“高送转”分布趋势及行业板块分析 [page::2][page::3][page::4]

• 2005至2013年，年度分红和“高送转”次数及比例整体呈上升趋势，2013年实施高送转公司占A股总股本的12.7%。

- 不同板块中，中小板和创业板实施高送转公司数量近年来超过主板，约为主板的4倍。

• 高送转集中在化工、机械设备、医药生物、计算机等行业，银行和钢铁行业占比较低。

关键影响因素量化分析 [page::4][page::5][page::6][page::7][page::8][page::9]

| 变量 | 描述 | 高送转公司均值明显高于非高送转公司 |
|----------------|--------------------------|----------------------------------------|
| 每股资本公积金 | 重要的资本基础，促进转增股本 | 是，且差异显著 |
| 每股留存收益 | 公司内部积累资金，支持送股 | 是，且差异显著 |
| 归属母公司净利润同比增长率 | 公司成长性指标 | 高送转公司一般较高但个别年份波动 |
| 平均股价 | 会计报告期最后一个月的股价 | 高送转公司股价持续高于非高送转公司 |
| 总股本 | 股本规模指标 | 高送转公司股本较小，约99.5%小于40亿股 |
| 平均上市时间 | 公司上市年限 | 上市时间较短的公司更易实施高送转 |
| 是否业绩预增 | 净利润预告增长标志 | 高送转公司业绩预增比例显著高于非高送转公司 |
| 是否次新股 | 上市不足一年新股 | 高送转公司中次新股比例较高，IPO暂停后下降 |

高送转预测模型构建与结果 [page::10][page::11][page::12][page::13]

• 采用2005-2014年的样本，剔除中期已实施高送转及股本大于40亿的公司，构建Logistic回归模型预测年度高送转概率。

- 8个影响变量纳入模型，公式：$\ln(\frac{pi}{1-pi})=\beta0+\sum{k=1}^8 \betak X{ki}+\epsilon_i$。

• 主要影响变量均具有显著统计意义（除净利润同比增长率、次新股接近显著），符号符合预期。

- 模型预测准确率达到77%，实施高送转预测正确率57%，未实施预测正确率92%。

• 2014年预测显示有39只股票实施高送转概率超过50%，其中多只知名股概率超80%，如贵州茅台、海隆软件等。

| 预测准确率指标 | 数值 |
|--------------------|-------|
| 预测实施高送转正确率 | 57% |
| 预测未实施高送转正确率 | 92% |
| 总体正确率 | 77% |

• 表5展示了预测概率超过50%的部分股票名单与相关关键财务指标[page::11][page::12]。

基于Logistic回归的“高送转”预测模型 — 深度分析报告解构

---

一、元数据与概览

• 报告标题：基于 Logistic 回归的“高送转”预测模型

- 作者与联系方式：麦元勋（maiyx@xyzq.com.cn，执业编号 S0190514030001）与任瞳（rentong@xyzq.com.cn，执业编号S0190511080001）

• 发布机构：兴业证券研究所

- 发布日期：2014年12月8日

• 研究主题：构建基于Logistic回归的统计模型，用以系统预测A股市场中年度“高送转”股票的实施概率，进而辅助投资决策。

报告核心论点与信息

本报告采用计量经济学中的Logistic回归方法，剖析并量化影响公司年度实施“高送转”行为的关键财务与市场变量，突破传统主观打分排序的预测方式，构建科学严谨的概率预测模型。重点发现与结论：

• “每股资本公积金”、“每股留存收益”、“平均股价”、“是否业绩预增”及“是否次新股”对实施“高送转”有显著正向影响。

- “总股本”和“平均上市时间”对“高送转”具有明显负向关系。

• 预测模型总体正确率达到77%，其中预测不实施“高送转”的准确率高达92%，实施的准确率为57%。

- 通过模型预测，2014年度有39只股票的“高送转”实施概率超过50%，其中7只股票预测概率超过80%（如贵州茅台等）[page::0,13]。

---

二、逐节深度解读

1. 引言

报告首先阐述了“高送转”现象的市场意义与投资价值。高送转一般作为公司财务健康和未来增长潜力的信号，吸引市场关注并推动股价表现。以往预测方法多为主观打分排序，存在科学性不足。因此，报告尝试引入计量模型——Logistic回归，既可以定量评估影响因素强弱，也能直接给出股票实施“高送转”的概率值，提升预测的科学性和稳定性[page::2]。

