李威 張攀紅

摘要：本文基于機(jī)器學(xué)習(xí)中最新的LightGBM算法構(gòu)建訓(xùn)練集，并基于上市公司的各項(xiàng)財(cái)務(wù)數(shù)據(jù)訓(xùn)練機(jī)器學(xué)習(xí)模型，進(jìn)一步利用該模型對預(yù)測集中最有可能實(shí)施“高送轉(zhuǎn)”的公司進(jìn)行預(yù)測，最終預(yù)測出“高送轉(zhuǎn)”概率最高10家公司。本文最后訓(xùn)練出的模型準(zhǔn)確率較高，但覆蓋率較低，最終能夠預(yù)測出部分“高送轉(zhuǎn)”上市公司，可為投資者構(gòu)建股票投資組合提供有益參考。

關(guān)鍵詞：高送轉(zhuǎn);LightGBM;機(jī)器學(xué)習(xí)

一、引言及文獻(xiàn)綜述

“高送轉(zhuǎn)”是指高比例送紅股或轉(zhuǎn)增股本的簡稱。國外鮮有高比例送紅股或增資的情況存在，這是我國市場上的特有現(xiàn)象。一般來說，投資“高送轉(zhuǎn)”概念的公司往往可以增加其收益的可能性，因此，無論是否要參與“高送轉(zhuǎn)”概念的炒作，上市公司每年披露年報(bào)或半年報(bào)時(shí)，中國投資者將關(guān)注其股利分配方案，實(shí)施“高送轉(zhuǎn)”的公司也將受到追捧。從公司財(cái)務(wù)角度來看，“高送轉(zhuǎn)”的實(shí)施不會(huì)對公司未來的業(yè)績預(yù)期產(chǎn)生任何影響，也不會(huì)影響公司的實(shí)際價(jià)值?！案咚娃D(zhuǎn)”實(shí)施后，雖然股份總數(shù)有所增加，但公司股東權(quán)益不會(huì)增加。作為中國金融市場發(fā)展過程中遺留下來的炒作題材，相關(guān)股票的炒作甚囂塵上。我國A股市場歷年都有炒作題材股的現(xiàn)象，伴隨一些突發(fā)事件，A股市場上總會(huì)掀起一股短線炒作概念的熱潮，不管是游資大戶還是普通散戶，甚至一些投資機(jī)構(gòu)都會(huì)或多或少地參與其中。例如，中美貿(mào)易戰(zhàn)時(shí)的國產(chǎn)芯片替代概念和半導(dǎo)體概念、地?cái)偨?jīng)濟(jì)概念股、免稅牌照概念股等等。我國市場游資大戶數(shù)量多、資金體量大，每年的“高送轉(zhuǎn)”也就成為A股市場上市公司年報(bào)和半年報(bào)出臺前的炒作對象。

近幾年實(shí)施“高送轉(zhuǎn)”的公司越來越多，“高送轉(zhuǎn)”概念股成為預(yù)案公告日和除權(quán)除息日前后炒作的熱點(diǎn)。隨著監(jiān)管力度的增強(qiáng)，相關(guān)的炒作熱情有所降溫，但“高送轉(zhuǎn)”概念仍成為炒作的暗線題材，其他題材股疊加“高送轉(zhuǎn)”概念后，往往會(huì)取得更高的超額收益。能夠在公司公布股利分配預(yù)案之前，重點(diǎn)關(guān)注“高送轉(zhuǎn)”的真實(shí)目的，考察公司基本面及業(yè)績預(yù)期，警惕高管配合二級市場，利用“高送轉(zhuǎn)”股預(yù)測模型篩選出的股票池作為參考，就能取得一定的超額收益。因此，研究“高送轉(zhuǎn)”行情，準(zhǔn)確訓(xùn)練“高送轉(zhuǎn)”模型并預(yù)測下一年最有可能實(shí)施“高送轉(zhuǎn)”方案的公司，以此作為參考構(gòu)建投資組合，對于保護(hù)中小投資者利益，維護(hù)金融市場穩(wěn)定具有重要意義。

