• 传统股息率计算存在显著不足，静态股息率假设分红延续且忽略业绩与生命周期变化，动态股息率因分红时间点差异出现统计误差，图示兖矿能源和中国神华案例表明这两种计算方法均有偏差 [page::4][page::5]

• 构建预期股息率的核心为分红率与净利润的预测，市值不进行预测，通过“预期分红率×预期净利润/当前市值”计算，体现对未来股息收益的合理估值 [page::6]

• 针对不分红可能性大的股票制定剔除规则，包含预期净利润为负、净利润大幅下滑（>50%）以及债务存在违约瑕疵，确保后续分红预测样本具有较高分红概率 [page::7][page::8][page::9]

• 依据企业不同现金股利政策，将企业分为固定每股派息与固定分红比例两类：

- 固定每股派息政策不随业绩波动，杭州银行示例展示派息稳定性 [page::9][page::10]


- 固定分红比例政策下分红比例随利润变动，是市场多数企业采用的策略，中国人寿案例展示净利润与分红的相关性和分红比例低Beta现象 [page::10][page::11]

• 通过时间序列加权回归筛选出固定分红比例公司，大多数公司回归R²在87%以上，符合模型假设。非固定分红比例公司中，部分符合固定每股派息条件（最大偏离幅度<50%），其余分红政策无明显规律只能使用历史分红预测 [page::11][page::12]

- 净利润预测结合两种方法：
- 采用历史业绩线性外推预测业绩稳定型公司，采用前三季度占全年利润比例变化率<=10%进行区分，示意图显示较好预测效果 [page::14]

- 采用分析师一致预期数据为主，历史业绩外推为辅，剔除分析师覆盖人数<5的股票，分析师一致预期较历史预测MAE低10%-20% [page::15]

• 预期股息率的计算流程含三大类股票剔除及预测策略更新时点设计（预案公告日及除权除息日相关时间节点），动态更新预期分红数据 [page::16]

• 预期股息率组合表现优于传统中证红利指数，基于年末调整股票池，精选预期股息率最高100只股票构建，胜率达77.8%且多数年份超额现金股息率为正 [page::17]

• 以预期股息率构建SmartBeta红利组合，且同时叠加“高质量”和“低波动”因子，显著提升收益表现和风险调整后的回报率 [page::18][page::20][page::21]

• “预期红利+高质量”组合整样本期累计收益远超沪深300及中证红利，凸显高质量因子对红利因子的提升作用 [page::20]

- “预期红利+低波动”组合在保证相对低波动率的同时有效稳定分红收益，表现优异 [page::21]

• 报告提示风险主要基于历史数据存在不可重复验证风险，投资者需注意市场环境变化带来的不确定性 [page::22]

“如何准确测算预期股息率？”报告深度分析

---

1. 元数据与概览

报告标题：如何准确测算预期股息率？——量化选股系列之七
发布机构：光大证券研究所
日期：2022年8月24日
作者：祁嫣然，曲虹宇（均为持证证券分析师）
主题：金融工程，聚焦股息率的计算与预测方法，构建预期股息率指标及其在量化选股中的应用

核心论点：
报告指出传统股息率计算方法（静态与动态股息率）存在显著缺陷，缺乏对企业未来盈利、分红稳定性及估值变化的合理考虑。作者提出，股息率是一个包含丰富价值信息的因子，理想的高股息率股票应满足高盈利、高盈利预期与低估值等条件。因此，测算预期股息率需要构建一个包括分红率、净利润和市值三部分的框架。通过基于上市公司现金分红政策的分类与净利润预测（结合分析师一致预期及历史业绩），建立了更准确的预期股息率指标，并证明其预测效果优于传统指标，如中证红利指数。此外，报告利用该指标构建了多种SmartBeta红利策略组合，均表现优异。[page::0,4,6,17,22]

