报告系统性拆解并创新股息率计算方法,结合现金股利政策及分析师预期,实现了分红率和净利润的更精准预测,构建了基于预期股息率的SmartBeta组合,显著优于中证红利指数,胜率达77.8%,为红利策略投资提供了有效工具与策略框架。
| 年度 | 中证红利 | 预期高股息 | 超额股息率 |
|---|---|---|---|
| 2012 | 2.74% | 3.27% | 0.54% |
| 2013 | 3.29% | 3.88% | 0.59% |
| 2014 | 2.86% | 3.04% | 0.18% |
| 2015 | 3.07% | 2.93% | -0.13% |
| 2016 | 3.14% | 3.02% | -0.12% |
| 2017 | 3.16% | 3.32% | 0.16% |
| 2018 | 4.13% | 4.61% | 0.48% |
| 2019 | 4.17% | 4.45% | 0.28% |
| 2020 | 4.50% | 4.79% | 0.29% |
| 年度 | 预期红利组合 | 沪深300全收益 | 中证红利全收益 | 超额收益 |
|---|---|---|---|---|
| 全样本 | 258.78% | 116.37% | 202.41% | 明显超额 |
报告标题为《如何准确测算预期股息率?——量化选股系列之七》,由光大证券研究所祁嫣然、曲虹宇两位分析师联合撰写,发布时间为2022年8月24日。该报告聚焦于提升股息率指标的计算精准度,旨在基于现金股利政策全方位解析股息率的构成及其可预测部分,提出并验证一种预期股息率的计算框架及相关选股策略。
报告核心论点明确指出,股息率作为一个内涵丰富的价值因子,传统的静态和动态股息率计算存在较大缺陷,简单以历史分红除以市值的方式无法准确反映未来预期分红能力。要实现股息率的科学预测,需兼顾分红率、净利润及市值三个构成部分,且预测难度从高到低依次是市值>净利润>分红率。报告通过对市场中不同现金股利政策的识别和分类,结合分析师一致预期数据辅以历史数据外推,建立起一整套较为系统与科学的预期股息率预测模型。基于该模型构造的预期红利SmartBeta组合表现显著优于传统指数,且文章谨慎提示历史数据的使用风险。
关键论点
股息率作为反映公司分红回报的重要指标,内含价值信息丰富。一个高股息率公司需同时满足高盈利、高盈利预期和低估值等条件。单纯以历史股息率计算存在误导。其分红行为受现金充裕度、盈利能力、投资机会和负债偿债能力等多重因素影响。
传统计算方式缺陷
静态股息率仅用上一年度历史分红金额除以市值,存在历史分红波动大或行业生命周期变化带来的不准确性。以兖矿能源(600188.SH)为例,其历年分红金额波动剧烈,显示静态计算无法准确反映未来分红预期(图1、表1)。
动态股息率使用滚动12个月分红金额,但因分红时间节点错落,统计上会出现分红为零的短暂假象,具体如中国神华(601088.SH)动态股息率走势中出现的时间断点(图2、表2),反映统计误差而非真实预期。
报告将股息率分解为“预期股息率=预期分红率×预期净利润/市值”,强调市值因不可准确预测故用当前市值,净利润预测难度较大,主要依赖分析师一致预期数据,分红率受企业经营状况、行业和生命周期影响,可较高预测性(图3)。
进一步研究逻辑为“剔除大概率不分红股票 -> 分类预测分红率 -> 预测净利润 -> 构建预期股息率”。流程详见图4。
报告指出以下三类公司大概率不分红,需先剔除:
净利润为负的公司:分析显示,亏损公司仍可基于“未分配利润”进行少量分红,通常以固定较低金额派息为主(表3),如净利润为负时无历史派息则判定不分红。
净利润大幅下滑超过50%的公司:统计显示,此类公司超过67%不分红,分红额通常象征性(<0.1元/股),且分红概率随利润下滑幅度增大而下降(图5,表4)。
负债违约企业:债务偿还优先于分红,所有样本(2014-2022年间334起违约事件)违约公司未来三年均无分红能力(表5)。
总结后,实操中剔除上述三类股票,提高分红率预测准确性(章节2.1.4)。