國外研究方面，哈佛大學(xué)教授約翰·林特納（John Lintner）于1956年在《美國經(jīng)濟(jì)研究》雜志發(fā)表的一篇文章中，首次提出了股利分配的行為理論模型。1961年美國經(jīng)濟(jì)學(xué)家弗蘭哥·莫迪利安尼和金融學(xué)家默頓·米勒于提出股利無關(guān)論，又稱MM理論。該理論建立在一系列假設(shè)之上，認(rèn)為公司的價(jià)值僅僅由公司經(jīng)營和投資情況確定。而股利相關(guān)理論認(rèn)為公司的市場價(jià)值會(huì)受到股利分配政策的影響，認(rèn)為股利無關(guān)論提出的相關(guān)假設(shè)前提根本無法實(shí)現(xiàn)。其分支不確定感消除論由林特納和戈登提出，認(rèn)為較高的股利支付率有助于消除投資者由投資風(fēng)險(xiǎn)帶來的不確定感和不安感，投資者在投資活動(dòng)中對高股利支付率的公司有較強(qiáng)的偏好，因此管理層應(yīng)該維持高股利的股利政策。信息傳遞理論認(rèn)為股利政策可以傳遞出一種有關(guān)公司財(cái)務(wù)狀況和預(yù)計(jì)未來經(jīng)營狀況的信息。股利迎合理論是由馬爾科姆貝克和杰弗里提出的，認(rèn)為投資者的需求很大程度上會(huì)影響公司股利發(fā)放決策。

國內(nèi)研究方面，一部分學(xué)者對上述傳統(tǒng)股利分配理論進(jìn)行了實(shí)證檢驗(yàn)。例如，呂長江、王克敏（1999）的實(shí)證結(jié)果支持林特納的股利信號傳遞理論和詹森的代理成本理論，不支持邁爾斯的資金順序理論。何濤、陳小悅（2003）對送轉(zhuǎn)行為動(dòng)機(jī)進(jìn)行了分析和討論，檢驗(yàn)了現(xiàn)有的“信號傳遞假設(shè)”和“流動(dòng)性假設(shè)”對中國市場解釋能力的強(qiáng)弱。提出了“價(jià)格幻覺假設(shè)”，并用L0git回歸對“價(jià)格幻覺假設(shè)”進(jìn)行檢驗(yàn)，結(jié)果支持這一假說。熊義明、陳欣等（2012）通過實(shí)證研究探討了不同的股利分配理論在現(xiàn)實(shí)生活中的成立情況，為解決關(guān)于股票送轉(zhuǎn)動(dòng)機(jī)的爭論提供了經(jīng)驗(yàn)證據(jù)。最近幾年，出現(xiàn)了一些研究構(gòu)建模型來預(yù)測“高送轉(zhuǎn)”上市公司，例如，刑小艷（2016）選取了影響上市公司實(shí)施“高送轉(zhuǎn)”的九個(gè)特征因素作為影響因子，運(yùn)用LO gistic的回歸方法，建立模型，預(yù)測每家“高送轉(zhuǎn)”公司實(shí)施的概率并排序。謝忱（2017）將“高送轉(zhuǎn)”行情分為三個(gè)階段，選取其中預(yù)期和填權(quán)兩個(gè)階段分別構(gòu)建兩套不同的投資策略。

在炒作預(yù)期階段，利用2011年至2016年6月所有A股上市公司數(shù)據(jù)，基于Iogt回歸模型預(yù)測每家上市公司下一年度實(shí)施“高送轉(zhuǎn)”的概率，并選取實(shí)施概率最高的20家公司構(gòu)建投資組合。在填權(quán)階段，運(yùn)用事件研究法得出在每年除息日后滯脹的股票會(huì)取得不錯(cuò)的超額收益的結(jié)論。張?zhí)锶A、羅康洋（2021）選取2158家上市公司7年的數(shù)據(jù)，利用特征選擇算法選出10個(gè)最重要的影響因子，利用集成學(xué)習(xí)算法構(gòu)建預(yù)測模型，最終構(gòu)建的ADASYN+mRMR+XGBo0st組合模型能夠取得較高的預(yù)測準(zhǔn)確率。

