企业微信

股利贴现模型的核心逻辑

股利贴现模型（DDM）将股票价值定义为未来所有股利的现值之和。基础公式为 ( V = \sum_{t=1}^{\infty} \frac{D_t}{(1+r)^t} )，其中 ( D_t ) 为第t期股利，( r ) 为必要收益率。该模型直接连接股票内在价值与市场定价，对股票期货的基差与套利边界产生决定性影响。

零增长模型

假设股利恒定不变，( D_t = D )，则 ( V = D / r )。适用于优先股或成熟期公用事业公司。当市场利率上升，( r ) 增大，( V ) 下降，股票期货理论价格同步走低。

股利贴现模型如何影响股票期货价格

固定增长模型

假设股利以恒定增长率 ( g ) 增长，( D_t = D_0 (1+g)^t )，则 ( V = D_0 (1+g) / (r - g) )。此模型要求 ( r > g )，否则价值发散。成长型股票常用此估值，其期货定价需考虑股利增长对持有成本的调整。

多阶段增长模型

高速增长期、过渡期、稳定期分段计算。实务中两阶段或三阶段模型更常见。每阶段增长率不同，需逐段贴现。

股利贴现模型与股票期货定价

股票期货理论价格公式为 ( F = S_0 e^{(r-q)T} )，其中 ( S_0 ) 为现货价格，( q ) 为连续复利股利收益率。若使用DDM得到的内在价值 ( V ) 偏离 ( S_0 )，则存在套利机会。当 ( V > S_0 ) 时，股票被低估，买入现货同时卖出期货；当 ( V < S_0 ) 时，卖出现货买入期货。

股利收益率 ( q ) 的估计

固定增长模型下，( q = D_1 / S_0 + g )。若市场实际 ( q ) 与模型估计不符，期货价格将偏离无套利区间。量化交易者可构建统计套利策略，监测 ( F - S_0 e^{(r-q)T} ) 的残差。

离散股利与连续股利

个股期货标的常支付离散股利。需将离散股利按除息日贴现，调整持有成本。近似处理时，可将年化股利除以现货价格得到连续收益率 ( q )。

量化交易中的股利贴现模型

利用DDM筛选低估股票，结合期货进行市场中性对冲。代码示例展示两阶段DDM计算内在价值，并与期货理论价格比较。


import numpy as np

def two_stage_ddm(d0, g1, years1, g2, r):

    # 第一阶段现值

    pv1 = sum(d0 * (1+g1)**t / (1+r)**t for t in range(1, years1+1))

    # 第二阶段（永续增长）起点股利

    d_n = d0 * (1+g1)**years1

    d_n1 = d_n * (1+g2)

    pv2 = d_n1 / (r - g2) / (1+r)**years1

    return pv1 + pv2

def futures_price(spot, r, q, T):

    return spot * np.exp((r - q) * T)

# 参数

spot = 100.0

d0 = 3.0

g1 = 0.10

years1 = 5

g2 = 0.04

r = 0.08

q_est = d0*(1+g1)/spot + g2  # 近似连续股利收益率

T = 0.5

V = two_stage_ddm(d0, g1, years1, g2, r)

F = futures_price(spot, r, q_est, T)

print(f"内在价值: {V:.2f}, 期货理论价: {F:.2f}")

交易信号：当 ( V > F ) 时，做多现货、做空期货；反之反向操作。止损设于模型参数突变或实际股利公告偏离预期。

期货跨期套利与股利调整

不同到期日的股票期货价格受股利影响不同。近月合约包含更多已知股利，远月合约包含预测股利。若股利增长预期上升，远月期货相对近月被低估。套利者买入远月卖出近月，等待价差收敛。

股利季节性与期货日历价差

多数公司按季度派息，除息日集中。期货日历价差在除息周附近波动加剧。量化策略可建立股利事件驱动模型，预测除息前后基差变化。

股利贴现模型的局限与期货应用修正

模型对 ( r ) 和 ( g ) 极度敏感。( g ) 接近 ( r ) 时价值趋于无穷。期货定价中，需用市场隐含股利替代模型预测。可通过期权平价关系反推 ( q )，或使用股利互换市场数据。

随机股利模型

将股利设为随机过程，如几何布朗运动。此时 ( q ) 不再恒定，期货价格服从跳跃扩散。量化交易者采用卡尔曼滤波实时更新 ( q ) 估计，动态调整对冲比率。

实战策略：股利贴现模型驱动的期货套利

步骤一，选取高股利支付率股票池。步骤二，用两阶段DDM计算内在价值 ( V )。步骤三，获取对应个股期货报价 ( F )。步骤四，计算基差 ( B = F - S_0 e^{(r-q)T} )。步骤五，当 ( |B| ) 超过交易成本与冲击成本之和时开仓。步骤六，持有至基差回归或股利公告日平仓。

风险控制

股利削减风险：公司突然降低股利，导致 ( q ) 下降，期货价格上升，空头亏损。需设置股利公告前减仓规则。利率风险：( r ) 变动影响贴现因子。使用利率期货对冲。流动性风险：个股期货买卖价差宽，使用限价单与时间加权平均价格算法。

股利贴现模型在期货定价中的数值实现

蒙特卡洛模拟可处理随机股利与随机利率。生成股利路径，贴现至现值，取均值得到 ( V )。同时模拟期货价格路径，计算套利收益分布。


import numpy as np

def mc_ddm_futures(S0, d0, mu_d, sigma_d, r, T, n_paths=10000, n_steps=252):

    dt = T / n_steps

    spot_paths = np.zeros((n_paths, n_steps+1))

    spot_paths[:,0] = S0

    d_paths = np.zeros((n_paths, n_steps+1))

    d_paths[:,0] = d0

    for t in range(1, n_steps+1):

        z = np.random.normal(0, 1, n_paths)

        d_paths[:,t] = d_paths[:,t-1] * np.exp((mu_d - 0.5*sigma_d**2)*dt + sigma_d*np.sqrt(dt)*z)

        # 简化：现货价格与股利无关，仅用于期货

        spot_paths[:,t] = spot_paths[:,t-1] * np.exp((r - d_paths[:,t-1]/spot_paths[:,t-1])*dt)

    # 内在价值：贴现所有股利

    disc_factors = np.exp(-r * np.arange(1, n_steps+1) * dt)

    V = np.mean(np.sum(d_paths[:,1:] * disc_factors, axis=1))

    # 期货理论价：期末现货均值

    F = np.mean(spot_paths[:,-1])

    return V, F

V, F = mc_ddm_futures(100, 3, 0.05, 0.15, 0.08, 0.5)

print(f"模拟内在价值: {V:.2f}, 模拟期货价: {F:.2f}")

该模拟揭示股利波动率对期货定价的偏度影响。高股利波动率下，期货价格分布右偏，套利需考虑偏度调整。

股利贴现模型为股票期货提供理论锚。固定增长模型给出简洁的 ( q ) 估计，多阶段模型适应现实股利模式。量化交易中，将DDM内在价值与期货无套利价格比较，可构建统计套利策略。参数敏感性与股利不确定性要求动态对冲与风险预算。