本报告基于Probit模型精选基本因子、成长因子及时序因子,构建高送转概率预测模型,样本外回测显示模型命中率高达80%以上。2017年预测结果给出高送转概率前20只重点标的,助力投资决策参考。模型系数和历史样本外准确率验证了模型稳健性与实用性。
| 影响因子类别 | 具体因子 | 预计影响方向 |
|---|---|---|
| 基本因子 | 股价 | + |
| 总股本 | - | |
| 上市年限 | - | |
| 成长因子 | 每股未分配利润 | + |
| 每股资本公积 | + | |
| 每股现金流 | + | |
| EPS (TTM) | + | |
| 时序因子 | 近三年送转比率 | + |
| 近三年分红比率 | - | |
| 中报送转比率 | - |
| 概率阈值 | 2010年预测命中率 | 2011年预测命中率 | 2016年预测命中率 |
|---|---|---|---|
| >50% | 59% (162/274) | 60% (99/166) | 43.47% (100/230) |
| >70% | 67% (109/163) | 67% (31/46) | 50.82% (62/122) |
| >90% | 79% (53/67) | 79% (11/14) | 62.22% (28/45) |
| 因子 | 系数 | P值 | 影响方向 |
|---|---|---|---|
| 常数项 | -1.763 | <2e-16 *** | |
| 股价 | 0.01488 | <2e-16 *** | + |
| 总股本 | -1.322e-10 | 0.00411 ** | - |
| 上市年限 | 0.01759 | 0.04976 * | + |
| 每股未分配利润 | 0.1073 | 1.36e-06 *** | + |
| 每股资本公积 | 0.1497 | <2e-16 *** | + |
| 近三年送转比率 | 0.2133 | 8.88e-06 *** | + |
| 中报送转比率 | -0.5529 | 5.43e-06 *** | - |
| R² | 17.65% |
| 股票代码 | 股票简称 | 高送转概率 |
|---|---|---|
| 603444.SH | 吉比特 | 99.95% |
| 300613.SZ | 富瀚微 | 98.83% |
| 603368.SH | 柳州医药 | 97.73% |
| 002304.SZ | 洋河股份 | 97.18% |
| 603986.SH | 兆易创新 | 96.89% |
| 300618.SZ | 寒锐钴业 | 94.59% |
| 300616.SZ | 尚品宅配 | 93.65% |
| 002812.SZ | 创新股份 | 93.50% |
| 300628.SZ | 亿联网络 | 93.32% |
| 300533.SZ | 冰川网络 | 89.35% |
该报告以Probit回归模型为分析核心,识别并量化影响高送转概率的多个因子,形成一套系统化、高准确率的预测框架。通过回测历史数据,模型表现出较高命中率,尤其在预测高概率(90%以上)的送转事件中,准确率均保持在80%左右,尽管2016年因政策干预出现回落。报告最终发布2017年预测结果,列出了前20只高送转概率最高的个股,提供实务操作线索。报告中未直接给出评级和目标价,但通过“高送转金股组合”间接表达了看多相关股票的态度。
报告开篇强调每年10月,三季报即将发布的阶段,市场对年度利润分配方案(特别是因股本激增而稀释股价的高送转)存在强烈预期,且市场中高送转事件常能带来超额收益。由此,高送转行为的准确预测具备显著的策略价值和实践意义。
报告将影响送转的因子分为三大类别:
该部分陈述了因子预期的“正负影响方向”,为后续Probit模型变量设置提供依据。逻辑严密,符合财务和市场常理,特别强调了送转行为的持续性和积累效应。
因变量为“是否高送转”,等同于0/1二元变量,故采用Probit模型——一种基于正态分布函数映射的二项概率回归模型。该模型将多个影响因子的线性组合映射到0~1概率区间,反映公司高送转的概率。报告引用概率分布函数表达式,并通过图示(图1)形象描述模型映射关系。