二、上市公司“高送轉(zhuǎn)”現(xiàn)狀及其成因

（一）上市公司“高送轉(zhuǎn)”現(xiàn)狀

從“高送轉(zhuǎn)”題材炒作出現(xiàn)開始，實(shí)施“高送轉(zhuǎn)”股利分配政策的公司數(shù)量就呈現(xiàn)逐年上升的趨勢，到2015年達(dá)到頂峰，直到近幾年，隨著我國金融市場各項(xiàng)制度逐漸完善，“高送轉(zhuǎn)”公司數(shù)量才趨于平穩(wěn)。每年11月份開始，上市公司就開始出現(xiàn)年報(bào)業(yè)績披露潮，實(shí)施“高送轉(zhuǎn)”的公司會(huì)受到投資者熱捧，疊加“高送轉(zhuǎn)”題材的公司股價(jià)上漲的可能性增大。例如，2020年3月，“高送轉(zhuǎn)”龍頭新諾威在短短14個(gè)交易日內(nèi)，漲幅達(dá)到84%。在“高送轉(zhuǎn)”題材炒作期間，短線炒作有其他題材時(shí)，“高送轉(zhuǎn)”一般作為暗線疊加屬性，而在短線周期的末期時(shí)，“高送轉(zhuǎn)”主要龍頭股又可作為主線或單獨(dú)的題材來炒作。

盡管參與“高送轉(zhuǎn)”題材交易有時(shí)的確能在短時(shí)間內(nèi)取得可觀的收益，但同時(shí)也伴隨著巨大風(fēng)險(xiǎn)。并不是所有的“高送轉(zhuǎn)”公司股價(jià)都是上升的，反而是表現(xiàn)不一，有的公司連續(xù)漲停，股價(jià)翻倍，有的卻連續(xù)跌停?！案咚娃D(zhuǎn)”僅僅是影響公司股價(jià)的一個(gè)因素，在參與“高送轉(zhuǎn)”交易時(shí)還應(yīng)注意到公司的基本面、其他題材概念、所處短線周期、市場情緒等多重因素。實(shí)際上，“高送轉(zhuǎn)”炒作本就是不理性的行為，“高送轉(zhuǎn)”現(xiàn)象不利于我國金融市場健康有序發(fā)展，也引起了監(jiān)管層的注意。2017年，時(shí)任證監(jiān)會(huì)主席劉士余表示，“10送30”的“高送轉(zhuǎn)”方案在全世界罕見，必須列入重點(diǎn)監(jiān)管范圍。2018年，滬深交易所發(fā)布了《高送轉(zhuǎn)指引》，指出上市公司送轉(zhuǎn)方案必須與公司基本面相符。盡管近年來針對“高送轉(zhuǎn)”題材炒作的監(jiān)管趨嚴(yán)，但就目前我國A股市場投資環(huán)境來看，“高送轉(zhuǎn)”作為暗線屬性，炒作依然存在。

（二）上市公司“高送轉(zhuǎn)”現(xiàn)象成因

“高送轉(zhuǎn)”現(xiàn)象是我國證券市場上特有的現(xiàn)象，是基于一系列歷史原因加上我國特有的投資環(huán)境形成的。20世紀(jì)90年代，隨著上市公司股本擴(kuò)張的意愿不斷增強(qiáng)，送轉(zhuǎn)方案也逐漸增多。到2015年，滬深兩市實(shí)施“高送轉(zhuǎn)”的公司數(shù)量達(dá)到

