高送转白马股预测模型表现突出 [page::1]

• 使用2007-2016年财务和市场指标构建logistic回归模型预测高送转概率。

- 2009至2016年预测准确率均值约70%，top20准确率超过72%，2016年组合1个月绝对收益9.22%，相对中小板综超额收益约8%。

预测股票组合2016年净值表现及策略建议 [page::1]

• 预测组合净值显著优于中小板综和创业板综。

- 建议2017年高送转组合于11月初建仓，11月底清仓，规避12月历史性回调风险。

2017年高送转白马股预测名单及涨跌幅 [page::2][page::3]

| 序号 | 股票代码 | 股票名称 | 过去一个月涨跌幅 |
|------|---------------|----------|------------------|
| 1 | 300696.SZ | 爱乐达 | 14.19% |
| 2 | 603180.SH | 金牌厨柜 | 40.86% |
| 3 | 300616.SZ | 尚品宅配 | 7.07% |
| ... | ... | ... | ... |
| 50 | 300639.SZ | 凯普生物 | 10.11% |

• 排名前50股票为高送转概率较大者，提供投资精选参考。

- 部分个股公告前涨跌分化明显，体现策略选股的时效性和精准性。

事件驱动策略核心方法 [page::0][page::1]

• 依据财务指标（如每股净资产、EPS）与市场指标（如日均换手率）结合历史高送转记录构建因子。

- 采用logistic回归模型计算下一年高送转概率，筛选出概率排名前50的高送转白马股。

• 该策略侧重公告事件驱动，通过系统模型捕捉高送转预期及兑现，获取市场超额收益。

金融工程专题报告详尽分析 — 《白马行情下，2017 高送转股票如何去选？》

---

一、元数据与概览

报告标题： 《白马行情下，2017 高送转股票如何去选？》

作者及联系方式：
丁鲁明（dingluming@csc.com.cn），执业证书编号 S1440515020001，电话021-68821623
（报告中还提及多名分析师和销售经理，但核心分析由丁鲁明主导）

发布机构及时间： 中信建投证券研究发展部，2017年11月3日发布。

主题： 本报告聚焦于“高送转”股票的事件驱动投资策略，特别是2017年高送转白马股的预测与优选，通过金融工程构建的预测模型进行股票筛选与跟踪，旨在指导投资者在当前白马股行情下合理选择高送转投资标的，获得相对和绝对超额收益。

核心论点与目标：
通过历史数据（2007-2016年）构建基于logistic回归的高送转概率预测模型，以财务指标和市场指标为主要变量，筛选与预测2017年可能进行高送转的优质股票。报告给出前50高概率股票名单，建议具体的买卖时机（11月初买入，11月底卖出），意图捕捉一年一度高送转行情的交易机会，获得显著超额收益。报告通过严谨的统计验证模型的准确率，并展示历史回测的收益表现。[page::0,1]

---

二、逐节深度解读

1. 高送转预测模型简介与性能验证

报告首先介绍高送转预测的模型框架：通过采集2007年至2016年间所有股票的财务数据与市场数据，运用logistic回归模型筛选出与“高送转事件”发生概率密切相关的指标，包括每股净资产、每股收益（EPS）、日均换手率、过去高送转记录等。这些指标作为自变量输入模型进行概率预测，输出股票未来一年内进行高送转的概率。

推理和验证依据：

• 在2009~2016年间，模型的预测准确率平均达70%，其中准确率排名前20的股票精准率甚至超过72%。2016年实测预测准确率仍保持在64%。

- 在2016年的组合实盘跟踪中，使用预测前50名股票组成的组合，单月收益达9.22%，超出中小板指数约8%的超额收益。

可以看出模型的设计与筛选指标具有较强的实用性与稳定的预测能力，能够为投资者提供具备事件驱动概率优势的股票池，提升投资组合的收益表现。
此外，报告明确指出模型的适用时间段及投资期限，如11月初入市，11月底出场，规避12月通常出现的组合回调风险。此时间窗口的策略实操建议提升了报 告的可应用价值。

图表解读：

• 图1（历史准确率统计）：柱状图展示2009-2016年前50名股票的预测准确率，折线图显示实际发生率。趋势显示准确率多年份接近或超过60%，个别年份如2010年达88%，说明模型较为精准且具有较好的事件捕捉能力。

- 图2（2016年组合净值表现）：红线为高送转预测概率top50组合净值走势，明显优于蓝线（中小板综）和粉线（创业板综），显示模型组合在实战中实现了超额收益。

[image解析见图1、图2展示][page::1]