2. “高送转”的分布特征

（一）按年份划分

• 图1揭示“高送转”事件在2005-2013年呈现波动上升的趋势，2013年有319家公司实施，约占A股12.7%。年度分红次数和比例稳步上升，体现整体市场分红活跃度提升；“高送转”比例相对较小，且在2007、2010和2011年达到峰值，通常占分红样本的1/4左右[page::2,3]。

（二）按板块划分

• 图2显示，早期“高送转”主要分布于沪深主板，2008年以来中小板和创业板的实施数量逐步赶超主板，尤其2013年中小板和创业板合计为255家，是主板的4倍。原因在于中小板及创业板公司多为高成长新兴业态，更倾向于高送转操作以吸引投资者[page::3]。

（三）按行业划分

• 图3中，化工、机械设备、医药生物、计算机、电气设备和电子行业占“高送转”实施最多，合计占比超过50%。银行、钢铁等传统行业占比较低，反映新兴行业对融资及成长诉求强烈[page::4]。

3. 影响“高送转”实施的主要因素

报告选取8个关键变量，结合财务指标、市场表现及企业属性，详细分析各因素与实施“高送转”的关系。

（一）每股资本公积金（图4）

• 资本公积金主要来源于股票溢价发行，是公司累计资本性盈余的重要组成。每股资本公积金能衡量单位股本背后的资本积累实力，公积金充足意味着企业具备转增股份的财务基础。图中实施“高送转”公司普遍有更高每股资本公积金，且差异稳定显著[page::4]。

（二）每股留存收益（图5）

• 留存收益反映公司利润留存及再投资能力。同样，每股留存收益高的公司更容易通过送股实现资本扩张。图表显示实施“高送转”公司留存收益持续高于非实施公司，强化其作为关键驱动力的作用[page::5]。

（三）归属母公司股东净利润同比增长率（图6）

• 该指标体现公司的业绩成长性。除2007和2010年部分例外，实施“高送转”公司的净利润同比增长率一般高于未实施者，暗示增长预期与高送转存在正相关[page::5,6]。

（四）平均股价（图7）

• 选取报告期最后一个月的平均股价，显示实施“高送转”的股票价格较高，可能意味着公司愿意用高送转降低单股股价以吸引投资者，提升流通性[page::6]。

（五）总股本（图8，表1）

• 总股本规模反映公司的股本体量。图8展示实施“高送转”公司平均总股本普遍远低于未实施公司，表明较小股本规模更倾向于进行高送转。表1数据进一步细分，约99.5%实施公司总股本低于40亿股，支持模型筛选条件[page::7]。

（六）平均上市时间（图9）

• 平均上市时间越短，公司实施“高送转”的概率越高，体现次新股或新上市企业更愿以高送转吸引投资者[page::8]。

（七）业绩预增比例（图10）

• 有业绩预告显示净利润预增的公司，其实施高送转的比例明显较高，此变量体现业绩乐观预期对激励派送股权行为的驱动[page::8]。

（八）属于次新股比例（图11）

• 次新股定义为上市不足一年股票，资本公积金高且资金需求旺盛。图11显示，实施高送转公司中次新股比例显著高于未实施股，且该比例因IPO暂停后呈下降趋势[page::9]。

（九）中期是否“高送转”（图12）

• 数据显示中期已实施“高送转”的公司，年度重复实施概率极低（约3%以下），表明高送转行为通常不会在短期内重复发生，体现一定的周期性特征[page::9,10]。

---

4. “高送转”预测模型构建

报告采用Logistic回归（Logit模型）预测“高送转”实施概率，理由在于Logit模型适合二分类事件概率估计，输出为介于0-1的概率值，便于定量评估实施可能。