---

2. 逐节深度解读

2.1 股息率的内涵及传统计算缺陷

• 股息率指标富含多维信息：

高股息率不仅反映当前派息水平，还隐含企业盈利状况、未来盈利预期以及估值水平，且受到现金流状况、企业成长性和负债结构等影响。

• 静态股息率的缺陷：

静态股息率以历史分红金额与当前市值的比值计算，隐含“历史分红可持续”的假设。但如兖矿能源（600188.SH）案例显示，其历年分红金额波动剧烈，采用历史分红作为预测值容易导致偏差（图1和表1）。说明静态股息率不能反映企业未来分红的真实预期。

• 动态股息率的缺陷：

动态股息率基于过去12个月的现金股利计算，存在统计窗口问题，分红时间节点差异导致数据合计误差。例如中国神华（601088.SH）动态股息率在除权除息日前夕呈现零值，是短期统计误差反映，并非真实变化（图2和表2）。动态股息率仍缺乏预测层面合理性。

2.2 预期股息率构建框架

• 股息率可拆解为三部分：分红率、净利润、市值，难度由高到低依次为市值 > 净利润 > 分红率。

- 分红率与公司经营、行业生命周期关联紧密，具有较高可预测性。

• 净利润受企业经营状况和宏观环境影响大，采用分析师一致预期及历史业绩外推相结合策略进行预测。

- 市值不直接预测，通过构造预期股息率指标，反映未来派息表现与当前股价的性价比关系（图3）。

2.3 大概率不分红的股票判定

• 判定逻辑：预期净利润为负、净利润大幅下滑或债务违约均显著降低分红概率，相关股票提前剔除（图4）。

- 负净利润企业分红研究：16只净利润为负仍分红的股票多数为象征性分红，股息单价普遍较低。预测时采用过往亏损期每股派息或认定不分红（表3）。

• 净利润大幅下滑影响：统计显示净利润同比下滑超过50%时，67.66%不分红，超过40%、30%下滑分别对应58.74%、52.57%不分红（图5，表4）。

- 债务瑕疵导致无分红：企业发生债务违约事件后，统计上未来三年均无分红（表5）。因此，违约公司直接剔除出分红预测样本。

2.4 基于现金股利政策的分红率预测

• 现金股利政策主要分两种核心类别：

1）固定每股派息（股利不随盈利波动）
2）固定分红比例（股利与盈利同比例变化）

• 实例说明：

- 杭州银行(600926.SH)采用固定每股派息政策，基本每股收益波动明显，而每股派息保持稳定（图6，图7，表6），说明盈利变化不影响派息金额。
- 中国人寿(601628.SH)采用固定分红比例，派息与盈利呈显著正相关（图8，图9，表7），其分红比例存在“低Beta”现象，即盈利上涨分红涨幅较低，下滑时分红降幅较缓。

• 异常分红处理：

分红比例超过100%被视为异常，剔除后仍具典型的固定分红比例特性，如南玻A（000012.SZ）案例（图10、图11，表8）。

• 时序建模：

通过时间序列加权回归，拟合每股派息与基本每股收益的关系，选取回归R²超过0.8的公司判定为固定分红比例公司，市场主流公司的中位数R²稳定在88%左右，表明此股利政策占绝大部分（表9）。
对剩余公司检测派息的偏离幅度，若最大偏离在50%以内则识别为固定派息政策（表10）。剩余样本分红政策不具预测性，采用上一期实际分红率作为预测。

• 不同股利政策占比：沪深300和中证500成分股中固定分红比例占比最大（近50%以上），固定每股派息占20%左右，其他为不确定或数据不足（图12，图13）。

2.5 净利润预测方法

• 利用三季报后数据结合分析师一致预期和历史业绩线性外推两种方式

- 业绩稳定性依据前三季度净利润占全年比例的最大偏离进行划分，阈值取10%（公式详见正文）

• 业绩稳定型企业用历史线性外推预测，非稳定型企业用上年同期数据预测（图14）

- 二季度数据预测误差较大，不适用，三季度一致预期显著提高预测准确度（图15）

• 分析师覆盖人数≥5的样本使用一致预期，覆盖不足者辅以历史业绩外推（图16）

2.6 预期股息率指标构建完整流程

• 剔除大概率不分红股票后，分红率预测根据公司股利政策类型分别采用不同方法

- 净利润预测结合分析师预期和业绩特征分类选择不同预测方式

• 指标更新时间点合理区分预案公告日前、预案公告日至除权除息日之间及除权除息日后三季报前后的取值和预测逻辑（图18）

- 完整计算流程明确分支逻辑（图19）

2.7 预测能力对比验证

• 以中证红利指数（000922.CSI）为基准，对比以预期股息率选股构建的“预期高股息组合”

