我國(guó)定向增發(fā)股的優(yōu)化組合投資策略研究

于 菲， 趙 鴻

（廈門大學(xué)物理與機(jī)電工程學(xué)院，廈門 361005）

定向增發(fā)即上市公司以新發(fā)行一定數(shù)量的股份為對(duì)象，向特定的投資者發(fā)行的一種融資方式，發(fā)行的過程往往伴有上市公司資產(chǎn)收購(gòu)、吸收合并、引入戰(zhàn)略投資者及資產(chǎn)重組等目的.定向增發(fā)完成后，公司的股權(quán)結(jié)構(gòu)往往會(huì)發(fā)生較大的變化，甚至發(fā)生控股權(quán)變更.定向增發(fā)與公開增發(fā)、配股一起均是上市公司股權(quán)再融資的主要手段，由于其發(fā)行要求低、融資快、有利于獲得機(jī)構(gòu)投資者支持等一系列優(yōu)勢(shì)，使得定向增發(fā)自2006年4月《上市公司證券發(fā)行管理辦法》頒布以來成為了上市公司一種重要的再融資方式.

面對(duì)發(fā)展迅速的定向增發(fā)，對(duì)其投資策略的研究成為社會(huì)及學(xué)術(shù)界關(guān)注的焦點(diǎn).國(guó)外學(xué)者對(duì)國(guó)外上市公司私募發(fā)行再融資績(jī)效進(jìn)行了大量的研究［1－3］，主要是對(duì)單支或少數(shù)幾支股票進(jìn)行深入的分析，并將分析集中于私募發(fā)行前后的階段性股價(jià)公告反應(yīng)，尤其對(duì)于具體投資策略的設(shè)計(jì)大多集中在主動(dòng)化（側(cè)重于投資時(shí)點(diǎn)）、短期化［4］（側(cè)重于短期交易性套利）的方向上.這類策略雖然可以及時(shí)介入投資機(jī)會(huì)，減少信息價(jià)值的衰減程度，但也會(huì)增加投資者投資管理過程中的復(fù)雜程度，有時(shí)甚至?xí)瓞F(xiàn)金流的混亂，以致無法達(dá)到最初設(shè)計(jì)的投資目的.

中國(guó)作為一個(gè)新興的資本市場(chǎng)，其上市公司的定向增發(fā)制度背景同發(fā)達(dá)國(guó)家成熟資本市場(chǎng)有很大的差別，這些差異必然會(huì)導(dǎo)致中國(guó)上市公司定向增發(fā)后的投資策略具有自身的特點(diǎn).同時(shí)由于我國(guó)證券市場(chǎng)歷史較短，定向增發(fā)的樣本太少以及我國(guó)上市公司股改之前特殊的股權(quán)結(jié)構(gòu)等原因，國(guó)內(nèi)相關(guān)的研究工作還比較少［5－6］，并且主要集中在股權(quán)分置時(shí)期.對(duì)于股權(quán)分置改革后的投資策略研究較少，且主要針對(duì)短階段投資［7］，還沒有遇見到通過對(duì)定向增發(fā)股進(jìn)行統(tǒng)計(jì)分析提出相應(yīng)優(yōu)化組合策略的量化研究工作，對(duì)定向增發(fā)股的長(zhǎng)期投資策略則幾乎未有涉及.

本文擬運(yùn)用數(shù)理統(tǒng)計(jì)方法，結(jié)合人工神經(jīng)網(wǎng)絡(luò)等工具，通過對(duì)歷史數(shù)據(jù)的統(tǒng)計(jì)分析提出從大量的定向增發(fā)股中選擇具有長(zhǎng)期投資價(jià)值的成長(zhǎng)性優(yōu)化投資組合的方法.這套方法主要包括定向增發(fā)股基本股票池建立、建倉(cāng)日投資時(shí)點(diǎn)確定、敏感特征指標(biāo)選取、評(píng)分模型確定、優(yōu)化指數(shù)構(gòu)造和計(jì)算這幾個(gè)步驟.本文首先對(duì)定向增發(fā)股基本情況及獲利方式進(jìn)行簡(jiǎn)單介紹，以幫助非金融股票行業(yè)的學(xué)者了解本文的研究背景，然后介紹定向增發(fā)股優(yōu)化投資組合的尋找策略和實(shí)證結(jié)果.本文建立了由196個(gè)定向增發(fā)股樣本組成的基本樣本池，由對(duì)定向增發(fā)股投資時(shí)點(diǎn)的選擇來確定當(dāng)日股票池，再通過分析選擇出4個(gè)特征指標(biāo)作為每支股票的輸入變量，最后通過對(duì)比確定以人工神經(jīng)網(wǎng)絡(luò)作為評(píng)分模型，并以此選擇出25支定向增發(fā)股構(gòu)造最優(yōu)組合，同時(shí)給出以這25支股票構(gòu)造的定向增發(fā)優(yōu)化指數(shù)的回溯測(cè)試結(jié)果.

