高送转定义及政策影响 [page::2]

• 上交所、深交所2018年4月发布高送转信息披露指引，明确主板、中小板、创业板不同门槛。

- 新规强化对高送转的限制条件，包括减持限制、净利润连续增长及每股收益等要求。

送转影响因子及其逻辑分析 [page::3]

| 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 | — |

• 高价股、股本较低、上市时间短以及持续成长性强的公司具备更高高送转倾向。

- 利润分配风格、政策变动显著影响高送转表现。

Probit模型构建与预测方法 [page::4][page::5]

• 使用Probit模型对高送转概率进行二分类回归预测。

- 样本外预测验证了模型有效性，预测概率越高命中率越高，90%以上概率时命中率接近80%。

• 2016年受政策影响预测准确率有所回落，2017年预测组合准确率达80%。

2018年预测结果及回归参数 [page::7][page::6]

• 2018年剔除政策异常的2017年数据，采用2014-2016年数据构建模型。

- 关键显著变量包括股价、总股本、上市年限、每股资本公积和EPS(TTM)。

• 预测的2018年高送转金股组合包括多只高概率股票，供投资参考。

| 股票代码 | 股票简称 | 高送转概率 |
|--------------|------------|-------------|
| 300695.SZ | 兆丰股份 | 89.43% |
| 300747.SZ | 锐科激光 | 83.10% |
| 300473.SZ | 德尔股份 | 76.94% |
| 603773.SH | 沃格光电 | 75.89% |
| 601799.SH | 星宇股份 | 74.03% |
| 603666.SH | 亿嘉和 | 68.14% |
| 603180.SH | 金牌厨柜 | 67.85% |
| 002393.SZ | 力生制药 | 60.13% |
| 002757.SZ | 南兴装备 | 55.80% |
| 603639.SH | 海利尔 | 54.65% |

核心结论与风险提示 [page::0]

• Probit模型有效捕捉高送转概率，成为投资选股的重要量化工具。

- 历史数据验证高送转预测具有较高准确率，但政策风险不可忽视，存在模型适用性限制。

证券研究报告：基于 Probit 模型的 2018 年度高送转预测 — 详尽分析报告

---

一、元数据与概览

报告标题：《金融工程——基于 Probit 模型的 2018 年度高送转预测》

发布机构： 天风证券股份有限公司研究所

报告发布时间： 2018年11月15日

作者及联系方式：

• 吴先兴 分析师（执业证书号 S1110516120001，邮箱 wuxianxing@tfzq.com，电话 18616029821）

- 陈奕 分析师（执业证书号 S1110517080005，邮箱 chenyi@tfzq.com）

研究主题：
本报告聚焦于监管新规出台背景下，利用经济计量Probit模型预测2018年中国上市公司的“高送转”概率。高送转指上市公司通过送股或转增股本的方式提高股票流动性和吸引力的行为，受到监管政策影响显著。

核心论点及结论概要：

• 证券交易所自2018年4月4日出台高送转新规，强化信息披露与限制违法违规行为，显著影响高送转现象与预测模型。

- 以股价、总股本、上市年限等为基本因子，结合成长性、时序性及政策因子，构建Probit概率模型。

• 模型在样本外预测（2010-2016年间）表现稳定，预测准确率尤其在概率大于90%时稳定在80%左右。

- 2017年的高送转公司数量骤减，且监管环境发生变化，模型回归样本排除2017年数据以避免误差。

• 基于回归参数和新规则，预测2018年高送转概率较高的公司名单，辅助投资组合构建。

- 风险提示显著，强调历史准确率不能保证未来表现，政策风险不可控。

整体而言，作者通过结合严谨的统计模型和政策实务，对高送转现象提出系统性预测工具，具有较好的实践应用价值。[page::0,2,4,5,7]

---

二、逐节深度解读

2.1 高送转新规（第2页）

关键论点：
报告回顾了2018年4月4日上交所与深交所联合发布的《上市公司高送转信息披露指引（征求意见稿）》，此举延续了此前2015年和2016年相关规定，针对操纵高送转行为强化了制度约束。新规明确了主板、中小板和创业板的高送转标准（分别为10送转5以上、10送转8以上和10送转10以上），并细化了必要条件，如净利润连续增长、每股收益限制及限制董事高管减持等。