---

2. 2017年高送转白马股预测名单

报告提供了2017年根据最新三季报数据用模型预测的前50只“高送转白马股”名单。名单中股票以预测概率从高到低排序，排序越靠前表示公司高送转的可能性越大。

关键要点：

• 名单包括股票代码、名称及最近一个月的价格涨幅，涨跌幅有助于观察市场对高送转预期的反应以及公告前的价格分化现象。

- 投资建议具体：11月初买入，11月底卖出，避免12月的调整风险。该建议基于过去高送转组合的历史统计表现。

• 名单涵盖多样行业，体现模型普遍适用，不仅集中单一行业。

典型股票如“爱乐达(300696.SZ)、金牌厨柜(603180.SH)、尚品宅配(300616.SZ)”等涨幅分别为14.19%、40.86%、7.07%，显示部分个股高送转预期已对价格产生明显推动。也有少数股票如“兆丰股份(300695.SZ)”涨幅接近持平（-0.04%），提示市场表现分化。

名单的表格数据呈现了模型筛选结果的量化具体体现在个股层面，是投资执行的直接依据。

[page::2,3]

---

3. 评级说明与风险披露

报告附录中制定了针对相关指数基准的评级体系：

• 买入：未来6个月相对超出市场表现15%以上

- 增持：5%-15%

• 中性：-5%-5%

- 减持：-5%-15%

• 卖出：超过-15%

这一评级规则为投资者评估组合风险收益表现提供了明确参考框架。

风险声明明确指出：

• 报告信息基于可靠公开资料，但不保证完整和准确。

- 报告的观点、结论、建议仅反映报告发布时状况，可能随市场变化调整。

• 投资建议不构成最终法律、会计、税务指导，应由投资者自行承担风险。

- 证券公司及研究员与报告涉及公司可能存在利益冲突。

• 特别提醒股市有风险，入市需谨慎。

风险声明展示了报告对投资者利益保护的责任意识，也提示投资者对模型及策略应用应保持理性态度，防范过度依赖模型预测。
[page::5]

---

4. 团队介绍

报告详细介绍了丁鲁明为主要分析师，具备金融数学硕士、准精算师资质，具有近10年证券行业经验，专注金融工程与量化策略研究，曾多次获业内奖项。同时列明多位贡献人及销售团队联络方式，为投资者提供服务支持背景。体现了报告的专业性与权威性。[page::4]

---

三、图表深度解读

图1：2009-2016年前50名高送转预测准确率统计

• 内容描述： 图表左轴为预测准确率，右轴为实际高送转发生率，柱状和折线分别显示不同年份数据。

- 数据解析： 准确率多数年份在60%以上，峰值2010年达88%，最低年份约60%，表明模型整体稳健。实际发生率虽无详细解释，但趋势与准确率相互印证模型预测合理。

• 趋势说明： 准确率虽有波动，但无显著下降趋势，表明高送转现象较为规律，模型识别能力保持稳定。

- 文本关联： 用以证实模型的有效性和预测胜率，增强投资者信心。[page::1]

图2：2016年高送转预测组合净值表现

• 内容描述： 展示2016年11月1日至11月30日高送转预测top50组合净值（红线）与中小板综（蓝线）、创业板综（粉线）的对比表现。

- 数据解析： 高送转组合净值明显上涨超过10%，明显跑赢两大指数，反映策略的超额收益能力。中小板综和创业板综波动较小，表现相对疲软。

• 趋势说明： 红线走势突显预期效应驱动，投资者利用模型选股获得超额收益。

- 文本关联： 强调模型和策略不仅理论预测准确，而且实盘表现良好，是实际操作层面的重要佐证。[page::1]

图3-4（无序列表形式的2017年预测名单）

• 内容描述： 展示2017年预测的前50只高送转股票，附带过去一个月股票涨跌幅。

- 数据解析： 涨幅分布广泛，部分股票涨幅显著，部分接近持平或稍微回落，显示市场对高送转的预期有积极反应但存在分歧。

• 趋势说明： 市场预期分化与模型概率排序相结合，投资者可结合涨幅进行优选，规避涨幅过高（可能提前反应过度）或负面偏离风险。

- 文本关联： 实现了从模型概率定量输出向实际个股投资决策的过渡，是策略应用的重要桥梁。[page::2,3]