1 研究背景和研究目標(biāo)

上市公司定向增發(fā)的目的多樣，根據(jù)上市公司實(shí)施定向增發(fā)的動(dòng)機(jī)可以將定向增發(fā)主要分為幾類，如圖1所示.

圖1 定向增發(fā)的分類Fig.1 Classification of private equity placement

股票市場(chǎng)的投資者主要分為上市公司大股東及其關(guān)聯(lián)方、機(jī)構(gòu)投資者和散戶，不同類型的投資者其對(duì)應(yīng)的投資策略有所不同.首先，對(duì)于一級(jí)市場(chǎng)投資（即參與新股的發(fā)行）來說，借殼上市、公司間資產(chǎn)重組和引進(jìn)戰(zhàn)略投資者類定向增發(fā)的發(fā)行對(duì)象大部分面向大股東及其關(guān)聯(lián)方，機(jī)構(gòu)投資者無法全面參與；占定向增發(fā)大比例的項(xiàng)目融資和集團(tuán)資產(chǎn)注入類定向增發(fā)則是部分或完全定向增發(fā)給機(jī)構(gòu)投資者，即便如此，由于定向增發(fā)一級(jí)市場(chǎng)對(duì)定向增發(fā)對(duì)象以及參與時(shí)間均有諸多限制，使得機(jī)構(gòu)投資者對(duì)其投資的難度加大.

其次，則是在二級(jí)市場(chǎng)上尋找投資機(jī)會(huì)，這主要是對(duì)機(jī)構(gòu)投資者和散戶而言的，其投資策略主要分為兩種：一種是關(guān)注于定向增發(fā)發(fā)行之前的幾大關(guān)鍵日期（預(yù)告日、股東大會(huì)日、公告日等），通過統(tǒng)計(jì)分析相應(yīng)日期前后的超額收益率，進(jìn)行短線交易性投資.這類策略由于其持倉(cāng)時(shí)間短且入場(chǎng)時(shí)間不規(guī)律，也只關(guān)注于短期的投資收益；另一種則是注重定向增發(fā)股的未來成長(zhǎng)性，分別就定向增發(fā)股的各方面指標(biāo)進(jìn)行分析后選取優(yōu)質(zhì)成長(zhǎng)股獲取上市公司的成長(zhǎng)收益，這種投資策略則比較長(zhǎng)遠(yuǎn).但是，定向增發(fā)股有其投資策略的特殊性：一是受市場(chǎng)情緒影響其股價(jià)在不同關(guān)鍵日有較大幅度的波動(dòng)，這對(duì)于投資的時(shí)間選擇則需要逐個(gè)分析；二是定向增發(fā)股種類繁多，不同定向增發(fā)目的的股票其利好因素相差較大.從而使得基于單個(gè)股票的投資策略不確定性較大且難以規(guī)范化.在此背景下，本文探索以優(yōu)化組合投資方式、長(zhǎng)期投資價(jià)值、較小人為因素影響及固定的入場(chǎng)時(shí)間為特點(diǎn)的定向增發(fā)股投資新策略.

股票市場(chǎng)有許多刻畫股票投資收益的指標(biāo)參數(shù)，現(xiàn)列出幾個(gè)本文中涉及到的指標(biāo).

日收益率

式中，Ri（t，t－1）為證券i從第t－1天至第t天的收益率；pi，t為證券i在第t個(gè)交易日的收盤價(jià)；pi，t－1為證券i在第t－1個(gè)交易日的收盤價(jià).

超額收益率

式中，ARi（t，t－1）為證券i從第t－1天至第t天的超額收益率；Ri（t，t－1）為證券i從第t－1天至第t天的實(shí)際收益率，Rb（t，t－1）代表基準(zhǔn)證券或指數(shù)從第t－1天至第t天的實(shí)際收益率.