支撑逻辑：
监管针对高送转“概念炒作”现象，意在抑制信息操纵和内幕交易，确保市场透明度和公正性。条件限制旨在甄别业绩优良且有合理权益分配需求的公司。

总结条款对比核心：

• 连续两年净利润增长，且每股收益不低于1元（特殊情况下可豁免但须披露风险）。

- 送转比例不得超两年净利润复合增长率，特殊情况下可参考净资产增长率。

• 净利润负值或大幅下滑、送转后每股收益低于0.2元的禁止实施。

- 控股股东及高管三个月内不得减持，有限售股解禁限制。

此节奠定了预测模型优化的基础，说明政策变更是模型设计的重要调整维度。[page::2]

---

2.2 送转影响因素分析（第3页）

关键论点：
报告基于历史研究，将影响高送转的因素划分为四大类：基本因子、成长因子、时序因子和新增的政策因子。

详解各因子：

• 基本因子： 股价越高、高送转动机更强，低总股本和短上市年限有利于提高送转概率。

- 成长因子： 代表公司实力的每股未分配利润、资本公积、现金流及EPS均为高送转实施的必要财务保障。

• 时序因子： 过去三年的送转和分红比率反映分配风格，中报送转比率反映年度送转节奏，且中报送转高时，年报高送转可能性降低。

- 政策因子： 新规带来限制，政策因子对预测模型影响显著，成为此次模型调整的关键。

因子影响方向及机制：
表2中的“+”或“-”指示因子与高送转概率的预期正负相关。高价股和高成长财务指标正相关，较高的历史送转比率也意味着未来送转倾向。负向影响因子如中报送转比率表示年中已送转，年末再高送转概率减弱。

该部分深入揭示了模型变量选择的合理性和经济解释。[page::3]

---

2.3 Probit 模型构建（第4页）

关键论点：
采用经济计量中的 Probit 模型来预测上市公司是否高送转（因变量为二分类0/1）。Probit模型的优势在于其累积分布函数（标准正态分布）能够将自变量线性组合后映射至0-1的概率区间，适用于预测事件发生概率。

公式解析：
\( Pi = F(Zi) = \Phi(\alpha + \beta Xi) \) ，其中 \( \Phi \) 是标准正态分布函数，\( Xi \)为解释变量向量，α与β为回归系数。

模型优点：

• 适合二分类因变量

- 以概率形式表达结果，符合高送转概率预测需求

• 通过回归估计自变量对应关系

图1直观展现了Probit模型的概率分布形态，与线性概率模型的区别，强调其在边界概率预测上的优势。

通过该模型，作者实现了基于多因子定量计算高送转概率的目标。[page::4]

---

2.4 样本外预测效果验证（第5页）

关键论点：
通过对2010年至2016年数据进行样本外预测，检验Probit模型的预测准确度。预测过程采用前三年（滑动窗口）数据，剔除总股本及上市年限不符要求的样本，然后拟合模型。

数据分析：
表3显示，在不同预测概率阈值（50%到95%）下，模型预测的命中率随着阈值提升而提高。例如在2010年，当预测概率超过90%时，命中率达到约80%；越高阈值对应模型越高置信度，命中率更好。

2016年命中率较前几年略有下降，主要因监管政策影响使得高送转行为减少，模型未能完全捕捉政策新变化。

2017年实际应用方面，报告列出金工高送转金股组合，验证预测准确度达到80%，仅两支股票未实施高送转，体现了模型的实际适用性。

该部分佐证了模型的稳定性与有效性，进一步为2018年的预测奠定基础。[page::5]

---

2.5 2017年及2018年预测结果（第6-7页）

2017年预测回顾：
表4列出了2017年预测列表中概率较高的股票及其送转比率，其中绝大多数实现了实际送转，个别例外（如金牌厨柜、勘设股份未送转），综合预测准确率达80%。

高送转公司数量趋势：
图2展示了2010至2017年高送转公司数量变化，2017年受到监管限制，公司数量急剧下降，表明数据分布剧烈波动。

2018年模型调整：
鉴于监管态势变化及2017年数据异常，报告采取剔除2017年数据，仅以2014-2016年数据样本重新回归拟合模型，体现报告对模型稳健性的重视。

