基于模式识别的“高送转”预测模型

近年来高送转题材受到投资者的追捧,但是对高送转股票的预测模型多采用主观性较强的打分排序法。本文深入分析了各主要因素对高送转行为的影响程度,采用Logistic回归与主成分分析相结合的方法,构建了年报高送转股票的预测模型,并用2009~2015年高送转股票样本数据对模型进行了验证。实证结果显示,模型正确率在55%以上,预测准确度最高可达80.91%。     

基于集成算法的信用债违约预测模型及其影响因素研究

本文选取2014—2021年的信用债作为研究对象，以单一算法（逻辑回归、高斯朴素贝叶斯、支持向量机和伯努利朴素贝叶斯）分别构建Bagging和Stacking集成学习模型，并将其与单一算法以及传统方法（KMV模型）进行对比，探讨如何提高信用债违约预测精度，证明Bagging集成算法的可靠性，还通过SHAP可解释算法研究信用债违约中的重要指标。实证结果显示，四种单一机器学习模型在预测准确率上优于传统KMV模型；进一步对机器学习模型进行集成，发现同质集成算法在提高预测性能方面不如异质集成算法，且Bagging异质集成算法的预测准确率优于Stacking异质集成算法。将性能最好的Bagging异质集成算法与SHAP可解释算法结合，得到对识别信用债违约具有重要价值的9个指标，分别是违约前债项评级、违约前主体评级、交易所、净资产收益率、债券类型、企业性质、财务费用、总资产增长率以及第一大股东持股比例，关键指标的识别对信用债违约预测具有指导意义。     

高送转公告对股票收益率影响的实证研究

2009年,创业板推出之后,高送转股票的数量急剧增加。本文以2011年至2012年沪深两市推出10送转10及以上的高送转方案上市公司为样本。选取公告日前15天和公告日后15天为事件窗口,采用事件研究法,研究高送转预案公布日事件前后股票收益率的异常波动。结果表明:高送转股票在预案公布日之前存在显著的正超额收益率。布局高送转股票的最佳时机为预案公布日前7个交易日,风险最小,收益最大;而预案公布日之后,投资风险明显加大。     

关于股票融资跌涨幅的实证研究——以京东方A股票为例

对影响股票融资跌涨幅的主要因素的研究,及对跌涨幅预测精度的提高,是融资领域中的一个重要内容,故本文对此展开相关研究。首先运用具有特征选取作用的Lasso模型对国内融资数据进行因素影响性分析,结果显示影响跌涨幅的主要因素为融资买入额、融资偿还额及融资余额。接着,本文在集成学习思想的基础上,运用方差倒数法对Lasso、XGBoost和随机森林进行模型赋权并线性结合,从而构造组合回归模型,提高了预测精度;最后通过评价指标RMSE和MAPE的对比发现组合模型较单项模型具有更强的稳健性和更高的预测精度。     

基于机器学习的个人贷款违约预测模型的应用研究北大核心CSSCI

针对贷款违约给商业银行带来的信用风险损失,本文基于Kaggle平台的Loan Defaulter数据集,通过建立机器学习模型预测客户违约情况,以降低信贷风险。本文根据贷款数据类别不平衡和特征维度高的特点,对其进行数据处理以及探索性数据分析,得出与贷款违约高度相关的重要特征,包括性别、家庭人数以及借款人所在城市、住房类型、总收入、所属行业、职业类型、工作年限、受教育程度、消费贷款额度、贷款金额、贷款年金等。在比较各类模型的基础上,本文选择表现较好的随机森林,XGBoost以及K近邻组合为Stacking集成模型。实验表明,与单一算法相比,该模型的集成算法具有更高的精确度和预测效果,其中Stacking模型能够融合其他基础模型的优点,取得最好的预测效果。本文主要创新点有二:一是梳理信用评估模型中集成模型的基本特征,基于不同模型的优势,引入Stacking模型组合建模,融合四组机器学习模型并建立双层学习器,提高了信用风险评估效果;二是基于普惠金融发展,将研究对象具体化为个人信贷,应用场景更加细化,并得出影响贷款违约的重要特征。     

基于Logit模型的高送转投资策略

在我国的证券市场中,上市公司实行送股、转增股经常被视为一种"好消息","高送转"的股票尤其受到市场的亲睐。从理论上讲,无论是送股还是公积金转增股本,都只是上市公司对股东权益科目进行调整,既不影响现金流量,也不增加股东的财富,所以高送转并不对上市公司的价值产生本质的影响。但是高送转概念的炒作每年都会如约而来且受到投资者的热烈追捧。本文将依托"高送转"概念设计投资策略,以期获得稳定的超额收益。     