- 样本筛选遵循包括连续分红、盈利正数及流动性要求

• 预期股息率高的前100只股票组成组合

- 实际上市年内股息率数据为衡量标准，预期高股息组合整体表现优于中证红利，2015、2016年略低，胜率达77.8%（图20，表11）

2.8 红利SmartBeta组合构建及表现

• 构建“纯红利”组合及“红利+”组合

- “纯红利”组合仅使用预期股息率筛选前50股票，样本空间为中证800和中证1000成分股，连续分红、正盈利（图22，表13）,表现明显优于沪深300和中证红利；

• “红利+高质量”组合在预期红利基础上加入ROIC增强因子（包括成长性、稳定性、持续性加权），循环大幅提升表现（图23，表14）；

- “红利+低波动”组合在预期红利基础上选取过去一年低波动股票，兼顾风险控制和股息收益（图24，表15），整体优于沪深300和中证红利指数；

---

3. 图表深度解读

• 图1及表1 显示兖矿能源历年分红金额波动巨大，分红金额由2015年不足1亿元涨至2021年近100亿元，静态股息率因该波动变化导致预测偏差。[page::4,5]

- 图2及表2 展示中国神华动态股息率在除权除息日前存在暂时为0异常，源于统计方法误差，反映动态股息率本身计算存在缺陷。[page::5]

• 图3 预期股息率拆解模型图，突出分红率、净利润与市值三大构成，以及预测难度排序。[page::6]

- 图4 预期股息率研究流程图，分为剔除大概率不分红股票、预测股利政策和净利润预测三大模块，体现系统完备性。[page::7]

• 图5及表4 净利润不同下滑幅度对应分红行为占比，直观显示净利润下滑越大不分红比例越高，指导剔除策略设计。[page::8]

- 图6、7及表6 杭州银行案例展示固定每股派息政策特点，派息稳定、与业绩无明显直接关联。[page::9,10]

• 图8、9及表7 中国人寿案例表现固定分红比例特征，派息波动与盈利同向，且呈低Beta现象。[page::10]

- 图10、11及表8 异常分红案例（南玻A），剔除分红比例超过1的异常值后，真实分红与业绩关系更规范，说明异常值剔除必要。[page::11]

• 表9 时间序列回归R²统计阐明绝大多数样本企业符合固定分红比例策略，体现大部分企业分红行为的规律性。[page::12]

- 表10 每股派息最大偏离幅度统计展示多数企业不符合固定派息策略，进一步指示对不同策略分类的必要性。[page::12]

• 图12、13 不同分红策略占比时间序列柱状图，显示固定分红比例策略占据主导。[page::13]

- 图14 业绩稳定公司历史业绩线性外推预测效果优于全样本，预测偏差较低，证明业绩稳定为预测基础。[page::14]

• 图15 二季报与三季报预测误差对比，明显三季报预测精准度优，验证时点选择合理。[page::14]

- 图16 分析师预期与历史业绩预测效果对比，分析师预期预测误差更小，优先采用分析师数据。[page::15]

• 图17、18、19 预期股息率分析流程及指标更新时点示意，展现预测逻辑的时间动态性与流程清晰。 [page::15,16]

- 图20及表11 预期高股息组合与中证红利指数比较，呈现预期股息率指标强预测能力，且胜率接近78%。[page::17]

• 表12和图21 红利相关指数构建分类和净值对比，体现SmartBeta指数细致差异及其业绩表现。[page::18]

- 图22及表13 预期红利组合净值及收益年度表现显著优于沪深300和中证红利，验证预期股息率指标有效性。[page::19]

• 图23及表14 预期红利+高质量组合净值与收益数据体现叠加质量因子带来的显著业绩提升效果。[page::20]