回归结果（表5）：

• 统计显著的变量包括：股价（显著正相关）、总股本（显著负相关）、上市年限（正相关）、每股资本公积（正相关）、EPS (TTM)（正相关）。

- 每股未分配利润、现金流及时序相关变量未显著。

• 常数项不显著，表明解释变量较好覆盖样本解释力。

2018年预测名单（表6）：
基于新规及新模型参数，列出2018年度天风金工推荐的高送转股票组合，包括兆丰股份、锐科激光、德尔股份等，概率区间在55%-89%。

该节体现了模型迭代与实践应用的结合，利用政策理解修正历史数据对预测的影响。[page::6,7]

---

2.6 分析师声明与免责声明（第8页）

报告明确分析师独立执业资质，并声明内容版权及使用范围，强调报告中信息为表达个人看法，非买卖邀请，风险自担，且会因市场变动或信息更新而调整观点，兼顾利益冲突声明，增强研究透明度与合规性。

---

三、图表深度解读

3.1 表1：高送转新规与旧规条款对比（第2页）

说明： 对比了2018新规条件与2015、2016年旧规主要条款，突出净利润、送转比例限制、减持禁令等关键变化。

解读： 新规更严格，要求连续净利润增长，强化信息披露，限定送转比例对应财务指标，限制大股东操作，反映监管重点转向风险管控。

逻辑联系： 为理解预测模型中政策因子的设定提供制度背景。[page::2]

---

3.2 表2：送转影响因子与预测方向（第3页）

说明： 汇总基本因子、成长因子、时序因子对高送转概率的预期影响。

解读： 大部分财务成长指标与高送转正相关，体现资本实力保障；总股本负相关符合理财学流通股数量对价格影响的理论；中报送转比率与年末送转呈负相关，反映时序逻辑。

文本呼应： 明确说明了模型构建中变量选择及其经济含义。[page::3]

---

3.3 图1：Probit模型概率分布（第4页）

说明： 曲线展示Probit模型与线性概率模型的区别，Probit模型具备S型（Sigmoid）特征，更合理映射概率区域。

解读： 边界概率（接近0或1）时，线性模型会超出合理范围，而Probit模型自然收敛到合理区间，提高预测准确性。

联系文本： 支撑第4页关于模型科学性的论述，强化方法论基础。[page::4]

---

3.4 表3：样本外送转概率命中率（第5页）

说明： 不同预测阈值（50%-95%）下，历年命中率统计，右侧数字为实际命中率及名义送转数量。

解读： 整体呈现随概率提升，命中率提升趋势，模型对高概率事件准确。2016年命中率下降反映监管影响模型需要调整。

意义： 验证模型稳定性及政策对预测准确率的限制作用，是报告后续2018年模型调整的实证依据。[page::5]

---

3.5 表4：2017年预测结果（第6页）

说明： 列出2017年预测概率最高的十大股票及其送转比率。

解读： 多数预测概率均在90%以上，实际送转比率反映预测符合实际高送转执行情况。两只股票未送转反映市场实际操作可能受多重因素影响。

意义： 展示模型实际应用绩效，说明模型的投资组合价值。[page::6]

---

3.6 图2：2010-2017年高送转公司数量（第6页）

说明： 柱状图展示2010年至2017年每年高送转公司数量。

解读： 2014年以后数量显著增长，于2017年因新规政策锐减，下滑至最低点。

联系文本： 反映监管政策产生深远影响，导致2017年数据异常，作者因此选择剔除该年数据以提高2018预测模型有效性。[page::6]

---

3.7 表5：2018年回归参数（第7页）

说明： 列出2018年回归自变量及对应系数、P值及其理论方向。

解读：

• 股价为最显著正向变量，系数1.103，P值极小(1e-14 )，表明股价越高高送转可能性越大。

- 总股本系数负且显著，逻辑支持低股本更倾向于高送转。

• 上市年限、每股资本公积、EPS均正向显著，反映成长性和资本实力至关重要。

- 多个变量如每股未分配利润、现金流未显著，显示其影响有限。

意义： 体现模型变量筛选的科学性和各指标的重要程度，为2018年预测提供参数基础。[page::7]