累計(jì)平均超額收益率

夏普比率

式中，E（Rp）為投資組合預(yù)期報(bào)酬率；Rf為無風(fēng)險(xiǎn)利率；σp為投資組合的標(biāo)準(zhǔn)差，反映了單位投資組合凈值增長(zhǎng)率超過無風(fēng)險(xiǎn)收益率的程度.

信息比率

式中，ARp為投資組合的超額收益率；σARp為超額收益率的標(biāo)準(zhǔn)差，它反映了投資組合單位主動(dòng)風(fēng)險(xiǎn)所帶來的超額收益.

2 優(yōu)化投資組合選取方法和定向增發(fā)優(yōu)化指數(shù)構(gòu)造

本文提出的優(yōu)化投資組合策略包括兩部分，即優(yōu)化投資組合選取方法和定向增發(fā)股優(yōu)化指數(shù)編制.第一部分包括股票基本樣本池建立、建倉(cāng)日的投資時(shí)點(diǎn)確定、股票特征指標(biāo)選取、評(píng)分模型選定、作為定向增發(fā)優(yōu)化指數(shù)成分股的優(yōu)質(zhì)股選取.第二部分是指數(shù)編制方法和實(shí)證分析.

2.1 數(shù)據(jù)來源和基本樣本池建立

滬深A(yù)股2006年初至2011年9月30日期間成功實(shí)施的定向增發(fā)的股票共712支.為了進(jìn)行有效的數(shù)據(jù)分析，首先根據(jù)以下規(guī)則進(jìn)行篩選得出基本樣本池：a.成功實(shí)施定向增發(fā).b.其最短解禁日距今超過一年半.c.剔除ST股（經(jīng)滬深交易所認(rèn)定的在財(cái)務(wù)或其它方面出現(xiàn)異常狀況的上市公司股票）樣本.d.上市時(shí)間超過一個(gè)季度.e.有機(jī)構(gòu)投資者參與.值得注意的是，股票市場(chǎng)有個(gè)別股票會(huì)出現(xiàn)長(zhǎng)時(shí)間停盤、甚至直接重組重新上市的情況，故本文的樣本通過條件d約束以防止出現(xiàn)極端情況.經(jīng)過篩選后，得到符合標(biāo)準(zhǔn)的定向增發(fā)樣本共196個(gè).大盤指數(shù)選用滬深300指數(shù)，因考慮到定向增發(fā)都是股權(quán)分置改革后進(jìn)行的，本文采用了全流通向后復(fù)權(quán)的股票價(jià)格.數(shù)據(jù)均來自Wind和天軟金融數(shù)據(jù)庫(kù)［8－9］.

2.2 建倉(cāng)日的投資時(shí)點(diǎn)確定

本文以定向增發(fā)發(fā)行日為時(shí)點(diǎn)，選擇經(jīng)過篩選后的樣本數(shù)據(jù)，統(tǒng)計(jì)這些股票自定向增發(fā)公告日前4個(gè)月至解禁日后1年半的每月平均超額收益率（相對(duì)于滬深300指數(shù)）.需要注意的是，定向增發(fā)對(duì)于機(jī)構(gòu)投資者的禁售期規(guī)定為1年，對(duì)大股東及其關(guān)聯(lián)方的禁售期規(guī)定為3年，由于本文的樣本均有機(jī)構(gòu)投資者參與，進(jìn)而可以認(rèn)定圖2中自定向增發(fā)公告日后的12個(gè)月即為定向增發(fā)股對(duì)機(jī)構(gòu)投資者的禁售期.m為月份.

圖2 定向增發(fā)二級(jí)市場(chǎng)超額收益情況Fig.2 Excess profits in the secondary market of private equity placement

