近年来,部分风投机构过于追求利益而大规模减持股份的短视性行为饱受诟病。这种现象不仅会对企业后续经营极为不利,还可能加剧二级市场运行风险。因此,有必要对影响风险投资减持的种种因素进行深入探讨。而现有关于风险投资减持影响因素的研究多立足于单一方面,缺少对影响规律的整体性把握。基于此,辨识影响风投减持的重要因素与次要因素,构建合理的减持预测模型,对于提高监管者调控的精准度和有效性就显得尤为必要。风险投资减持影响因素众多,且影响过程复杂、呈高度非线性特征,利用传统计量经济模型进行分析面临困难。而BP神经网络则由于具有多输入、不需考虑变量是否自相关、高度非线性映射功能,广泛应用于复杂非线性影响过程分析和预测研究。因此,本文以2010-2015中小板和创业板上市公司风投股东为样本、减持记录截止2017年12月31日,从被投资企业特征、风投机构自身特征、以及其它因素(政策、行业和板块)三个方面较系统地选取18个指标为输入变量,以风投减持比例为输出变量构建合适的BP网络模型,接着利用贡献率分析法求解出对风投减持贡献较大的几个指标;并针对几种典型情况作深入分析,旨在探讨高度非线性背景下风投减持与各重要指标之间关系的分析方法。最后利用求解出的重要指标构建了一个新的风险投资减持比例预测模型。研究发现:(1)净资产收益率、托宾Q值、风险投资背景、风险投资声誉、是否联合风险投资、政策因素、行业和板块这八大指标对我国风险投资股东在企业上市后的减持行为有重要影响。(2)对几种典型情况的分析结果表明,在同等约束条件下,风险投资减持比例与被投资企业净资产收益率关系迥异——对于非政府背景低声誉风投机构,两者呈负相关关系;对于非政府背景高声誉风投机构,两者呈倒U型曲线关系;而对于政府背景高声誉和低声誉风投机构,则均呈正相关关系。(3)以贡献率分析法求出的8大重要指标为输入变量建立新的预测模型,并进行了10次相互独立的测试,测试结果表明新模型的网络结构更为简单、训练误差和预测误差相比原模型也进一步降低。本文在风投减持的众多影响因素中求出了贡献率较大的指标,有助于监管者立足贡献率大的指标进行调控;且进一步相关性分析表明,风投减持并非全然意味着被投资企业的投资价值下降,普通投资者们亦可从中获取积极信息;最后建立的新预测模型,能够为普通投资者及监管者预测风投减持行为提供一定的参考。