---

3.8 表6：2018年天风金工高送转金股组合（第7页）

说明： 列出2018年预测概率较高的10只股票。

解读： 预测概率从89%至55%不等，反映不同公司高送转倾向，体现模型在实际投资构建中的应用价值。

联系文本： 结合政策规定与模型参数，提供投资者高送转潜力公司的参考名单。[page::7]

---

四、估值分析

本报告核心为高送转预测，无涉及具体个股估值模型（如DCF、P/E等）的详细讨论。预测基于Probit计量经济学模型，通过概率的形式反映事件风险和可能性。模型输入因子包括股价、财务指标及政策变量，回归系数表征各因子的影响强度和方向。

模型通过最大似然估计样本回归系数，计算预测概率。没有传统估值的直接讨论，但预测概率可视为对市场潜在变动的一种量化参考。

---

五、风险因素评估

• 历史准确性风险： 报告强调历史样本外回测优异表现并不保证未来预测准确率，历史经验具有局限性，未来环境变化可能影响模型效果。

- 政策风险： 交易所或监管政策进一步调整的不确定性，可能导致模型假设失效或相关变量关系改变。

• 市场行为风险： 个别公司可能因管理层意图、内幕信息或其他非公开因素而偏离模型预期。

- 数据风险： 模型高度依赖准确、及时的财务及市场数据，数据变动或错误也会影响预测效果。

缓解策略主要在于加强对政策变动的跟踪，模型定期更新及结合多维信息研判，降低单一模型依赖风险。[page::0,5]

---

六、批判性视角与细微差别

• 模型显著变量中部分成长因子（如每股未分配利润、现金流）未达到统计显著，提示财务指标影响低于预期，或数据质量、样本选择存在局限。

- 2017年政策剧变导致样本外预测准确率下降，反映模型对政策冲击敏感，可能存在过度依赖历史数据而未充分反映政策环境动态调整的风险。

• 预测概率阈值选择影响命中率，投资者需要结合实际风险偏好调整操作策略。

- 部分送转未实际发生（如2017年个别股票）提示模型虽高准确率但仍存在误判，投资需审慎结合其他基本面分析。

• 该模型对股价变量的依赖较重，可能掺杂一定市场预期或技术面因素，对于基本面较弱但是股价高企股票存在误判风险。

综上，报告虽科学严谨，但需警惕政策变动和市场非理性行为带来的预测偏差。[page::5,7]

---

七、结论性综合

本报告系统构建并验证了基于Probit模型的高送转概率预测体系，结合政策新规对历史风格和财务指标进行了调整，以适应2018年监管环境变化。主要结论如下：

• 政策影响深化预测变量体系： 在基本因子、成长因子和时序因子基础上该报告创新加入政策因子，使模型更适应当前监管环境，体现高送转预测的制度适应性。

- 样本外预测准确率较高： 2010-2016年高送转预测中，特别是高概率区间（>90%）的准确率接近或超过80%，验证了模型的实际预测能力。

• 2017年监管新政导致样本异常： 公司数量急剧下降，模型准确率回落，反映政策对市场行为的显著影响，促使2018年预测模型样本剔除2017年，体现审慎的模型设计思路。

- 回归结果显示股价、总股本、上市年限及每股资本公积、EPS等是高送转预测核心指标，体现了市场预期、公司成长性和政策限制的综合作用。

• 2018年预测名单为投资者提供了具体可操作的高送转潜力股，突显模型实际应用价值。

图表数据支持观点：

• 表3的送转命中率数据表明概率区间与实际高送转正相关。

- 图2展示高送转数量变动历程，反映政策拐点。

• 表5回归结果统计证明显著变量的合理性和模型的稳定性，支撑整个预测框架。

总的来说，作者通过严密的计量模型结合深刻的政策理解，实现了对中国资本市场“高送转”现象的有效预测，为投资决策和市场监督提供科学参考。

---

综上所述，报告呈现对中国高送转行为的系统建模与政策适应性调整，展示了Probit模型在金融工程领域的有效应用，投资建议基于科学分析，风险提示明确，具有较高参考价值。[page::0,2,3,4,5,6,7]

报告