《基于 Probit 模型的 2019 年度高送转预测》证券研究报告详尽分析
一、元数据与报告概览
- 报告标题:基于 Probit 模型的 2019 年度高送转预测
- 作者:吴先兴、陈奕 分析师(SAC执业证书编号分别为 S1110516120001 与 S1110517080005)
- 发布机构:天风证券研究所
- 发布日期:2019 年 11 月 12 日
- 研究主题:高送转股票预测(针对中国 A 股上市公司送转方案的概率性质分析和预测)
- 核心论点:
- 基于改进的 Probit 模型,结合 2018 年 4 月交易所高送转新规,对 2019 年高送转进行预测。
- 2018 年市场高送转数量大幅下降,市场更多出现“低”送转现象。
- 预测中利用基本因子、成长因子、时序因子与政策因子四大变量体系。
- 模型在历史样本外预测中表现优异,2017 年预测准确率达 80%。
- 结合政策约束条件,形成 2019 年高送转预测名单,辅助投资决策。
整体上,本报告的目的是为市场投资者提供基于统计模型和最新政策环境下高送转个股的概率分析和预测,辅助客户把握高送转主题中的潜在投资机会,降低政策风险。
二、逐节深度解读
1. 2018 年预测总结
-
关键论点:
- 2018 年仅3家公司达到官方高送转标准:泰禾集团、亿联网络、裕同科技。
- 本报告对 2018 年高送转的预测命中率较好,成功捕捉到亿联网络。
- 2018 年市场明显趋向“低”送转,低于40%的送转占比近60%。原因主要是监管对两年复合增速、每股收益的限制影响。
-
数据点解读:
- 表1列出2018年关注的“高送转金股组合”名单及其送转比率。
- 表2详细展示2015至2018年不同送转比例区间的公司数量及占比,明显体现2018年送转比例显著降低的趋势。
-
结论推断:
- 鉴于实际送转习惯与政策约束,为更精确反映市场实际,预测模型中调整高送转标准(送转比率降至40%以下纳入高送转预测范畴),更符合市场演变趋势和政策环境。
2. 送转影响因素分析
-
章节核心:
- 送转因素分四大类:基本因子(股价、总股本、上市年限)、成长因子(未分配利润、资本公积、现金流、EPS)、时序因子(历史送转、分红行为)、政策因子(高送转新规影响)。
- 各因子对高送转的影响方向逻辑明确,本文强调政策因子加入后能更合理反映送转概率。
-
详细解读:
- 基本因子:例如股价和总股本是提高股票流动性的核心动因;上市时间短代表成长阶段,更易高送转。
- 成长因子:资本公积和未分配利润的充足是实施高送转的财务基础。
- 时序因子:公司历史利润分配方式连续性对当年送转存在显著影响。
- 政策因子:新规限制为预防内幕交易及信息操纵而设,因此对模型筛选结果进行合理合规性过滤。
-
表格3清晰列举了每个因子的影响方向和逻辑,形成模型变量体系的理论基础。
3. 2018 年 4 月高送转新规因素
-
监管背景:
- 新规出台背景是打击高送转背后可能的违规行为,如内幕交易、合谋操纵。
- 新规明确高送转定义标准(主板10送5以上等),并列出了详细的限制条款。
-
新规重点限制条件:
- 减持限售情况限制:前三月及后三月不得减持及限售股解禁。
- 净利润与每股收益门槛的严格要求。
- 特别条款允许某些并购重组或高业绩公司突破部分限制,但须充分披露风险。
-
对模型的影响:
- 以政策因子对预测结果进行筛选,确保高送转名单符合监管要求,增加预测的可靠性与合规性。
4. Probit 模型构建与样本外测试
-
模型选择:
- 采用 Probit 模型,适合因变量为二元变量(是否高送转),通过正态累计分布函数计算个股高送转的概率。
-
模型原理:
- 因变量“是否高送转”用0/1表示。
- 自变量为上述四类因子中的显著指标。
- 函数形式为标准正态累积分布函数,便于描述概率。
-
样本外预测流程:
- 以前三年数据预测某年高送转,如预测2010年用2007-2009年数据。
- 样本筛选剔除总股本过大(>50亿)或上市年限过长(>10年)公司。
- 通过逐步筛选显著变量拟合模型,得到最终回归参数。
- 输入预测年份的相关变量,输出每家公司高送转概率。
-
模型预测效果(表5):
- 对比2010-2016年,对超过不同概率阈值公司实际送转的命中率统计。
- 高概率阈值对应更高命中率(如>90%概率下,2010年80%命中),显示预测准确率较高。
- 2016年因政策影响准确率有限,反映政策调整对市场行为的冲击。
- 2017年组合预测准确率高达80%。
-
图1(Probit概率分布)说明:
- 展示 Probit 函数的 S 型曲线,加权概率截断,体现概率在0-1区间的合理映射。
5. 2019 年预测结果
-
模型回归参数(表7):
- 2019年模型回归结果中,显著性极强的变量包括股价(正相关,P=0)、总股本(负相关,P=0)、每股资本公积(正相关,P=0)等。
- 股价和总股本依旧是核心驱动因子。
- 每股未分配利润系数倒挂略显异常(负相关,边界显著性P=0.0502),这里提示潜在复杂性,或与政策影响有关。
- 近三年送转比率依旧是强正向因子。
-
2019年预测名单(表8):
- 筛选得到 2019 年高送转概率介于51%~79%的10家公司。
- 核心股票如思维列控、兆易创新等具备较高预期概率。