從圖2中可以發(fā)現(xiàn)，定向增發(fā)在定向增發(fā)公告日之前的超額收益較高，禁售期內(nèi)的超額收益率普遍為負(fù)值，解禁后的超額收益率普遍大于0，說明剔除掉大盤的影響之后，定向增發(fā)各股股價(jià)在定向增發(fā)公告日前走勢(shì)較好，在定向增發(fā)后總體呈下行趨勢(shì)，在解禁日到來之時(shí)達(dá)到最低，解禁之后則普遍上揚(yáng).其背后的原因可以理解為：股價(jià)經(jīng)歷了定向增發(fā)公告前幾個(gè)公告日效應(yīng)的大幅度波動(dòng)與上揚(yáng)，于定向增發(fā)完成之后趨于平穩(wěn)回落，此時(shí)定向增發(fā)對(duì)上市公司帶來的實(shí)際效益還未能體現(xiàn)；至解禁日臨近之時(shí)，禁售股面臨上市流通，不論上市公司、大股東，還是機(jī)構(gòu)投資者均有動(dòng)力拉升股價(jià)；解禁日之后定向增發(fā)效益顯現(xiàn)，形勢(shì)逐漸明朗，此時(shí)股價(jià)的提升則是定向增發(fā)股成長(zhǎng)性的體現(xiàn).可以看到，自解禁日后1年半的時(shí)間區(qū)間是超額收益顯著提升時(shí)段.

考慮到建倉(cāng)日時(shí)股票池內(nèi)股票數(shù)目的穩(wěn)定，確定以半年為1個(gè)換倉(cāng)周期，在每個(gè)建倉(cāng)日選擇當(dāng)日處于定向增發(fā)解禁日后1年這個(gè)時(shí)間段內(nèi)的定向增發(fā)股作為初始股票池.

2.3 定向增發(fā)股特征指標(biāo)選取

根據(jù)定向增發(fā)股的特征，選擇溢價(jià)率、PE（市盈率）、ROE（凈資產(chǎn)收益率）等作為備選特征指標(biāo)，如表1所示.

表1 定向增發(fā)股備選特征指標(biāo)Tab.1 Alternative feature indexes of private shares

為了分析其中哪些指標(biāo)對(duì)優(yōu)化組合比較敏感，對(duì)樣本股票在2008－01－02～2010－07－01時(shí)間段內(nèi)進(jìn)行了回溯測(cè)試.

a.每個(gè)交易日選擇符合下述要求的股票放入股票池：當(dāng)日處于解禁日后1年時(shí)間段內(nèi)；有機(jī)構(gòu)投資者參與；非ST股；上市時(shí)間不超過1個(gè)季度.

b.從數(shù)據(jù)庫(kù)取得或計(jì)算出股票池內(nèi)股票在每一個(gè)交易日的相應(yīng)備選特征指標(biāo)值.

c.在每個(gè)交易日，將股票池內(nèi)各股按單一備選特征指標(biāo)值進(jìn)行排序，并分別取排名前10%和后10%的股票進(jìn)行組合（溢價(jià)率、PE、總市值由低到高排序，募集比例、ROE、主營(yíng)業(yè)務(wù)收入增長(zhǎng)率、相對(duì)基價(jià)比率由高到低排序）.前10%的組合代表當(dāng)日該指標(biāo)表現(xiàn)好的股票組合，后10%的組合則是當(dāng)日該指標(biāo)表現(xiàn)差的股票組合.

d.對(duì)每個(gè)交易日計(jì)算當(dāng)日的兩組組合相對(duì)滬深300指數(shù)在未來半年內(nèi)的平均年化超額收益率，再將兩組值作差值序列分析（即將每日前10%組的未來半年內(nèi)平均年化超額收益率值與后10%組的未來半年內(nèi)平均年化超額收益率值做差得到的差值序列進(jìn)行分析）.如表2所示.

表2 差值序列分析Tab.2 Difference sequence analysis

可見，不同的指標(biāo)對(duì)于這兩組好的組合與差的組合的區(qū)分度是不一樣的.如果某個(gè)指標(biāo)均值為0，且差值序列大于0的比例約為50%，這個(gè)指標(biāo)對(duì)于“好”和“壞”的組合就沒有區(qū)分度，這個(gè)指標(biāo)也就失去了意義.因此，選擇那些在每個(gè)年份的均值大于0且差值序列大于0、比例大于60%的指標(biāo)作為每個(gè)股票的特征指標(biāo).可見符合要求的指標(biāo)只有溢價(jià)率、募集比例、ROE和總市值這4個(gè)指標(biāo).