样本及变量说明

• 样本区间：2005年1月至2014年10月，涵盖多维度公司数据。

- 筛选规则：排除中期已实施“高送转”、总股本≥40亿股的公司，控制有效样本质量。

• 因变量D：二值变量，实施“高送转”为1，未实施为0。

- 自变量X1~X8：涵盖前述关键指标，包括财务数据、业绩预告及是否次新股的虚拟变量，量化具体影响因素[page::10,11]。

模型形式

\[
\ln\left(\frac{pi}{1-pi}\right)=\beta0 + \beta1X{1i} + ... + \beta8X{8i} + \varepsiloni
\]

其中 \(pi\) 为第i家企业实施“高送转”概率，\(\betaj\)为对应系数，采用最大似然估计法求解[page::10]。

估计结果

• 所有变量中，“每股资本公积金”（0.22）、“是否业绩预增”（0.94）及“每股留存收益”（0.13）的回归系数尤为显著，说明财务基础和预期增长是高送转意愿的首要推手。

- “总股本”（-0.05）及“平均上市时间”（-0.08）呈负相关，说明老股本大、公股时间长的企业高送转概率较低。

• 归属净利润同比增长率统计不显著，次新股变量在10%水平显著，表明成长性影响弱于财务实力及市场信号。

- 整体模型表现不错，总体预测准确率约77%，不实施预测准确率高达92%，对实施预测准确率为57%，说明模型更擅长识别非高送转股票的区分[page::11]。

5. 预测结果

• 结合2014年10月数据，模型计算出39只股票年度实施“高送转”的概率超过50%，其中贵州茅台等8只明星股预测概率超过80%，清晰展示模型在实战中的应用价值与具体推荐名单（详见表5）[page::11,12]。

---

三、图表深度解读

| 图表 | 内容描述 | 关键数据与趋势 | 文本联系与解读 | 潜在局限 |
|---|---|---|---|---|
| 图1（年度分红及高送转次数与比例） | 展示2005-2013年分红比例、次数及高送转比例 | 分红次数与比例逐年上升，高送转次数波动，2013年占比12.7% | 阐释“高送转”作为市场热点的分布趋势，支撑后续内容 | 高频率波动年份需要结合市场环境解释，未详细分析 |
| 图2（板块分布） | 各板块高送转公司数，2005-2013 | 中小板+创业板高送转数量超主板4倍，体现市场结构差异 | 强调新兴板块“高送转”意愿强，与市场定位相呼应 | 未详细剖析板块内部行业差异 |
| 图3（行业占比饼图） | 不同行业占比展示高送转分布 | 化工、机械设备、医药生物等行业占比最高 | 支持行业选择差异对高送转行为的影响 | 行业划分较粗，未展开趋势变化 |
| 图4~图11（影响因子对比柱状图） | 各关键变量均显著区分实施与未实施公司 |实施公司平均每股资本公积金、留存收益、股价均明显更高，总股本和上市时间明显较低，业绩预增及次新比例显著更高 | 视觉数据直观支持变量选择的合理性，符合经济逻辑 | 未进行变量间相关性剖析，可能存在多重共线性风险 |
| 表1（高送转总股本分布） | 大部分高送转企业股本规模集中在0-10亿股 | 94.41%样本集中，数据支持模型筛选条件 | 为模型样本构建提供数理基础 | 未分析少数大股本公司的特征差异 |
| 表2（影响变量定义表） | 归纳8个关键财务和市场变量 | 明确变量含义，便于后续模型解释 | 体现模型的构成清晰，操作性强 | 未提及变量间可能的交互作用 |
| 表3（Logit估计结果） | 详细呈现估计系数、统计显著性 | 关键变量显著性高，系数符号合理 | 支持结论，证明模型有效 | 净利润同比增长率不显著，建议深入探讨 |
| 表4（模型预测准确率） | 模型预测实施与不实施的准确率 | 不实施预测尤为准确，实施准确率偏低 | 避免过度乐观，真实反映模型性能 | 实施准确率不足，提示需模型优化 |
| 表5（高送转预测股票名单） | 2014年度预测概率超过50%的39只股票 | 贵州茅台等8股概率接近0.99，突出典型性 | 体现模型应用价值，为投资决策提供参考 | 预测未结合后期实际结果验证 |