现金股利政策作为预测核心,其类型分为:
固定每股派息政策:公司每年派息较为固定,与盈利无明显关联。以杭州银行(600926.SH)为例,基本每股收益波动明显,但税前每股派息长期稳定(图6、图7,表6)。预测采用历史均值。
固定分红比例政策:公司分红随盈余波动,分红率与基本每股收益显著相关。中国人寿(601628.SH)为典型代表,两者走势同向,分红比例存在高盈利增幅不完全传导(低Beta)现象(图8、图9,表7)。
异常分红剔除:剔除分红比例超过100%的极端数据点以免扰乱模型,如南玻A(000012.SZ)案例,异常数据显示异常分红影响拟合,剔除后模型更合理(图10、图11,表8)。
时序建模:建立线性WLS回归模型,以获得符合固定分红比例政策的股票,回归中将近年的数据赋予更高权重。回归指标拟合度(R2)中位数高达87%以上,说明大部分公司能用此模型描述(表9)。
对剩余非固定分红比例的股票,计算每股派息最大偏离幅度,当偏离小于50%判定采用固定每股派息政策(表10)。未能归类的按上期分红比例预测。
沪深300和中证500指数成分股中,固定分红比例公司占比均超过50%(图12、图13)。
净利润预测主要基于两种方法:
历史业绩线性外推:仅对业绩稳定的股票实施,即前三季度利润占全年净利润的比例偏差不超过10%视为稳定,稳定股票通过线性外推预测未来净利润(图14)。数据使用三季度完成后数据,二季度数据预测误差偏大(图15)。
分析师一致预期:覆盖广泛,准确性较线性外推优越(图16)。剔除分析师覆盖小于5人的股票,提高数据可靠性。
综合应用对分析师覆盖度高的股票用一致预期覆盖度低用线性外推或同期期(静态)预测。
针对股息率计算时点,依据分红公告进程划分:
预案公告日前,用上一年数据预测当年分红;
预案公告日至除权除息日间,使用实际分红数据;
除权除息后且三季报披露后,对次年进行分红预测。
相结合股利政策分类和净利润预测,预期股息率指标完成构建(图18、图19)。
与中证红利指数相比,基于预期股息率选出的高股息组合其未来实际股息率胜率达77.8%,且整体实际股息率表现优越,说明预期股息率预测的有效性(图20,表11)。
通过预期股息率指标,报告构建多个红利SmartBeta组合:
单一预期红利组合:以中证800和中证1000成分股为样本空间,筛选至少两年连续分红且盈利为正,按照预期股息率排名取前50只,股息率加权构造,回测显示优于中证红利和沪深300(图22,表13)。
“预期红利+高质量”组合:基于预期股息率和ROIC增强因子构建。ROIC增强由成长性、稳定性、持续性因子等加权综合形成,选取排名前50股票构建。相较纯红利指标提升显著(图23,表14)。
“预期红利+低波动”组合:结合预期股息率和过去一年波动率(标准差)筛选,构建低波动红利组合。该组合稳定性更好,收益优于中证红利和沪深300(图24,表15)。
报告强调股息率复杂且含有多维度信息,传统指数运行不充分利用其投资价值。通过对现金股利政策的时序分析和股息率拆分进行系统建模,结合分析师预期与历史业绩预测,实现股息率预测准确率显著提升。
检验表明,预期股息率组合作为红利选股工具,不仅实际股息率更优,而且构建的SmartBeta组合在收益与风险表现上均优于传统沪深300和中证红利指数。
风险提示也提醒报告基于历史数据,未来表现存在不确定性。
图1、表1(兖矿能源历年分红):显示2015-2021年分红金额由不到1亿元剧烈上升至近100亿元,静态股息率预测存在波动幅度过大的弊端。
图2、表2(中国神华动态股息率):刻画动态股息率统计的假"零值"断点,代表统计口径产生的误差,而非实际股利波动。
图3(股息率预测方法概述图):分红率具有较强可预测性,净利润受业务和市场影响较大,市值波动最大难预测。故通过预期分红率和净利润估算股息率。
图4(预期股息率研究流程图):明确预测框架流程:先剔除不分红公司,预测股利政策类别,再估计净利润。
图5、表4(净利润下滑与分红率关系):随着利润下滑比例增加,公司不分红的比例成正比提升。
