史玉柱再造财富传奇:增持民生银行浮盈近26亿

史玉柱通过两次大规模增持民生银行A股和H股,累计投入约55亿元,截至2013年,其持有的民生银行股份市值近93亿元,实现浮盈约26亿元。期间,他还带动多位民营资本大佬集体增持,共同维护民生银行股价。

史玉柱 资料

  按照最新的收盘价计算,史玉柱持有的民生银行3.495亿股H股市值33.48亿港元(约合人民币27亿元),8.096亿股A股市值65.82亿元

  有一个网络段子曾经很流行:1998年,史玉柱借了50万搞脑白金没买;如果当年他用50万买了,现在估计还在还着银行的贷款。现在这个段子可以稍作修改:2011年,别人不买银行股,史玉柱买了;2012年,别人狂卖民生银行,史玉柱又买了,如果这两年他没买民生银行(A股和H股),55亿元现金存银行估计还跑不赢物价,更别说近26亿元的账面浮盈了。

  据《证券日报》记者统计,随着民生银行在2013年创出股价新高,史玉柱目前持有的民生银行A股和H股的市值合计近93亿元,而在2011年3月启动两地增持之前,史玉柱仅持有1.496亿股A股,即使按照目前的股价,市值也仅为12.16亿元。

  85次增持

  2011年6月25日,史玉柱曾在其微博中表示,“近年偶(我)的工作生活:玩玩游戏,偶尔投点金融。健康业务退出管理和决策已9年,网游业务已交给刘伟为首的团队管理,金融投资我参加决策不理操作。我武功已废,闲居山野,江湖上的事别来烦我”。

  史玉柱的“偶尔投点金融”看起来轻松,实则规模惊人,其投资民生银行规模高达数十亿元。具体而言,第一轮从从2011年3月份开始,持续到2011年9月份。在上述区间史玉柱在A股市场上一共增持民生银行65896万股,增持最为频繁的时期是当年5、6月份,其中5月增持17次,6月增持18次。据统计,史玉柱2011年46次增持民生银行A股股份,按照披露的每笔购入均价加总计算,共斥资逾38亿元;32次增持民生银行H股股份(增持之前,史玉柱并不持有民生银行H股),合计约斥资181098万港元,折合人民币约14.6亿元。

  第二轮增持从2012年6月开始,史玉柱数度出手民生银行H股。当年6月4日和6月5日,史玉柱连续两日买入民生银行H股,合计数量2440万股;6月8日,史玉柱再次出手增持民生银行,其增持股份数量为1320万股;8月27日,一份一年期现金交割的认股权证产品(CALL+PUT)自然到期,史玉柱担忧别人误解其减持,同日在市场购入等额(240万股)的股票;9月6日,史玉柱以5.76港元/股买入500万股,单笔耗资2880万港元。此外,史玉柱于2012年9月19以5.5元人民币/股购入100万股民生银行A股,次日再以5.47元/股购入300万股,合计耗资2191万元。

  据本报记者统计,2012年,史玉柱砸在民生银行A股和H股的资金接近或超过2.5亿元人民币。两轮增持包含85次单笔交易,合计耗资约55亿元。

  从手法看,史玉柱的2011年选择了类似基金定投的增持方式。市场人士对记者表示,对于大资金来说,这种方式可以有效锁定持股成本,避免了股价大起大落可能造成的巨额损失;另外,这种投资也往往显示了买入方准备长期持股的价值判断,因为买入方通过定投式增持通常并不计较一时股价的涨跌得失。

  2012年,史玉柱充分利用了H股市场的金融衍生品,大幅降低了交易成本。史玉柱与投行的“对赌”引起财经界人士热议,其中,知名财经评论员叶檀更是提醒史玉柱小心“食人鲨”。史玉柱则隔空喊话回应叶檀称,淡仓不会超过持股总量的5%,而且其也不想这么快第三次创业

  浮盈26亿元

  按照最新的收盘价计算,民生银行3.495亿股港股市值33.48亿港元,约合人民币27亿元;8.096亿股A股市值65.82亿元,减去启动连续增持前的持股(1.496亿股12.16亿元的市值),增持部分的持股市值约54亿元,也就是说,增持部分的市值解禁81亿元,减去约55亿元的增持成本,浮盈约26亿元

  从民生银行A股和H股的增持溢价率分析,H股要强于A股。

  在近期A股市场大盘的反弹中,银行股成为领涨板块。统计发现,2013年新年首个交易日中,16只银行股中11只股价创出了1年新高,占比近7成。从一年来的涨幅看,民生银行上涨了47.50%。按照A股增持均价(5.88元/股)和最新收盘价(8.13元/股)对比,溢价率约为38%。民生银行H股方面,最新收盘价为9.63港元/股,由于增持均价的披露并没有A股那么充分,只能大致测算其均价在6.15港元/股,溢价率约为56%,远高于民生银行A股。

  前不久,史玉柱在其微博上介绍了投资理念:“其实买股票没那么复杂。认真研究:1。该公司未来盈利能否持续理想成长?2。眼前股价被低估没?只要同时满足这两条就买入,买完,该干嘛就干嘛去。看不懂的行业,我不买;15倍以上市盈率的,我不买。”

  带动民营资本集体增持

  史玉柱不仅自己实施增持,还带动多位民营资本大佬们凭借自身的力量在资本市场呵护民生银行。

  港交所信息显示,复兴系掌门人郭广昌在民生银行2012年9月初遭遇恶意做空股价出现暴跌当日果断出手增持;泛海集团掌门人卢志强更是在2012年9月份最后的两个交易日首度出手买入H股,完成了AH两地持股。

  “以市值而言,民生银行在银行股中并不出众,论出身自然比不过四大国有银行,但却始终是境内外机构投资者眼中很特别的一家。究其原因,其作为中国惟一一家非国有控股的商业银行,发起股东和主要股东堪称全明星阵容。其中,可以看到刘永好的新希望投资集团、张宏伟的东方集团,卢志强的泛海控股集团、史玉柱的健特生命、郭广昌的复星国际,每一个都是商界赫赫有名的大佬。这也成了民生银行被许多投资者看好的因素,虽然这些大佬并非民生银行的实际管理者,但是他们丰富的经商经验和在民生银行的重磅投资会确保民生银行的管理和经营”,市场人士对本报记者表示,“更重要的是,这些民企大佬在关键时刻可以成为民生银行的守护力量,提供资金、智库、人脉等各方面的支持”。

  而民生银行通过持续良好的业绩增长并带动股价和估值上涨无疑也回报了这些民企大佬

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值