所有图表数据均源自兴业证券研究所与Wind资讯，数据质量较为可靠，但模型未披露数据清洗和异常值处理细节，可能存在一定偏差[page::2-12]。

---

四、估值分析

本报告核心为统计预测模型，主要聚焦“高送转”实施概率的预测，未涉及传统意义上的企业估值模型如DCF或倍数法。因此，无估值章节。其价值在于利用计量模型识别高送转行为驱动因素及概率，为投资者提供操作指引。

---

五、风险因素评估

报告未明确列出风险因素章节，但从内容可推断以下风险点：

• 模型风险：归属母公司股东净利润同比增长率统计不显著可能提示成长性变量模型拟合欠佳，意味着模型对公司成长实际反应有限。

- 数据风险：变量选择未考虑宏观经济周期、政策环境等外生因素，可能受结构性走势影响。

• 市场风险：预测准确率对“高送转”公司实施的预测能力仅为57%，存在较大误差，投资者面临模型误判风险。

- 政策风险：“高送转”受监管政策影响明显，IPO暂停等政策干扰导致次新股比例变化，模型可能无法及时适应政策变化。

报告未提供风险缓释建议，也未对变量变动敏感性进行分析，投资者需谨慎参考[page::11,13]。

---

六、批判性视角与细微差别

• 模型局限：尽管选用Logistic回归具备科学扎实的理论基础，模型对归属净利润同比增长率反应微弱，可能未捕捉企业成长全貌，提示成长维度的衡量不足。

- 准确率差异：预测不实施“高送转”的准确率远高于实施的预测，模型倾向于保守判断，存在一定偏差。

• 变量选择与相关性：报告未明确检验变量多重共线性，可能存在变量间的相互影响，影响系数解释和模型稳定性。

- 时效性问题：数据截止2014年10月，次新股比例因IPO暂停下降，未来政策变更可能导致模型失效。

• 未充分考虑市场行为因素：如投资者情绪、资金面波动等市场微观因素对“高送转”行为的影响未被纳入模型。

整体看，报告在提升高送转预测科学性方面做出了重要探索，但对模型在不同市场环境下的鲁棒性验证仍显不足[page::11,13]。

---

七、结论性综合

本报告围绕“高送转”行为，利用Logistic回归方法完成了系统的预测模型构建及多维度影响因素分析。从数据表现及模型估计结果来看：

• 多指标复合驱动“高送转”行为，财务实力（每股资本公积金、留存收益）、业绩预期（是否预增）、市场价格（平均股价）以及资本市场属性（次新股）均显著提升实施概率。

- 总股本规模和公司上市时间呈逆相关，意味着股本较小且市场时间较短的公司更倾向高送转。

• 模型具备较强的总体预测能力，总体准确率77%，尤其能高效识别非高送转企业；但对实施企业的预测准确率存在改进空间。

- 具体预测应用彰显模型实用性：2014年高概率高送转股名单提供了清晰的操作路径，特别是贵州茅台等核心标的预判精确度极高。

• 报告揭示“高送转”市场行为的规律和驱动机制，为投资者制定策略提供了定量依据，提升了传统定性分析的科学性与客观性。

报告依托丰富图表与表格直观展示关键数据，图文结合清晰展现了“高送转”现象的全貌与内在驱动，发挥了统计模型在金融市场行为预测中的价值。

综上，兴业证券的本次研究为以往较为主观的“高送转”预测引入定量新范式，推动了该领域研究方法的革新，具有重要的理论和实践意义，同时提示投资人在采纳预测结果时结合市场变动与政策环境谨慎操作[page::0-13]。

---

附录

重要图表插入示例（选取部分）：





（因受限，未能以图片形式直接展示，请参考正文）

---

综上所述，本报告以严谨的计量分析方法对“高送转”实施概率进行系统预测，深刻理解了影响其实施的关键财务及市场变量，结合详实数据与模型验证，成为投资者研究“高送转”题材的重要参考工具。

报告