图6、图7、表6(固定每股派息示意与杭州银行案例):“派息平稳,盈利波动”体现固定派息政策。
图8、图9、表7(固定分红比例示意与中国人寿案例):分红金额与盈利变化同步,且分红增减幅度小于盈利变化幅度。
图10-图11、表8(异常分红处理案例南玻A):剔除分红率>100%的异常值后,分红和盈利正态相关更为明显。
表9(回归拟合度统计):多数公司分红符合固定分红比例政策,R2中位数约87%。
表10(每股派息最大偏离幅度):超半数公司的每股派息波动超过50%,固定派息公司比例较少。
图12、图13(沪深300、中证500不同分红政策股票占比):固定分红比例公司占比较大,且逐年上升。
图14(历史业绩线性外推效果):业绩稳定股预测误差显著低于全样本。
图15(二季报与三季报预测MAE对比):三季报预测误差明显低于二季报。
图16(分析师预测与历史数据对比):分析师一致预期普遍较为准确。
图17、图18、图19(预期股息率构建流程及更新时点示意):梳理指标计算步骤和更新节点。
图20、表11(预期高股息组合与中证红利比较):预期股息率策略在多数年份实现超额股息收益。
图21、表12(红利类指数及其净值对比):多红利指数风格不同,表现差异明显。
图22、表13(预期红利组合净值与收益):超越传统红利类指数和沪深300。
图23、表14(预期红利+高质量组合):加入质量因子明显提升组合收益。
图24、表15(预期红利+低波动组合):低波动保守策略表现稳健优异。
报告主要为方法论及策略构建,未涉及传统估值模型(如DCF、PE多个倍数等)应用,主体为股息率指标构建与预测方法。估值层面通过预期股息率框架辅助投资决策。
主要风险来源于:
历史数据可能不代表未来,存在未来分红政策变化或市场环境变化风险。
预测模型依赖分析师一致预期数据,分析师偏差、预测覆盖不足可能降低预测准确度。
股利政策模式可能随企业生命周期调整产生不确定性。
报告对风险考虑较为充分,提示主要依赖历史数据驱动,存在结果不可复现的潜在风险。
报告预设固定分红比例和固定每股派息两大政策模型,未详尽覆盖现金红利政策全部复杂多变情况,部分公司分红政策更新动态可能影响预测准确性。
分析师一致预期作为净利润预测核心虽优于历史外推,仍存在明显偏高问题,需关注其偏差及覆盖盲点。
现金股利政策划分基于历史时间序列回归,忽略了周期突变、行业政策影响等潜在非线性因素。
组合构建以股息率为核心,但未充分披露组合换手率、交易成本影响,可能影响实操结果。
此份《如何准确测算预期股息率?》报告系统性地剖析了股息率指标的内在构成,指出传统静态或动态股息率指标存在的根本计算缺陷。以现金股利政策的时序回归建模为切入口,合理区分固定分红比例与固定每股派息两类典型模式,结合基于分析师一致预期及历史业绩线性外推的净利润预测方法,有效提升了预期股息率的预测精准度。通过严格筛选大概率不分红股票,剔除利润大幅下降及债务违约企业,报告构建了一套科学的多阶段股息率预测流程,兼顾实际数据更新时点。
实证结果显示,基于预期股息率构造的高股息组合在实际未来股息率上持续优于中证红利指数,胜率达77.8%。进而报告利用预期股息率因子成功打造了多个红利SmartBeta组合,包括强化质量和低波动策略的“红利+”组合,组合收益表现均领先沪深300和传统红利指数,说明该指标具备显著的选股和配置价值。
图表深入揭示了多个典型案例公司现金分红与盈利表现的实际动态,验证了分类建模的必要性和有效性。整体来看,报告立场明确且方案详细,实证稳健,具有很强的应用价值。唯需关注数据覆盖、模型简化假设及历史数据局限性带来的潜在风险。
因此,该报告为投资者和量化策略研究人员提供了一种创新、科学且实用的股息率计算方法与应用框架,推动股息率因子投资思路向更加精准和系统的方向发展。,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22]
以上即为本报告的详尽分析解构,涵盖标题信息、章节内容、关键数据点、图表解读、估值及风险考量、批判性意见及结论总结。
量化选股系列之七:如何准确测算预期股息率?.pdf