2014年IPO重启后次新股超额收益实证研究：七成次新股上市第2年表现最优-20171206-申万宏源-23页-1mb

次新股超额收益走势分析报告总结

核心内容

本报告基于2014年IPO重启后上市的股票，使用机器学习中的Affinity Propagation聚类方法，对次新股的超额收益走势进行分类分析，揭示其在不同阶段的表现规律。报告指出，次新股的股价走势具有一定的规律性，且与业绩增速密切相关。

主要观点

• 股价走势规律性：次新股的超额收益走势呈现一定的规律性，可以通过机器学习方法进行聚类分析，从而识别出具有相似特征的股票群体。
• 五类典型走势：通过聚类分析，得出五类典型的次新股走势：半年发力型、一年发力型、一年半发力型、区间震荡型、低位盘整型。
• 业绩与股价关系：次新股的业绩拐点通常与超额收益拐点相吻合，业绩表现是股价走势的重要驱动因素。
• 市场影响因素：次新股的表现受市场整体行情、投资者风险偏好、监管导向等因素影响，这些因素可能影响研究结论的适用性。

关键信息

五类次新股典型走势及其分析

投资建议

• 关注一年发力型：这一类股票在上市一年底出现向上拐点，且全部为非国有企业，是投资重点。
• 第二年为关键时期：71.8%的股票在上市第二年有显著超额收益，应重点关注。
• 第三年风险增加：多数股票在第三年难以跑出超额收益，且接近年末时有较大概率跑输大盘。

研究局限

• 样本选择：仅使用2014年IPO重启后上市的股票，且样本为上市满三年的股票，数量较少。
• 市场环境影响：次新股的表现受市场整体行情、投资者风险偏好、监管导向等影响，研究结论可能不适用于所有市场情况。

附录（研究原理）

机器学习简介

• 机器学习是人工智能的重要分支，涉及统计推断和统计学习，常用于数据挖掘、自然语言处理等领域。
• 机器学习分为监督学习、无监督学习、半监督学习和增强学习，其中无监督学习适用于无标签数据的处理。

聚类方法简介

• 聚类是将数据分组的过程，常用方法包括K-means和K-medoids，但它们不适合时间序列分析。
• Affinity Propagation聚类算法不需要指定聚类个数，且代表点为原始数据点，结果稳定。

Affinity Propagation聚类算法原理

• 该算法通过计算数据点之间的吸引信息和归属信息，进行迭代比较，最终确定代表点和聚类。
• 无需预处理时间序列，直接使用原始数据进行聚类。

投资评级说明

• 证券评级：买入（相对强于市场20%以上）、增持（相对强于市场5%~20%）、中性（相对市场-5%~+5%）、减持（相对弱于市场5%以下）。
• 行业评级：看好（行业超越市场）、中性（与市场持平）、看淡（弱于市场）。

法律声明

• 本报告仅供申万宏源研究客户使用，不构成投资建议。
• 报告内容基于公开信息，不保证其准确性或完整性。
• 投资者应自行判断，承担投资风险。

联系方式

• 证券分析师：马晓天 A0230516050002 maxt@swsresearch.com
• 研究支持：施鑫展 A0230117050001 shixz@swsresearch.com
• 联系人：施鑫展 (8621)23297818×7422 shixz@swsresearch.com
• 机构销售团队：
  • 上海：陈陶 021-23297221 18930809221 chentao@swsresearch.com
  • 北京：李丹 010-66500610 18930809610 lidan@swsresearch.com
  • 深圳：胡洁云 021-23297247 13916685683 hujy@swsresearch.com