- 预测结果结合政策因子筛选,兼具市场化逻辑与合规强约束。
三、图表深度解读
表1:2018 年高送转金股组合
- 展示当年关注的10家公司的股票代码、名称及送转比率。
- 亿联网络100%送转率,是唯一公司完全符合高送转标准且得到命中。
- 其他公司送转率如兆丰股份未披露,存在一定的不确定性。
- 反映该年高送转积极性较低。
表2:2015-2018 年高送转比例分布
- 数据显示2015-2017年高送转(>50%送转)公司占比较大,2018年大幅下降至18.34%。
- 低送转(0-40%)占比在2018年达到近60%。
- 趋势反映监管趋严、市场心态保守。
- 作者基于此调整模型门槛,更贴合市场情况。
表3:送转影响因子及其方向
- 以表格形式罗列因子分类、具体指标及预测影响方向。
- 体现股价总股本等指标逻辑正负效应,如股价高有更强高送转动因。
- 方便理解因子对概率建模的贡献和直观逻辑支撑。
表4:高送转新规与旧规对比
- 详细罗列新旧规比对条款,包括每股送转比例与净利润增长约束、减持限制等具体规定。
- 反映政策从松散向严格转变,设计目的为抑制送转背后可能的违规操作。
- 为后续模型策略筛选提供政策验证依据。
图1:Probit 模型概率分布图
- S 型曲线展示 Probit 模型相较线性概率模型的优势,即概率限制在0到1之间,边界行为合理。
- 为后续概率预测提供数学基础,增强模型解释力度。
表5:样本外送转概率与实际命中率
- 多年数据对比,高送转概率阈值越高,实际送转的命中率越高。
- 证明模型具有良好的判别能力和有效性。
- 2016年准确率下降体现政策风险对模型的影响。
- 2017年组合预测准确达80%,模型实用性强。
表6:2017年预测结果
- 罗列当年高送转概率、实际送转比率的公司名单。
- 金牌厨柜、勘设股份为未送转的例外,表明模型预测亦非完美。
- 综合表现验证过去模型效果。
表7:2019年回归参数
- 给出自变量系数及P值,验证变量显著性与方向。
- 重点变量如股价总股本、资本公积具有高度显著性。
- 上市年限系数近乎零但正向显著,体现成长性因素被调节。
- 正负系数体现因素复杂作用机制。
表8:2019年天风金工高送转金股组合
- 核心预测组合,展示企业名单和预测概率。
- 提供给投资者潜在高送转投资标的。
- 高送转概率中等偏高,预示实际送转的不确定性。
四、估值分析
本报告不直接涉及估值测算和估值模型,例如市盈率、DCF等具体计算方法,而是聚焦于概率模型的建构与预测。虽然未涉及传统估值,报告中以 Probit 模型的概率输出为核心投资依据,辅以政策因子筛选,形成实用且较为稳健的预测框架。
五、风险因素评估
-
明确风险提示:
- 历史回测不代表对未来准确率承诺:模型基于历史数据训练和验证,但未来若市场、政策发生较大变化,预测准确率可能下降。
- 政策风险不可控:高送转受政策调控影响大,突发新法规和监管动作可能导致实际表现偏离预期。
-
报告未额外提出缓解策略,投资者需结合政策动态及市场状况谨慎操作。
六、批判性视角与细微差别
-
模型假设与限制:
- Probit 模型依赖可量化因子,若部分因子(如政策约束细节、市场非理性情绪)难以捕捉,则预测存在盲点。
- 变量之间可能存在多重共线性或异方差等统计问题,报告未详细说明模型诊断结果。
- 2019年模型中个别变量系数符号反常(未分配利润负相关),提示或存在数据噪音或遗漏变量偏误。
-
政策影响强烈:
- 2016年预测准确率下降,反映模型对政策频繁调整的响应滞后。
- 政策因子虽引入,但政策的不确定性可能仍难以全面消除风险。
-
样本筛选限定:
- 排除总股本过大及上市时间过长公司,限制了模型的普适性,可能忽视部分大盘中成熟公司的行为。
-
实际操作:
- 预测概率与实际送转比率存在差异,二者不完全等价,需结合市场其他技术面和基本面信号实现综合决策。
七、结论性综合
本报告系统构建了一个基于 Probit 模型的高送转股票概率预测体系,充分结合了基本、成长、时序与政策四大因子的综合影响,且通过历史样本外测试验证了模型较高的预测准确率,特别在概率阈值较高时,命中率稳健体现模型的优越性。2018年“低”送转特征明显,模型将送转比率标准调整低至40%,贴合市场趋势,提高预测针对性。政策因子的引入及详细解读,凸显本报告对监管环境风险的重视,增强预测名单的合规性与实操性。
最终,2019年预测名单中的高送转概率因子清晰、数据充分,给投资者提供实用参考。报告也坦诚指出政策及历史回测所带来的局限和风险,提醒投资者注意政策红线,避免过度依赖模型机械操作。本报告是一个结合数据分析与政策解读的综合金融研究成果,具备较高的实践指导价值。
图表与数据的深刻见解:
- 历年送转比率数据直观展现市场送转风格转变,强调严监管下传统高送转方式的受限与低送转的市场现实。
- 模型预测概率与实际命中率的对应关系充分说明统计方法在行为金融领域的应用可能及局限。
- 新规条款对送转合规门槛的提升,是影响市场行为的重要变量,模型中政策因子的设计合理且必要。
- 回归结果显示各个财务及市场因子,对送转行为的影响存在显著性差异,揭示企业财务结构与市场表现对高送转策略选择的关系。
整体表明,报告不仅是模型介绍,更将统计分析与制度环境紧密结合,形成了一套理论与实务并重的高送转预测框架。
,1,2,3,4,5,6,7]