、最大池化層和softmax分類層。NBoW會(huì)將詞向量相加，并對(duì)詞向量進(jìn)行非線性化操作，最后用softmax進(jìn)行分類。2類分類的MCNN的參數(shù)如下，卷積層之后折疊層、動(dòng)態(tài)多類型池化層、非線性化層。濾波窗口的大小分別7和5。最頂層動(dòng)態(tài)多類型池化層的k的值為4。網(wǎng)絡(luò)的最頂層是softmax層。5類分類的MCNN有相同的結(jié)構(gòu)，但是濾波窗口的大小分別為10和7，k的值為5。

我們可以看到MCNN的分類效果遠(yuǎn)超其他算法。NBoW的分類效果和非神經(jīng)網(wǎng)絡(luò)算法差不多。而Max-TDNN的效果要比NBoW的差，可能是因?yàn)檫^(guò)度池化的原因，丟棄了句子太多重要的特征。除了RecNN需要依賴外部的解析樹來(lái)生成結(jié)構(gòu)化特征，其他模型都不需要依賴外部資源。

4.2 問(wèn)題分類

問(wèn)題分類在問(wèn)答系統(tǒng)中應(yīng)用非常廣泛，一個(gè)問(wèn)題可能屬于一個(gè)或者多個(gè)問(wèn)題類別。所用的數(shù)據(jù)集是TREC數(shù)據(jù)集，TREC數(shù)據(jù)集包含6種不同類別的問(wèn)題，比如一個(gè)問(wèn)題是否關(guān)于地點(diǎn)、人或者數(shù)字信息。訓(xùn)練集包含5452個(gè)打標(biāo)的問(wèn)題和500個(gè)測(cè)試集。

4.3 Twitter情感預(yù)測(cè)

在我們最后的實(shí)驗(yàn)里，我們用tweets的大數(shù)據(jù)集進(jìn)行訓(xùn)練，我們根據(jù)tweet中出現(xiàn)的表情符號(hào)自動(dòng)地給文本進(jìn)行打標(biāo)簽，積極的或是消極的。整個(gè)數(shù)據(jù)集包含160萬(wàn)條根據(jù)表情符號(hào)打標(biāo)的tweet以及400條手工標(biāo)注的測(cè)試集。整個(gè)數(shù)據(jù)集包含76643個(gè)單詞。MCNN的結(jié)構(gòu)和4.1節(jié)中結(jié)構(gòu)相同。隨機(jī)初始化詞向量且維度d設(shè)為60。

我們發(fā)現(xiàn)MCNN的分類效果和其他非神經(jīng)網(wǎng)絡(luò)的算法相比有極大的提高。MCNN和NBoW在分類效果上的差別顯示了MCNN有極強(qiáng)的特征提取能力。

5 結(jié)語(yǔ)

在本文中我們闡述了一種動(dòng)態(tài)的卷積神經(jīng)網(wǎng)絡(luò)，它使用動(dòng)態(tài)的多類型池化操作作為非線性化取樣函數(shù)。此網(wǎng)絡(luò)在問(wèn)題分類和情感預(yù)測(cè)方面取得了很好的效果，并且不依賴于外部特征如解析樹或其他外部資源。

參考文獻(xiàn)

[1]. Yann LeCun， Le ?on Bottou， Yoshua Bengio， and Patrick Haffner. 1998. Gradient-based learning applied to document recognition. Proceedings of the IEEE， 86（11）：2278-2324， November.

[2]. Richard Socher， Alex Perelygin， Jean Wu， Jason Chuang， Christopher D. Manning， Andrew Y. Ng， and Christopher Potts. 2013b. Recursive deep mod- els for semantic compositionality over a sentiment treebank. In Proceedings of the 2013 Conference on Empirical Methods in Natural Language Process- ing， pages 1631C1642， Stroudsburg， PA， October. Association for Computational Linguistics.

[3]. Geoffrey E. Hinton. 1989. Connectionist learning procedures. Artif. Intell.， 40（1-3）：185C234.