一百多家，實(shí)施的方案也越來越夸張。上市公司“高送轉(zhuǎn)”現(xiàn)象成因最重要的一個(gè)因素就是市場反應(yīng)因素。公司為了拾升股價(jià)，為后續(xù)進(jìn)一步發(fā)展做準(zhǔn)備，會(huì)實(shí)施與自身基本面不相匹配的送轉(zhuǎn)方案。同時(shí)，我國A股市場上游資和中小投資者數(shù)量多、體量大，熱衷于短線題材炒作，投資者的專業(yè)素養(yǎng)有待提高，我國市場上也就形成了公司管理者和投資者相互配合的局面。若要消除這種現(xiàn)象，還需監(jiān)管層加強(qiáng)監(jiān)管，各項(xiàng)規(guī)章制度得到進(jìn)一步健全，專業(yè)機(jī)構(gòu)投資者比例得到進(jìn)一步上升。

三、LightGBM算法介紹

（一）LightGBM簡介

LightGBM是微軟亞洲研究院DMTK團(tuán)隊(duì)在Github上開源的性能超越其他Boostingdecisiontree的工具，一經(jīng)推出就廣受好評，廣泛運(yùn)用于各大數(shù)據(jù)挖掘比賽。與XGB00st相比，LightGBM主要有直方圖算法、基于梯度的單邊采樣算法、互斥特征捆綁算法三方面的優(yōu)化。

（二）基于直方圖的決策樹算法

直方圖算法的基本思想是先把連續(xù)的浮點(diǎn)特征值離散化成k個(gè)整數(shù)，也就是分桶bis思想，例如[0，0.1）離散化為0，[0.1，0.3）離散化為1。用離散化后的值代替原來的浮點(diǎn)值進(jìn)行計(jì)算，統(tǒng)計(jì)每個(gè)bi里面的樣本個(gè)數(shù)，根據(jù)離散值來尋找最優(yōu)的切分點(diǎn)。需要切分的個(gè)數(shù)就等于bis的個(gè)數(shù)減1，而XG-B00$t的切分點(diǎn)個(gè)數(shù)等于樣本取值的不同個(gè)數(shù)減1，需要計(jì)算的是樣本的特征值、樣本的一階導(dǎo)和二階導(dǎo)。后續(xù)計(jì)算bis里樣本一階導(dǎo)之和與二階導(dǎo)之和時(shí)，計(jì)算量也會(huì)相應(yīng)小很多。

LightGBM只會(huì)保存離散化后的值，在內(nèi)存占用上也會(huì)小很多。

（三）直方圖做差加速

LightGBM的另一個(gè)優(yōu)點(diǎn)是使用直方圖進(jìn)行差分加速。當(dāng)節(jié)點(diǎn)分裂成兩個(gè)時(shí)，右邊子節(jié)點(diǎn)的直方圖就可以直接通過上方父親節(jié)點(diǎn)的直方圖減去左邊其兄弟節(jié)點(diǎn)的直方圖得到，用這種做差的方法可以使其在運(yùn)算速度上加倍。在構(gòu)建完一個(gè)葉子節(jié)點(diǎn)的直方圖后，LightGBM可以先計(jì)算直方圖較小的葉節(jié)點(diǎn)，然后利用直方圖做差來得到直方圖大的葉節(jié)點(diǎn)，這樣，可以以相對較小的成本得到它兄弟葉的直方圖。例如，將某個(gè)特征的取值分成4個(gè)桶，每個(gè)桶里面的樣本個(gè)數(shù)分別為4、4、5、3，左邊子節(jié)點(diǎn)直方圖每個(gè)桶中的樣本個(gè)數(shù)分別為1、1、2、1，那么右邊子節(jié)點(diǎn)的直方圖樣本個(gè)數(shù)分別為3、3、3、2。

（四）帶深度限制的Leaf-wise算法

在直方圖算法之上，LightGBM還進(jìn)行了進(jìn)一步的優(yōu)化。按層生長（level-wise）的決策樹生長策略是大多數(shù)GBDT工具使用的策略，而LightGBM不再使用該策略，轉(zhuǎn)而使用帶有深度限制的按葉生長（leaf-wise）的算法。按層生長（level-wise）同一層的所有節(jié)點(diǎn)都要做分裂，分裂完成后再根據(jù)需要進(jìn)行剪枝，因?yàn)樗翢o區(qū)別地對待同一層中的葉子，需要分裂計(jì)算的節(jié)點(diǎn)過多，所以Levl-wise效率相對較為低下，它帶來了很多不必要的開銷。同一層的其他很多葉子節(jié)點(diǎn)也根本無需進(jìn)行分裂。

