送转是上市公司给各股东分红的一种方式,高送转指的是送转比例达到0.5及以上的股票,该行为有助于股票流动性的增加。从正面来看,该行为预示着公司正处于较快的发展期;另一方面,高送转也成为了某些公司在发展较差时提高股票流动性的一种手段。通过某公司上一年的股票数据对该公司下一年是否发生高送转进行预测对投资者具有较大的经济学意义。近年来高送转相关研究逐渐增多,但各学者更多倾向于使用传统机器学习或集成模型进行预测,且模型拟合能力始终不够理想,本文首先使用特征工程加传统模型的手段对高送转进行预测,随后引入LSTM深度网络对股票高送转进行预测并与传统模型进行比对。主要内容如下:（1）基于传统特征工程的股票高送转预测。使用两段法处理缺失值。将“日数据”压缩为十二月数据的日平均值。删除“年”、“日”数据中的相同和无用特征;使用独热编码处理所属行业数据。使用Lasso回归筛选出与高送转相关性较高的影响因子并消除共线性;使用PCA对数据进行降维。随后对数据进行标准差标准化。最后使用逻辑回归、SVM、XGBoost三种模型对处理之后的数据进行训练和性能评估。（2）基于LSTM深度神经网络的数据预处理。对缺失值的处理优化为分三段处理的方式,缺失值在0.7以上、0.3到0.7之间、0.7以下分别使用删除法、均值填补法、随机森林填补法进行处理;对日数据采取保留月时序数据的处理方式,求各特征各个月的均值,并将其转换为三维时序数据供LSTM模型使用;使用ADASYN+SMOTE过采样手段引入虚拟正样本解决样本不平衡问题;不再使用特征筛选和降维手段,将该工作交给深度网络自行完成。（3）构建LSTM深度网络模型并进行股票高送转预测。使用阈值调整法对网络模型中的batch＿size、num＿layer、hidden＿size等参数进行调参;选用NLLLoss为损失函数,Adam为网络优化器;通过drop＿out参数和L2正则化减弱过拟合。最终构建由两层LSTM神经元、两层全连接层组成的深度网络模型,并使用处理好的数据对模型进行3500轮训练。使用过采样前的数据作为预测集对模型拟合能力进行评估,可以得到综合98.13%的准确率,在正样本上可以达到89%的准确率,99%的召回率,auc得分为0.98。实验结果表明,LSTM深度网络对股票高送转数据具有较强的拟合能力,相比于传统机器学习模型或集成模型具有较大的模型性能提升,能够更好的完成下一年股票是否发生高送转的预测任务。