东吴证券-“转”机系列（五）：Logit模型拟合下的转债下修多因子分析-240329

　　本篇报告主要研究了企业转债的下修问题，包括下修的流程、规则以及对下修时机的择时分析。http://www.hibor.com.cn【慧博投研资讯】

　　新规下修披露要求：报告首先介绍了企业转债下修的一般流程，包括在符合特定条件时，公司董事会可以提出转股价格下修方案，并提交给股东大会审议。http://www.hibor.com.cn（慧博投研资讯）之后比较了新规出台前后企业转债下修流程的不同，指出新规对信息披露提出了更高的要求，以增加交易的透明度。并通过两个案例分析（奇正藏药和众兴菌业）展示了新规下企业转债下修流程的实际操作。

　　拟合数据选取：在下修择时部分，我们采用了Logit模型来进行下修择时的分析，以预测现存转债的下修概率。我们根据公司公告手动整理了2018年至2023年间市场现存的566只转债的下修触发记录，总计843条数据。这些数据包括触发日期、实际下修日期、修正前后的转股价格等信息，之后我们从不同角度对数据进行了描述性统计。为了进行Logit模型拟合，数据被进一步限定在2022年8月至2023年12月之间，总计753条数据，确保样本在新规出台后的环境中进行分析。

　　具体模型结果：在模型中，以是否下修作为二元因变量（1表示执行下修，0表示未执行下修），解释变量包括前十大股东持股比例合计、扣非归母净利润增长、触发后一周正股涨跌幅、剩余期限、资产负债率、转股价值、对流通股稀释率等，这些都是基于先前研究和市场常识选定的。实际操作中通过Python的statsmodels库来实现模型的构建和估计，初步的分析结果表明，剩余期限、转股价值、对流通股稀释率三个变量对于下修决策影响显著。之后我们通过不同变量组合代入模型比较得到了效果更好的模型，即将初步回归中显著性较强的三个指标单独代入逻辑回归模型进行模型拟合，结果表明这三个变量对下修决策的影响在0.1%的置信水平下均统计显著。

　　下修预测结果：在下修预测部分，我们筛选了在3月26日触发进度达到100%的356只转债作为研究样本。通过应用后续进一步调整得到的Logit回归模型，对每只转债的下修概率进行了预测。预测结果表明下修概率最高的五只转债分别是重银转债、文科转债、帝欧转债、中装转2和富春转债。

　　风险提示：模型预测准确性风险、市场波动性风险、转债下修决策的不确定性