Leaf-wise以降低模型損失最大化為目的，是一種更高效的策略。與按層生長的決策樹相比，按葉生長的決策樹只需要在分裂增益收益最大的節(jié)點(diǎn)處進(jìn)行分裂，其他的節(jié)點(diǎn)處不需要進(jìn)行分裂，可以得到更小的誤差，但同時(shí)分裂的次數(shù)會(huì)增加，生長出的決策樹過于龐大，容易產(chǎn)生過擬合。為了解決這個(gè)弊端，LightGBM可以設(shè)置一個(gè)決策樹的最大深度。

四、“高送轉(zhuǎn)”預(yù)測模型的實(shí)現(xiàn)

（一）影響因子

參考已有相關(guān)文獻(xiàn)，將影響上市公司高送轉(zhuǎn)主要因素確定為基本每股收益、每股凈資產(chǎn)、股票價(jià)格、總股本、每股營業(yè)收入、每股資本公積、每股未分配利潤、每股現(xiàn)金流量、每股經(jīng)營現(xiàn)金流9個(gè)因素。將上述9項(xiàng)指標(biāo)作為自變量，是否實(shí)施“高送轉(zhuǎn)”作為二分類因變量，將實(shí)施“高送轉(zhuǎn)”的公司標(biāo)記為1，沒有實(shí)施“高送轉(zhuǎn)”的公司標(biāo)記為0。

（二）數(shù)據(jù)獲取

從同花順軟件客戶端下載A股所有上市公司共4266家

2018年至2020年的上述9項(xiàng)指標(biāo)，鑒于科創(chuàng)板投資具有較高門檻，且從歷史數(shù)據(jù)看科創(chuàng)板公司分紅意愿較低，本研究將科創(chuàng)板所有公司剔別除。將2018年公司年報(bào)披露數(shù)據(jù)作為訓(xùn)練集，將2019年報(bào)披露的數(shù)據(jù)作為測試集，將訓(xùn)練出的最終模型作為“高送轉(zhuǎn)”預(yù)測模型，并以2020年上市公司半年報(bào)數(shù)據(jù)作為依據(jù)，預(yù)測出2021年即將實(shí)施“高送轉(zhuǎn)”的公司。別除掉少量空白無效數(shù)據(jù)后，共得到訓(xùn)練集3651組數(shù)據(jù)，測試集3520組數(shù)據(jù)。

（三）LightGBM參數(shù)設(shè)置

超參數(shù)是機(jī)器學(xué)習(xí)之前人為設(shè)置的變量，模型參數(shù)是通過模型訓(xùn)練得到的參數(shù)數(shù)據(jù)，模型超參數(shù)是模型外部的配置。雖然無法知道給定問題的模型超參數(shù)的最佳值，但是我們可以使用經(jīng)驗(yàn)法則，在其他問題上使用復(fù)制值，或通過反復(fù)試驗(yàn)來搜索最佳值。設(shè)置模型超參數(shù)時(shí)，需要我們根據(jù)經(jīng)驗(yàn)設(shè)置較為合適的值，使得模型的訓(xùn)練能力與實(shí)際情況較為吻合。

（四）交叉驗(yàn)證

因?yàn)槟Ｐ偷膮?shù)和結(jié)構(gòu)不同，一般無法直接評估不同模型的泛化能力，為了更好地理解模型的泛化能力，引入了交叉驗(yàn)證。在劃分?jǐn)?shù)據(jù)集時(shí)，通常將數(shù)據(jù)集劃分為三個(gè)子數(shù)據(jù)集，分別稱為訓(xùn)練集（train set）、評估集（valid set）和測試集（testst）。交叉驗(yàn)證結(jié)果越小，模型的泛化能力越強(qiáng)。交叉驗(yàn)證的