此方法适合于二分类事件概率预测,避免了线性概率模型中概率界限外推问题,且能较好拟合非线性边际作用效果,技术选择合理。
采用2010-2016年数据,模型基于前三年数据拟合,预测当年送转行为。细致地筛选样本(排除总股本超50亿、上市年限超10年者),保证数据的同质性和精准度,剔除非显著变量以强化模型解释力。
模型预测结果通过表2展示,高送转概率大于某阈值时的“命中率”(即真实高送转占比)随阈值显著上升。如2010年>90%概率组命中率约81%,2011、2014年类似表现。
特别值得关注2016年因政策影响导致命中率下降,反映模型仍受外部政策环境限制。整体上,高概率预测的精准度强,表明模型具备实际应用价值。
此部分论证了模型的稳健性及可信度,且数据统计详尽,提供多年度检测,增强说服力。
运用2014-2016年数据重新回归,剔除不显著变量,最终模型选取9个自变量,系数与统计显著性(P值)列于表3。
显著正向影响变量(P值<0.05):
非显著或边缘显著变量:
模型拟合优度R²仅为17.65%,表明除已用变量外尚有部分影响因素未被捕捉,预测存在一定不确定性。
表4列出了2017年概率最高的20只股票组合,建议被视为高送转优质“金股”,为市场投资提供聚焦对象。
该表系统总结三大类因子中各项指标对高送转的预测方向,明确了正向(+)、负向(-)或非单一方向的预期。
该表为后续模型变量的筛选和预期影响提供基准,确保变量选择有理论依据。
图示比较线性概率模型与Probit模型映射的差异,强调Probit模型的S型(正态累积分布形式)曲线,在概率边界处(0和1附近)收敛,防止概率超出合理范围。此图辅助理解模型数学基础及其适用性。
此表以多层阈值展示预测概率和实际高送转比例,清晰体现模型的预测准确率随阈值提升而增长。
该表数据完整详实,支持模型实战可行性,且采用分年度和阈值细分的方式体现了模型的灵活性和区分度。
通过回归系数与P值体现变量的重要性:多个变量高度显著,体现出合理的经济解释。中报送转比率负向影响显著,符合逻辑:中报已高送转,年报可能不再高送转以避免重复。模型整体拟合度中等(R²=17.65%),反映实际市场中高送转行为影响因素复杂。
列出前20只预测概率最高个股,以概率数值排序,最高接近100%。为投资者提供明确的潜在高送转目标池,但报告未进一步解读具体公司基本面,强调概率模型统计预测的指导价值。
报告核心在概率模型预测,未涉及传统估值方式(如DCF、PE等),但通过“高送转概率”隐含预期市场价格提升的可能性。模型回归参数系数本质上即反映变量对潜在股价通过送转改变的影响机制。报告构建的Probit模型相当于为高送转行为进行概率赋值,是一种事件驱动型的量化策略分析,而非估值模型。
因此,此处不存在传统价格目标估值模型,仅能认为“高概率=潜在超额收益机会”,间接形成投资决策依据。
报告中特别提及2016年样本外预测准确率下滑,明确指出政策因素是重要风险因子,暗示政策变化可能导致模型稳定性下降。此外,2017年数据使用中报补全三季报数据,本身带来输入数据不足的风险。
报告亦含有免责声明,提醒历史回测不代表未来表现,且模型数据筛选存在样本抽取限制(如股本和上市年限限制),意味着对大型成熟企业覆盖不足,可能影响模型全面适用性。风险缓解主要依靠模型持续更新和数据回归再训练,以及谨慎看待模型预测结果。
除此之外,报告声明部分揭示潜在利益冲突和数据准确性不保证的风险,表明研究结论需结合投资者自身判断谨慎参考。
该报告系统构建并验证了基于Probit概率回归模型的高送转预测框架,成功将基本面、成长性及时序特征因子量化为概率值,结合严谨回测验证,显示该方法在过去较多数年对高送转事件的预测准确率达较高水平,特别在高概率阈值筛选中表现突出。
重点数据包括:
该模型提供投资者一个清晰的量化工具,从统计角度系统捕捉高送转机会,具有较强的实战策略指导意义。尽管如此,模型解释力度有限,且易受政策和数据完整性影响,提醒投资者结合公司基本面和宏观环境审慎应用预测结果。
总体来说,报告展现了对高送转事件深入的因子剖析与概率建模分析,结构严密,数据充分,为高送转策略提供了可信的量化支持和操作路径。
以上为对天风证券《基于 Probit 模型的 2017 年度高送转预测》报告的全面且细致的解构分析。
金融工程:基于Probit模型的2017年度高送转预测.pdf