[4]. Alexander Waibel， Toshiyuki Hanazawa， Geofrey Hinton， Kiyohiro Shikano， and Kevin J. Lang. 1990. Readings in speech recognition. chapter Phoneme Recognition Using Time-delay Neural Networks， pages 393C404. Morgan Kaufmann Publishers Inc.， San Francisco， CA， USA.

第3篇

【關(guān)鍵詞】PEG理論 資本市場(chǎng)有效性 凈利潤(rùn)增長(zhǎng)率

一、緒論

股票投資通常分為基本分析和技術(shù)分析。技術(shù)分析通過(guò)趨勢(shì)，形態(tài)，K線等分析方法?；痉治鲋饕ㄟ^(guò)研究股票的盈利性等方面，綜合判斷一個(gè)公司的綜合狀況從而確定是否進(jìn)行長(zhǎng)期投資。此外，著名投資大師彼得林奇在《戰(zhàn)勝華爾街》一書中提到PEG（市盈率相對(duì)盈率增長(zhǎng)指標(biāo)）理論，并將PEG指標(biāo)作為投資股票的重要指標(biāo)在其研究中得以成功應(yīng)用。在國(guó)內(nèi)，該理論尚未得到十足的認(rèn)證。

在國(guó)內(nèi)價(jià)值投資的概念以及關(guān)于價(jià)值投資最有效的方法沒(méi)有得到普遍的關(guān)注。由彼得林奇提出的PEG理論和歐奈爾提出的長(zhǎng)期投資的方法也在中國(guó)股市尚未得到大眾股民的普遍關(guān)注。現(xiàn)狀如此，但隨著資本制度的日趨完善以及中國(guó)審計(jì)質(zhì)量的逐漸提高，國(guó)家政策法規(guī)的監(jiān)管日趨嚴(yán)格以及群眾普遍意識(shí)的提高，中國(guó)股市的價(jià)值投資將會(huì)越來(lái)越得到投資者的關(guān)注和重視。

二、相關(guān)概念

（一）PEG概念及理論模型

PEG理論首次提出時(shí)由英國(guó)著名投資大師Jim Slater（1992）在他的著作《The Zulu Principle》中。首次為投資者所推崇是在2000年美國(guó)著名投資大師彼得林奇所著書《戰(zhàn)勝華爾街》中，PEG方法是其選擇股票的主要方法，PEG理論是綜合衡量了股票成長(zhǎng)性與盈利性的指標(biāo)。能夠反映公司未來(lái)盈利的預(yù)期。當(dāng)然，它也有其局限性。PEG=PE/G，即PEG等于市盈率除以盈利增長(zhǎng)率。在其后，Peter D.Easton完善了PEG在學(xué)術(shù)上未經(jīng)推到的遺憾，在學(xué)術(shù)上對(duì)PEG給出嚴(yán)密推理，并與彼得林奇在實(shí)踐中的結(jié)果完全吻合。

（二）資本市場(chǎng)有效性

有效市場(chǎng)理論即有效市場(chǎng)假說(shuō)由著名經(jīng)濟(jì)學(xué)家法瑪于1970年研究提出：若在一個(gè)證券市場(chǎng)中，價(jià)格完全反映了所有可以獲得的信息，那么就稱這樣的市場(chǎng)為有效市場(chǎng)。后有許多知名學(xué)者對(duì)有效市場(chǎng)理論進(jìn)行延伸與進(jìn)一步證明。

依據(jù)法瑪?shù)难芯?，有效市?chǎng)假說(shuō)有三種形式：弱式有效市場(chǎng)假說(shuō)，半強(qiáng)式有效市場(chǎng)假說(shuō)和強(qiáng)式有效市場(chǎng)假說(shuō)。在弱式有效市場(chǎng)下，不能通過(guò)技術(shù)分析獲得超額收益；在半強(qiáng)式有效市場(chǎng)下，不能通過(guò)基本面獲得超額收益；在強(qiáng)式有效市場(chǎng)下不能通過(guò)任何一種投資分析獲得投資超額收益。