一個(gè)極端稱為去一法。也就是說，每次從數(shù)據(jù)中提取一個(gè)樣本，然后用其余樣本進(jìn)行訓(xùn)練。k-fOLd交叉驗(yàn)證將數(shù)據(jù)分為k個(gè)部分，每次提取其中一個(gè)部分，其余部分用于測試，共總需要k次。通常，用5折和10折交叉驗(yàn)證。

（五）模型評估

本文使用AUC指標(biāo)來評估訓(xùn)練好的模型。對于二元分類問題，結(jié)果標(biāo)簽可以分為1和0。在實(shí)踐中，會(huì)出現(xiàn)以下四種情況：

將上述四種情況進(jìn)行組合，可以得到一個(gè)混淆矩陣。

由混淆矩陣可以引出真陽率（TPR）、假陽率（FPR）兩個(gè)概念：TPR表示真實(shí)類別為1的樣本中預(yù)測類別也為1的比例，F(xiàn)PR表示預(yù)測類別1在具有真實(shí)類別0的樣本中所占的比例。在這個(gè)例子中，“高送轉(zhuǎn)”的實(shí)施記為1，否則標(biāo)記為0。

ROC曲線是以FPR為橫軸，以TPR為縱軸繪制的曲線。在大多數(shù)情況下，TPR大于FPR，這是我們想要的。而AUC表達(dá)的含義是ROC曲線下方的面積，因此AUC的值一般大于0.5。在最佳的理想情況下，AUC的值為1，在現(xiàn)實(shí)生活中幾乎不存在。作為衡量模型準(zhǔn)確率的指標(biāo)，我們希望AUC值越大越好。一般情況下，AUC值在0.85和1之間就表明模型有較好的預(yù)測能力。經(jīng)過208輪循環(huán)后，我們得到最佳AUC的值為0.901886。

（六）訓(xùn)練模型并預(yù)測

將訓(xùn)練出的模型保存為best_model.pkl。將2019年數(shù)據(jù)導(dǎo)入該模型，預(yù)測出是否“高送轉(zhuǎn)”標(biāo)簽值為1的公司有三家，分別為金馬游樂、銳科激光、邁為股份，其中前兩家已確定為實(shí)施了“高送轉(zhuǎn)”，表明該模型對測試集預(yù)測的準(zhǔn)確率為23。再將預(yù)測集2020年上市公司的數(shù)據(jù)導(dǎo)入模型，預(yù)測出是否實(shí)施“高送轉(zhuǎn)”標(biāo)簽的值保存為y_yuce_pred。該數(shù)值越接近1，表明實(shí)施“高送轉(zhuǎn)”的可能性越大。選取10家是否“高送轉(zhuǎn)”標(biāo)簽值最高的公司，其中有6家公司已經(jīng)在2020年年報(bào)中披露會(huì)實(shí)施“高送轉(zhuǎn)”行為，表明該模型對預(yù)測集的準(zhǔn)確率達(dá)到60%。

五、結(jié)論與啟示

本文首先介紹了我國A股市場題材概念股炒作的市場背景，闡述了在我國A股市場上準(zhǔn)確預(yù)測出下一年“高送轉(zhuǎn)”公司的意義。其次簡單介紹了機(jī)器學(xué)習(xí)中LightGBM算法原理。最后利用LightGBM算法模型構(gòu)建訓(xùn)練集最佳模型，并利用該模型預(yù)測下一年最有可能實(shí)施“高送轉(zhuǎn)”的10家公司供投資者參考盡管本文做出了機(jī)器學(xué)習(xí)LightGBM算法在“高送轉(zhuǎn)”預(yù)測的應(yīng)用，提供了“高送轉(zhuǎn)”公司預(yù)測名單，但仍要提醒投資者注意規(guī)避風(fēng)險(xiǎn)，不可盲目參與“高送轉(zhuǎn)”題材炒作。同時(shí)呼吁投資者要保持客觀理性，監(jiān)管層要加強(qiáng)監(jiān)管，使我國金融市場不斷健康發(fā)展。

參考文獻(xiàn)：

[1]BakerM.，Wurgler J.A catering theory of dividends[J].Journal of Finance，2004，59（3）：1125-1165.