2.4 評(píng)分模型選取

選定4個(gè)特征指標(biāo)后，每個(gè)股票每個(gè)交易日對(duì)應(yīng)1個(gè)4維矢量.實(shí)踐中可以用以下方式給這些4維矢量賦值.按照特征指標(biāo)在股票池中的排序給對(duì)應(yīng)的分量賦值，即它的序號(hào)就是它的分量值.賦值之后，需要選擇1個(gè)合適的評(píng)分模型對(duì)每個(gè)股票打分.目前有幾種較為流行的打分模型，如等權(quán)重評(píng)分法、排序回歸評(píng)分法等.本文則首次提出利用多層前饋神經(jīng)網(wǎng)絡(luò)來進(jìn)行評(píng)分的神經(jīng)網(wǎng)絡(luò)評(píng)分法.

a.等權(quán)重評(píng)分法.

式中，SCμ為第μ支股票的總得分；Sj，μ為第μ支股票按照第j個(gè)指標(biāo)的大小在所有股票中排序后的序號(hào)；M為特征指標(biāo)數(shù).

此法將各指標(biāo)的排序得分按等分權(quán)重加總并排序.可見這是一個(gè)非常粗糙的打分方法，沒有對(duì)不同指標(biāo)進(jìn)行區(qū)分.

b.排序回歸評(píng)分法.

式中，ωj為最優(yōu)評(píng)分權(quán)重，采用上一年度各指標(biāo)的排序號(hào)作為自變量，下一年度相應(yīng)股票1個(gè)換倉(cāng)周期的收益率大小排序后的序號(hào)為因變量，作線性回歸，以此權(quán)重對(duì)下一年度各指標(biāo)的排序得分加總.這樣做結(jié)合下一年的實(shí)際收益情況對(duì)加權(quán)系數(shù)進(jìn)行了線性優(yōu)化.

c.神經(jīng)網(wǎng)絡(luò)評(píng)分法［10］.

式中，Sjμ為第μ支股票按照第j個(gè)指標(biāo)的大小在所有股票中排序后的序號(hào)；wij為第j個(gè)輸入層神經(jīng)元和第i個(gè)隱含層神經(jīng)元之間的連接權(quán)值為隱含層第i個(gè)神經(jīng)元和輸出層神經(jīng)元之間的連接權(quán)值，隱含層和輸出層傳輸函數(shù)分別采用雙曲正切函數(shù)f（x）＝tanh x和線性函數(shù)g（x）＝x；hiμ和viμ分別為隱含層第i個(gè)神經(jīng)元局域場(chǎng)和輸出；SCμ為輸出層實(shí)際輸出值；βi和θi分別為隱含層第i個(gè)神經(jīng)元的增益因子和偏置值為輸出層神經(jīng)元局域場(chǎng).

這是一個(gè)簡(jiǎn)單的3層人工神經(jīng)網(wǎng)絡(luò).在該神經(jīng)網(wǎng)絡(luò)中，輸出層的神經(jīng)元個(gè)數(shù)為1（每支股票的最后得分為1個(gè)結(jié)果），輸入層神經(jīng)元數(shù)目是M（特征指標(biāo)數(shù)目），隱含層神經(jīng)元的數(shù)目為N，均為可控參數(shù).

設(shè)計(jì)1個(gè)3層的網(wǎng)絡(luò)有很多方法，如反向傳播算法［11］、支持向量機(jī)［12］等，本文采用最近提出的一種比較靈活的設(shè)計(jì)算法［13－14］.具體做法與排序回歸評(píng)分法類似，采用上一年度各指標(biāo)的排序得分作為自變量，以下一年度相應(yīng)股票1個(gè)換倉(cāng)周期的收益率為因變量，將其放到神經(jīng)網(wǎng)絡(luò)里進(jìn)行非線性擬合，以得出最優(yōu)的權(quán)重矩陣.對(duì)于處理大量的復(fù)雜數(shù)據(jù)，人工神經(jīng)網(wǎng)絡(luò)具有常常具有優(yōu)越性.

根據(jù)這3種評(píng)分模型分別選出25支股票，然后分別計(jì)算它們的走勢(shì)和月度勝率.結(jié)果如圖3和圖4所示.I為指數(shù)值，D為日期，R為月度勝率，n為種類.

圖3 不同評(píng)分模式的指數(shù)走勢(shì)Fig.3 Index trends in different models

圖4 不同評(píng)分模型的月度勝率Fig.4 Monthly losing of indexes in different models

為了比較，在圖2中也列出了滬深300指數(shù)的走勢(shì).可以看出，3種模型給出的組合均優(yōu)越于滬深300指數(shù)，而神經(jīng)網(wǎng)絡(luò)評(píng)分模型給出了最好的結(jié)果.