- 图24及表15 预期红利+低波动组合表现说明红利与风险控制策略结合的潜力，获得更优的风险调整后收益。[page::21]

---

4. 估值分析（间接体现）

报告未直接涉及传统意义上的市场估值模型（如DCF、市盈率等），而是通过“预期股息率”这一价值因子构建投资组合，侧重因子投资与量化选股的估值角度。预期股息率因子本质上结合了盈利预期与当前市值的市场估值隐含信息，进而体现估值判断：

\[
\text{预期股息率} = \frac{\text{预期净利润} \times \text{预期分红率}}{\text{当前市值}}
\]

市值作为分母体现现价估值水平，净利润与分红率预测体现未来盈利与派息能力。此模型避免了直接预测市值波动的不确定性，强调以分红和盈利为核心的现金流价值预期。

---

5. 风险因素评估

• 报告明确指出所有结论基于历史数据，未来行情、政策及企业行为可能存在不可重复性，导致预测的非可靠性。
• 评级体系与风险提示强调模型及数据的假设限制，提醒投资者理性判断。
• 对分析师一致预期数据的偏高问题有所认知，但仍判定其优于历史外推。覆盖度较低者改用较不精确方法，潜藏误差风险。
• 异常分红行为和企业突发财务违约风险也在模型使用时需关注。

---

6. 批判性视角与细微差别

• 虽然报告提出了系统化的预期股息率预测框架，充分利用企业分红政策和多角度净利润预测，显著提升了预测能力。但仍有依赖稳健假设的成分，如针对业绩稳定性和剔除异常数据的判断，在实际市场多变环境可能存在限制。
• 利用分析师一致预期增强预测力，但其偏向乐观、受限分析师覆盖面，也意味着预测结果可能系统性偏高。
• 市值不参与预测，避免预测复杂度，但可能忽略了价格非理性波动对股息率指标表现的影响。
• 分红政策的分类虽细致，但对政策变化频繁或者信息不透明的企业效果有限。
• 组合构建主要以过去表现最优的因子指标选股，缺少对市场周期变化中模型稳健性的验证数据。

整体来看，报告展现了稳健且信息丰富的股息率预测框架及其应用，并通过历史回测多次验证。其创新性在于结合分红现金政策分类、业绩稳定性、分析师预期及异常值处理，系统性强。

---

7. 结论性综合

本报告系统分析了股息率这一多维价值因子的内涵，指出传统的静态及动态股息率指标存在显著缺陷，不能有效反映企业未来红利能力。作者创新性地基于企业现金股利政策划分，将企业分为固定分红比例和固定每股派息两大类别，针对不同类别分别设计分红率预测模型，并结合分析师一致预期及历史业绩线性外推方法，对净利润进行合理预测，构建了完整的预期股息率计算框架（图3、图19）。

通过严格划分大概率不分红的股票（净利润负增长、业绩大幅下滑及债务违约者），有效剔除扰动样本，进一步提升预测准确率。报告所构建的预期股息率指标在过去十年的实证对比中展现优越的预测能力，胜率达77.8%（图20，表11）。基于此因子构建的多种SmartBeta红利策略组合，包括纯红利、红利+高质量及红利+低波动组合，均表现出显著优于沪深300及中证红利的收益表现（图22、23、24，表13、14、15）。

总体来看，报告提供的预期股息率指标及模型框架不仅提升了股息率因子的预测准确性，还为量化选股提供了价值且可行的工具，进而助力构建更具竞争力的红利类SmartBeta策略组合，成果具备较强的现实指导意义。

报告也客观说明基于历史数据存在局限性，强烈建议投资者结合市场实际、政策环境和公司基本面，综合运用该预期股息率指标。

---

参考文献与致谢

• 光大证券研究所，2022年8月《如何准确测算预期股息率？》报告全文

- Wind数据支持

• 表格与图片数据引用详见正文页码溯源

---

以上为报告全文的详尽分析解构，包含每个章节的关键点总结、图表数据详解及批判性视角。旨在为专业投资者和研究人员提供全面、深刻且清晰的报告理解支持。[page::0-23]

报告