报告的核心观点 - 本报告构建了一个基于XGBoost模型的上市公司违规风险识别模型,近4年预测精准率在73%以上,能够较好地筛选出具有违规风险的公司 [2][6] - 违规行为的发生将导致股票价格出现较长期的下跌,模型预测具有违规风险的股票组合超额整体为跌 [7][8][9] - 将研究框架运用在行业对比上,发现行业指数违规概率较高的指数组合超额收益率也呈现下跌态势,说明该研究框架不仅适用于个股,也适用于行业指数 [10][11][12][13] 报告内容总结 1. 全A违规统计及个股表现 - 全A违规及类型统计:近10年违规事件公司数量呈显著上升趋势,其中"其他"、"虚假记载误导性陈述"和"推迟披露"是主要违规行为 [16][17] - 违规行为披露后的市场表现:虚构资产或利润、违规担保等违规事件对股价有持续负向影响,而内幕交易、偷税等违规事项影响较小 [19] 2. XGBoost的上市公司违规风险识别模型构建 - XGBoost模型简介:XGBoost在机器学习竞赛和实际应用中表现出色的分类预测能力,本报告采用该模型识别上市公司违规风险 [20] - 变量选取及研究方法:选取了财务报表、市场行情、机构调研等多维度指标,并采用半年度预测频率提高模型使用频率 [22][23] - 模型结果分析:模型在预测违规发生和股票/行业指数表现方面均有较好的表现,具有较高违规风险的股票和行业指数整体呈下跌态势 [24][25]