2.5 定向增發(fā)優(yōu)化指數(shù)編制及走勢(shì)分析

為了表征優(yōu)化投資組合的性能，進(jìn)一步編制了一套指數(shù)予以刻畫.這需要固定1個(gè)換倉(cāng)周期（如半年或1年），在每個(gè)建倉(cāng)日按照上述的優(yōu)化投資組合計(jì)算方法從股票池內(nèi)選擇出一批優(yōu)質(zhì)定向增發(fā)股，使得這批優(yōu)質(zhì)定向增發(fā)股能夠在接下來的一個(gè)換倉(cāng)周期內(nèi)表現(xiàn)優(yōu)異，直至新的建倉(cāng)日來臨后再重新獲得新的一批優(yōu)質(zhì)定向增發(fā)股，如此周而復(fù)始.最后在整個(gè)時(shí)間段內(nèi)將倉(cāng)內(nèi)的股票市值按照一定的權(quán)重做定向增發(fā)優(yōu)化指數(shù).具體來講，按照下述方案編制該指數(shù)：首先從滬深A(yù)股中選擇進(jìn)行過定向增發(fā)、建倉(cāng)日處于該股解禁日后1年時(shí)間段內(nèi)、有機(jī)構(gòu)投資者參與的股票，從中剔除ST股以及上市時(shí)間不超過1個(gè)季度的個(gè)股，得到備選股票池.然后對(duì)股票池中的每支股票的溢價(jià)率、募集比例、ROE、總市值這4個(gè)特征指標(biāo)根據(jù)其在股票池中的排序進(jìn)行賦值，并代入神經(jīng)網(wǎng)絡(luò)評(píng)分模型對(duì)每支股票進(jìn)行評(píng)分，選取得分最高的前25支作為指數(shù)成份股.選出成分股后，定向增發(fā)優(yōu)化指數(shù)的編排方法可仿照滬深300指數(shù)的編排方法進(jìn)行.本文選指數(shù)基期為2008年1月2日，指數(shù)基點(diǎn)定為1 000點(diǎn).換倉(cāng)時(shí)點(diǎn)定為每年1月、7月第1個(gè)交易日，即半年換倉(cāng)一次.指數(shù)計(jì)算方法采用通常的除數(shù)法.但是，根據(jù)不同的加權(quán)法（按流通市值加權(quán)、按定向增發(fā)額加權(quán)、按等權(quán)加權(quán)）可以分別得到3個(gè)指數(shù).

本文選取的指數(shù)回溯測(cè)試區(qū)窗口期為2008－01－02～2011－09－20，按照不同加權(quán)方法計(jì)算定向增發(fā)優(yōu)化指數(shù)，得出的定向增發(fā)優(yōu)化指數(shù)的走勢(shì)由圖5給出.

圖5 定向增發(fā)優(yōu)化指數(shù)走勢(shì)表現(xiàn)Fig.5 Final trends of the private equity placement’s optimization index

從圖5中可以看出，股票池中全部股票的走勢(shì)強(qiáng)于滬深300指數(shù)，這說明定向增發(fā)的確是一個(gè)具有投資價(jià)值的事件.而且，雖然指數(shù)化投資具有一定的信息滯后性，但仍可以保留定向增發(fā)事件的投資價(jià)值.經(jīng)過本文的方法優(yōu)選后的優(yōu)化組合（25支定向增發(fā)股）定向增發(fā)股優(yōu)化指數(shù)在3種常見的加權(quán)方式下均顯著強(qiáng)于滬深300指數(shù)和股票池股票的走勢(shì)，這證明本文選出的優(yōu)化組合具有價(jià)值.

2.6 業(yè)績(jī)?cè)u(píng)價(jià)分析

作者分別分析了定向增發(fā)優(yōu)化指數(shù)及其基準(zhǔn)以1年為子樣本長(zhǎng)度的持有期收益率、持有期超額收益率、夏普比率、信息比率等指標(biāo)，結(jié)果如表3所示.