三、數(shù)據(jù)研究及結(jié)論

（一）研究方法

本研究論證PEG理論的方法與以往其他學(xué)者研究方法有所不同。本研究著眼于PEG指標(biāo)的重要影響因素凈利潤(rùn)增長(zhǎng)率入手。PEG（市盈率增長(zhǎng)率）等于市盈率除以利潤(rùn)增長(zhǎng)率。因此，PEG指標(biāo)的重要影響因素是利潤(rùn)增長(zhǎng)率。因?yàn)槭杏实母叩筒⒉蛔阋苑从痴_的投資決策。研究方法為不同區(qū)間數(shù)據(jù)分析法。通過(guò)提取滿足自變量即凈年利潤(rùn)與第一季度同比利潤(rùn)率持續(xù)增長(zhǎng)的股票，比較其相應(yīng)階段股票收益情況與該時(shí)間段對(duì)應(yīng)股票市場(chǎng)收益情況。此外，在篩選出滿足凈利潤(rùn)增長(zhǎng)條件的股票的基礎(chǔ)上通過(guò)計(jì)算PEG指標(biāo)進(jìn)一步篩選出PEG小于等于1的股票，比較其考察期間股票池個(gè)股回報(bào)率與市場(chǎng)回報(bào)率的情況，從而得出結(jié)論。

（二）操作步驟

一是從國(guó)泰安數(shù)據(jù)庫(kù)中選擇2003～2013年度所有上市公司的“股票代碼”；“市場(chǎng)類型”；衡量公司利潤(rùn)的指標(biāo)“每股收益”；衡量單只股票收益情況“年個(gè)股回報(bào)率”；衡量市場(chǎng)平均收益情況“年市場(chǎng)回報(bào)率”等指標(biāo)。年市場(chǎng)回報(bào)率指標(biāo)是指國(guó)泰安數(shù)據(jù)庫(kù)中考慮現(xiàn)金紅利再投資的年市場(chǎng)回報(bào)率（等權(quán)平均法），其中包括上證A股年市場(chǎng)回報(bào)率，上證B股年市場(chǎng)回報(bào)率，深證A股年市場(chǎng)回報(bào)率，深證B股年市場(chǎng)回報(bào)率。

二是對(duì)2003～2013年度所有上市公司的每股收益處理：剔除銀行業(yè)數(shù)據(jù)。

三是分別篩選出2006年，2007年，2008年，2009年，2010年，2011年，2012年，2013年的前三年年每股收益增長(zhǎng)率，當(dāng)年第一季度同比前一年的每股收益增長(zhǎng)率均保持在20%以上的股票。

四是篩選出滿足以上每股收益增長(zhǎng)率條件的股票并查找這些股票對(duì)應(yīng)的市場(chǎng)分類，股票池中股票在研究年的年個(gè)股回報(bào)率。

五是按照年份，市場(chǎng)類型分類；并計(jì)算研究年份股票池中個(gè)股年回報(bào)率與所屬的股票市場(chǎng)在當(dāng)年的年市場(chǎng)回報(bào)率差額；計(jì)算各市場(chǎng)篩選出的股票池平均年個(gè)股回報(bào)率，并與對(duì)應(yīng)的股票市場(chǎng)的年市場(chǎng)回報(bào)率比較。

（三）數(shù)據(jù)分析

由圖可知上證B股中有三年沒(méi)有滿足每股收益增長(zhǎng)率的股票。在其余五年里，絕大多數(shù)股票個(gè)股回報(bào)率高于市場(chǎng)回報(bào)率。

（四）結(jié)論

由此可見，在前三年的每股收益增長(zhǎng)率及當(dāng)年第一季度同比每股收益增長(zhǎng)率維持在20%以上時(shí)，大部分股票的年個(gè)股回報(bào)率高于年市場(chǎng)回報(bào)率，只有少數(shù)股票當(dāng)每股收益率滿足增長(zhǎng)率條件時(shí)，其年個(gè)股回報(bào)率低于年市場(chǎng)回報(bào)率。

參考文獻(xiàn)

[1]樊越.PE，PEG指標(biāo)在選股中的有效性分析[J].現(xiàn)代經(jīng)濟(jì)信息，2010（20）.

[2]彼得林奇.成功投資學(xué).北京：機(jī)械工業(yè)出版社.2010.4.