高送转超额收益的影响因素研究——基于2015-2016年的上市公司样本

高送转仅仅只是会计项目之间的一种转换,对企业的基本面等没有任何改善,但近年来的高送转股票频繁成为证券市场上炒作对象,送转公告发布后经常产生大幅累计超额收益.本文以2015年和2016年进行高送转的上市公司为样本,对各阶段时间节点的超额收益进行分类统计.研究结果表明事件期内确实存在较为显著为正的超额收益,并通过多项logistic方法以及多元线性回归构建相关因子之间的关系,得到送转时间、送转比例、换手率和公司净利润增速是超额收益效应的主要影响因素.     

基于随机森林算法的绿色信贷信用风险评估研究

绿色信贷信用风险评估过程面临复杂性、非线性以及不确定性等问题,现阶段商业银行采用的传统评估方法较难适用。为此,将组合分类前沿研究领域的随机森林算法应用到该评估过程中,在建立较为全面、综合的评估指标体系的基础上,构建了基于随机森林算法的绿色信贷信用风险评估模型,并以重污染行业上市公司为对象进行了实例分析。与传统模型评估结果的对比表明,该评估模型实现速度更快,评估准确率更高,较为有效地提升了评估效率。     

我国房地产企业的信用风险评价研究

房地产行业在我国国民经济中占有重要地位,但近年来房地产企业违约现象却层出不穷。通过偿债能力、盈利能力、运营能力、发展能力、宏观经济等5个方面共计23项指标,运用主成分分析法对2010年至2020年间我国121家上市房地产企业的数据进行处理,分别采用Logistic模型、随机森林、XGBoost算法,建立我国房地产企业信用风险评价模型。结果显示,这三个模型都具有较好的违约风险预测效果,准确率均在90%以上,其中Logistic模型的准确率最高,其次为XGBoost算法。     

线上销售与未来股票收益

本文通过分析相关上市公司在电商平台的线上销售数据,发现线上销售增长可以预测未来股票收益。根据线上销售增长率构建投资组合可以获得月均1.27%的超额收益,经三因子、五因子模型调整后收益率分别为1.40%和1.35%,并且该超额收益在较长时间内不会逆转。横截面回归结果显示,线上销售增长与未来股票收益显著正相关,并在控制其他市场异象因子后仍然显著。此外,本文还发现线上销售数据的预测能力主要集中在投资者关注有限、线上销售占比高以及套利成本高的公司,其投资价值来源于对公司未来基本面信息的预测能力。进一步研究表明,同时利用线上销售指标和营业收入指标进行投资可以获得更高的超额收益。在考虑业绩预告和业绩快报对线上销售指标预测能力的潜在影响后,结果依然稳健。     

基于蚁群算法优化随机森林模型的汽车保险欺诈识别研究

汽车保险欺诈在全球范围内逐步蔓延,车险欺诈识别越来越受到社会关注。本文针对实际汽车保险索赔数据中样本数量大且不平衡的特点,提出了平衡随机森林和蚁群结合的组合分类器。首先,对高维、不平衡的车险索赔数据集进行特征选择与分类,将随机森林的特征重要性评价得分和数据的统计检验得分作为启发式信息,利用蚁群算法进行智能搜索,把随机森林的分类精度反馈给蚁群进行信息素的实时更新,挖掘出判别车险欺诈的特征组合。然后将基于蚁群优化算法的平衡随机森林模型应用到汽车保险欺诈识别中。研究结果表明：基于蚁群优化随机森林算法的汽车保险欺诈识别模型能够更好地对车险索赔数据进行分类预测,挖掘车险欺诈规律,具有更好的精确度和稳健性。     

上市公司“高送转”与内部人股票减持:“谋定后动”还是“顺水推舟”？

本文研究上市公司有决策权的内部人股票减持和公司“高送转”之间的因果关系。本文在较好解决因果互逆的内生性问题和修正内部人减持的变量度量误差的基础上研究发现,内部人有意识地通过高送转进行市值管理以增大其减持收益,即“高送转”是内部人减持的“谋定后动”,且内部人的这一自利动机对公司的送转行为产生了重要影响。本文的实证发现有助于揭示我国上市公司热衷于“高送转”的深层动因,同时也为监管层治理“高送转”乱象提供了经验证据支持。     