從表3中可以看出，過去4年中定向增發(fā)優(yōu)化指數(shù)在各種加權(quán)方式下的收益率與夏普比率均顯著高于滬深300指數(shù)，且信息比率較高.同時(shí)，通過統(tǒng)計(jì)發(fā)現(xiàn)流通市值加權(quán)指數(shù)、增發(fā)額加權(quán)指數(shù)和等權(quán)指數(shù)的月度勝率分別為68.2%，70.5%和65.5%，戰(zhàn)勝基準(zhǔn)是大概率事件.

表3 定向增發(fā)優(yōu)化指數(shù)的分析結(jié)果Tab.3 Results of private equity placement’s optimum index

3 結(jié)束語

從優(yōu)化組合的角度對(duì)定向增發(fā)股的投資機(jī)會(huì)進(jìn)行了探索，發(fā)現(xiàn)定向增發(fā)股的溢價(jià)率、募集比例、ROE和總市值等4個(gè)指標(biāo)對(duì)于優(yōu)化組合較為敏感，可以作為選擇優(yōu)化組合的基本特征指標(biāo).同時(shí)，人工神經(jīng)網(wǎng)絡(luò)評(píng)分模型選出的優(yōu)化組合明顯優(yōu)越于其它評(píng)分模型.根據(jù)所選的優(yōu)化組合，編制了定向增發(fā)優(yōu)化指數(shù)，在各項(xiàng)業(yè)績(jī)?cè)u(píng)價(jià)指標(biāo)上均顯著優(yōu)越于滬深300指數(shù)，因此，這一優(yōu)化組合具有良好的投資價(jià)值.這種被動(dòng)的組合指數(shù)式投資方式可以捕捉定向增發(fā)事件的平均投資機(jī)會(huì)，對(duì)于以建立組合為主要投資方式的機(jī)構(gòu)投資者而言，具有實(shí)用意義.當(dāng)然，所有模型都是根據(jù)歷史數(shù)據(jù)建立和測(cè)算的，雖然有樣本外跟蹤，但圖表中展示的效果亦是基于歷史數(shù)據(jù)，未來表現(xiàn)還需進(jìn)一步觀測(cè)證實(shí).

［1］ Michael H，Michael L，James L S，et al.Long－run performance following private placements of equity［J］.The Journal of Finance，2002，57（6）：2595－2617.

［2］ Karen W，Wu Y L.Relationships，corporate governance and performance：evidence from private placements of common stock［J］.Journal of Corporate Finance，2009，15（1）：30－47.

［3］ Dalia M，Samuel S，Raj V.Investor over－optimism and private equity placements［J］.The Journal of Finance， 2005，28（4）：591－608.

［4］ Michael J，Meckling W.The theory of the film：managerial behacior，agency cost and ownership structure［J］.Journal of Financial Economics，1976，3（4）：305－360.

［5］ 陳紅彥.淺析指數(shù)化投資策略［J］.天津經(jīng)濟(jì)，2010（7）：30－33.

［6］ 耿建新，呂躍金，鄒小平，等.我國(guó)上市公司定向增發(fā)的長(zhǎng)期業(yè)績(jī)實(shí)證研究［J］.審計(jì)與經(jīng)濟(jì)研究，2011，6：52－58.

［7］ 賀薇，劉用明.我國(guó)上市公司定向增發(fā)短期股價(jià)表現(xiàn)實(shí)證研究［J］.管理學(xué)家學(xué)術(shù)版，2010（8）：41－27.

［8］ 萬得資訊.Wind金融數(shù)據(jù)庫(kù)［R］.上海：萬得資訊有限公司，1994.

［9］ 天軟科技.天軟金融數(shù)據(jù)庫(kù)［R］.深圳：深圳天軟科技開發(fā)有限公司，2002.

［10］ Xin P，Zhao H.Time series forecasting using multilayer neural network constructed by a Monte－Carlo based algorithm［C］／／IEEE，2009 1st IEEE Symposium on Web Society，2009：264－267.

［11］ Hagan M T，Demuth H B，Beale M H.Neural network design［M］.New York：PWS Publishing Company，1996.

［12］ Vapnik V N.The nature of statistical learning theory［M］.2nd ed.New York：Springer，2000.

［13］ Zhao H.A global algorithm for training multilayer neural networks［DB／OL］.（2006－07－06）［2012－01－03］.http：∥arxiv.org／abs／physics／0607046.

［14］ Zhao H.Designing asymmetric neural networks with associative memory［J］.Phys Rev E，2004，70（6）：066137－066140.