[2]Fama，E.F.，F(xiàn)rench，K.R..Dividend yields and expected stock returns[J].Journal of financial ecnomics.1988.22（1）：3-25

[3]Li.W.&Lie.E.Dividend changes and catering Incentives[J].Journal of Financial Economics，2006，（80）：293-308.

[4]LintnerJ.Distribution of incomes of corporations among dividends，retainedearning，and taxes[J].The American Economic Review，1956，46（2）：97-113.

[5]Miller，M.H.，Modigliani F.Dividend pOLicy，growth，and the val-uation of shares[J].the Journal of Business，1961，34（4）：411-433

[6]陳浪南，姚正春.中國股利政策信號傳遞作用的實(shí)證研究.金融研究，2000，（10）：69-77.

[7]何濤，陳小悅.中國上市公司送股、轉(zhuǎn)增行為動(dòng)機(jī)初探.金融研究，2003，（9）：44-56.

[8]呂長江，王克敏.上市公司股利政策的實(shí)證分析[J].經(jīng)濟(jì)研究1999，（12）：31-39.

[9]劉大進(jìn).創(chuàng)業(yè)板上市公司“高送轉(zhuǎn)”動(dòng)機(jī)與效益分析.集美大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2011，（1）：36-39.

[10]劉紅忠，張昉.投資者情緒與上市公司投資——行為金融角度的實(shí)證分析[.復(fù)旦學(xué)報(bào)：社會(huì)科學(xué)院，2004，（5）：63-68.

[11]李昆，宋婷婷.送股和轉(zhuǎn)增對股東結(jié)構(gòu)和股票流動(dòng)性的影響統(tǒng)計(jì)與決策，2005，（09X）：97-98.

[12]凌士勤，謝忱.基于L0git模型的高送轉(zhuǎn)投資策略[J].時(shí)代金融，2017，（7）.

[13]李心丹，俞紅梅，陸蓉等.中國證券市場“高送轉(zhuǎn)”現(xiàn)象研究管理世界，2014，（11）：133-145.

[14]石好，刑小艷基于模式識別的“高送轉(zhuǎn)”預(yù)測模型[J]云南：時(shí)代金融，2016，（12）：289-290.

[15]沈海平.我國上市公司高送轉(zhuǎn)公告效應(yīng)的實(shí)證研究[J].區(qū)域金融研究，2011，（4）：47-51.

[16]唐家麒.“高送轉(zhuǎn)”股利分配政策信號傳遞作用研究[J].上海：復(fù)旦大學(xué)，2012

[17刀魏剛.中國上市公司股利分配的實(shí)證研究[J].經(jīng)濟(jì)研究，1998，（6）：31-35

[18]王鵬，孔劉柳.影響創(chuàng)業(yè)板上市公司進(jìn)行高送轉(zhuǎn)的因素——基于L0git模型分析[.中國林業(yè)經(jīng)濟(jì)，2016，（3）：35-41.

[19]吳松諺深圳創(chuàng)業(yè)板市場運(yùn)行與解讀[M].北京：經(jīng)濟(jì)科學(xué)出版社，2012.

[20]謝忱.基于高送轉(zhuǎn)的投資策略研究設(shè)計(jì)[J].湖北：中南財(cái)經(jīng)政法大學(xué)，2017.

[21]刑小艷.基于模式識別的“高送轉(zhuǎn)”投資策略研究[J]廣東：華南理工大學(xué)，2016.

[22]徐慧玲，呂碩夫.中國上市公司“高送轉(zhuǎn)”股利政策分析[J]經(jīng)濟(jì)研究，2012，（11）：84-88.

[23]熊義明，陳欣.中國上市公司送轉(zhuǎn)行為動(dòng)因研究——基于高送轉(zhuǎn)樣本的檢驗(yàn)[北京：經(jīng)濟(jì)與管理研究，2012，（5）：81-88

[24]楊漢明.股利政策與企業(yè)價(jià)值一基于中國上市公司的分析[M].北京：經(jīng)濟(jì)科學(xué)出版社，2008.