基于均值——方差模型的云南特色股票研究

Markowitz均值——方差模型是用于研究投资者如何通过合理的资金分配来达到既定收益下,风险最小化问题.本文采用该模型,基于投资优化组合的理论对云南省内地的特色股票做投资组合分析,通过对五支股票数据的统计分析,得到在预期收益既定的条件下,投资风险最小时的最优投资组合。同时,根据这五支股票的投资权重进一步精选出三支股票,并计算出了最优的投资权重。     

高送转是馅饼还是陷阱? ——基于中国A股上市公司的研究

上市公司高送转是陷阱还是馅饼,关系广大投资者的利益。本文实证分析了中国A股市场高送转预案公告对股票收益率的影响,比较了不同板块不同送转比例的市场效应。研究发现:所有股票在高送转预案公告前后,均存在显著为正的累计超额收益,但并不存在显著的板块差异;累计超额收益主要产生于高送转预案披露前;上市公司高送转给普通投资者的大概率不是馅饼,而是陷阱。本文结论为监管层出台相关规范高送转行为和内部人减持行为的政策提供了经验证据。     

基金投资行为能够预测经济吗？ ——基于宏观、中观、微观三个层面的实证检验

股市作为经济的晴雨表,基金因其投资行为的专业化被投资者所青睐,那么股票型基金在构建投资组合时是否会依据实体经济呢？本文从宏观、中观和微观三个层面,通过构建非平衡动态面板模型,实证检验我国基金超常规发展与经济增长之间的关系,以及基金投资行为对经济增长的预测作用。研究结果显示：从宏观层面来看,基金发展规模和机构投资者持股比例的增加与经济增长之间存在负相关关系;从行业层面来看,基金的行业持仓增加,则经济预期出现向好局面,表明基金具有一定的经济预判能力;从微观层面来看,预期经济上涨向好趋势时,基金管理人会在当期减持投资组合内的股票,并选择配置更多新股以寻求新的经济增长投资机会,这表明基金投资行为对经济增长具有一定的预测作用。     

高送转公司的魅力与2011年投资机会

在我国的A股市场中,高送转公司在年报推出前后的市场表现总是让人惊叹。我国现有的融资结构、缺乏长期投资理念、不合理的投资者结构条件下,不论是在弱市市道,还是在涨升环境中,通过投资高送转公司而获得盈利是一个大概率事件。我国特殊的市场结构和融资环境使企业更愿意选择股权融资方式,上市公司的再融资冲动为投资者提供了投资高送转公司而获得丰厚收益的机会,投资者喜欢股票分红的偏好与上市公司股本扩张进而扩大再融资规模两者之间在A股市场上实现了有效的良性互动。投资者在上市公司年度报告披露前后关注有业绩支撵的高送转股,将获得确定性的盈利机会。     

布局年报 掘金“三高”

数据显示,对于高送转个股的最佳投资时间窗口在年报披露前30个交易日至年报披露后15个交易日。因此说,高送转个股更需要提前布局,而深度挖掘具有高送转预期的个股也具有十分重要的意义。     

基于CS-RF模型的微额信贷风险预测

在金融市场中,互联网征信是规避损失风险的重要参考依据,其中违约用户识别率的准确性对征信来说则更为重要。从这一角度出发,本文提出了改进的随机森林算法(CS-RF)。利用金融公司的实际数据,从随机森林原模型基础上加以改进,在训练样本生成决策树后引入代价敏感函数,为多类样本和少类样本的错误分类赋予不同的代价,搜索出更优的决策树集成。通过实证分析,将预测结果与Logistic回归模型,决策树,传统随机森林,BP神经网络进行对比,得出CS-RF模型预测效果最优。     

基于Copula模型的沪市A股投资组合风险分析

本文采用Copula—GARCH模型对金融市场中投资组合的风险问题进行分析,并选取沪市A股六支股票进行实证研究,结合Monte Carlo模拟计算了投资组合的VAR值,结果显示对资产进行适当的组合可降低投资者的风险,从而证实了模型的可行性和有效性。     

我国上市公司高送转公告效应的实证研究

为检验上市公司定高送转预案公告发布对其股票价格的影响,本文以2009年至2010年沪深两市推出高送转预案的285家上市公司为样本,选取公告日前10日至公告日后20日为事件窗口,运用事件研究法对高送转公告效应进行实证研究。结果表明：中国股市具有明显的高送转公告效应,上市公司高送转预案公告发布前后股票具有显著的正价格效应,会产生持续的累计异常正收益;然而,由于信息不对称,部分投资者通常会提前获得有关高送转的内幕信息并提前买入,并以此获得可观的超额收益,而普通投资在公告发布后买入只能获得小部分的超额收益并且需要承担更大的风险。