---

四、估值分析

本报告不直接涉及具体的公司估值模型（如DCF等），其核心为事件驱动的概率预测和策略执行，投资逻辑基于高送转概率提升股票的短期价格表现潜力，属于事件驱动投资范畴。所以没有详细估值模型的介绍。

模型的核心定量逻辑是logistic回归概率预测，本质是计算某股票高送转事件发生的条件概率。模型输入变量（如每股净资产、EPS、换手率、历史高送转记录）是指标权重的系数变量，通过回归拟合提取关系。这种统计模型侧重概率预测而非估值，但结合时间节点把握事件窗口，形成了较为典型的量化事件策略。

---

五、风险因素评估

报告虽无专门的“风险因素”章节，但隐含风险主要包括：

• 模型预测误差风险： 虽胜率约70%，但仍有30%预测失败概率，投资者需承担模型失准导致投资损失的风险。

- 市场行为风险： 市场对高送转预期可能提前反应或因其他突发因素导致价格波动不符合预期。

• 时间窗口风险： 报告明确提示12月高送转组合往往经历大幅回调，建议11月操作，规避该风险。

- 信息不完全风险： 基于已公布财务及市场数据，未来信息披露或政策变动可能导致预测失效。

• 流动性风险： 部分中小企业股票流动性较低，过度集中持仓可能影响买卖执行。

- 政策风险及监管风险： 高送转行为可能受政策调控影响，政策变动将影响干预力度和市场预期。

报告虽没有详述应对策略，但通过精确的操作时间点、分散股票组合和历史数据支持降低风险。投资者须自行评估承受能力。

---

六、批判性视角与细微差别

• 模型依赖数据局限： 模型基于历史数据和选定指标，若未来高送转的驱动因素发生结构性变化（如监管趋严或市场机制变化），模型准确性可能下降。

- 预测成功误差偏向： 平均70%预测准确率虽高，但并未详细分析预测错误类型（如假阳性或假阴性），缺乏对错误分类及其对收益的具体影响分析。

• 时间窗口限定： 11月买入卖出的建议基于历史表现，但缺少对极端市场环境（如突发政治或经济事件）的敏感性分析。

- 上涨幅度波动未充分讨论： 部分股票涨幅极大（如40%+），可能预示潜在的价格泡沫风险，但报告未针对价格异常涨幅设立警示。

• 缺乏细分行业风险分析： 虽涵盖多个行业，但行业差异对预测准确率及后期表现的影响未深入探讨。

- 未涵盖宏观经济风险： 报告未将宏观经济或市场系统性风险纳入考量。

综上，报告提供的模型工具价值明显，但投资者应结合更多宏观及微观因素审慎使用。

---

七、结论性综合

本报告基于中信建投证券金融工程团队构建的logistic回归高送转概率预测模型，运用过去十年财务与市场指标数据，成功筛选出2017年前50只高送转白马股。模型在历史上表现出70%左右的准确率，实盘跟踪显示此策略可获得显著超额收益，尤其是在11月操作窗口，规避12月回调风险。

通过明确的定量分析和概率预测，该策略将高送转事件驱动的股票投资机会精准落地，报告中的股票名单及市场表现数据为投资者精选提供有力决策依据。图表和数据清晰展示了模型在历史样本及2016年实盘中的优秀表现，强化了策略的可靠性。

报告明确的时间建议、风险披露和评级说明体现了策略的科学性和专业性，同时也提醒投资者注意模型局限与风险，需结合自身风险偏好实施交易。

总体而言，报告展示了以金融工程统计建模为基础的事件驱动选股策略在高送转股票投资中的显著优势，提供了操作性强且经过实证检验的投资框架，为相关投资者把握白马行情中高送转机遇提供坚实工具和指导。

---

总体报告结构与亮点回顾

• 内容完整： 从模型构建、历史验证、2017年预测到实操建议及风险控制全面覆盖。

- 数据驱动： 采用大量历史数据建立概率模型，实盘情况与指数对比增强实用性。

• 图表丰富： 关键图表直观呈现模型准确率及组合表现，股票名单列表明投资标的。

- 操作建议明确： 明确买入时点与卖出时点，结合历史表现规避风险。

• 专业团队保障： 资深分析师及团队背景增加报告公信力。

---

附：图表示意（报告所含图片）

• 2016年沪深300与上证指数表现对比

- 2009-2016年高送转预测准确率与实际发生率

• 2016年高送转预测组合净值表现

---

主要溯源引用页

[page::0,1,2,3,4,5]

报告