佰家富app手机版APP-平台推荐安卓版v2.9.1(2023已更新)

贵州茅台重磅公告！事关275亿元特别分红******

　　贵州茅台的特别红利即将兑现！

　　12月20日晚间，贵州茅台公告，2022年度回报股东特别分红实施，股权登记日为12月26日，除权(息)日、现金红利发放日为12月27日。每股派发现金红利21.91元(含税)，共计派发现金红利275.23亿元。

　　用1个月时间分红到位

　　11月28日晚间，贵州茅台公告回报股东特别分红方案，12月14日公司股东大会审议通过了上述方案，再到12月20日公布实施公告，特别分红方案实施历时不到1个月。

　　贵州茅台将向全体股东每股派发现金红利21.91元(含税)，这一特别分红方案在贵州茅台发展的历史中尚属首次。国泰君安发布研报称，自2015年起茅台现金分红比例均超过50%。此次若考虑年中分红272.28亿元，则贵州茅台2022年全年分红将达到547.51亿元，占2021年净利润的104.37%。

　　对于此次分红方案，投资者持不同态度。有投资者表示，今天贵州茅台每股下跌了58元，相当于市场已经除权了，而每股逾21元的分红在高价股的波动中掀不起太大波浪。

　　不过，也有投资者表示，每股超21元的分红也不少了，一手就可以分到2000多元。

　　贵州茅台提示，已办理指定交易的投资者可于红利发放日在其指定的证券营业部领取现金红利，未办理指定交易的股东红利暂由中国结算上海分公司保管，待办理指定交易后再进行派发。

　　对于特别分红的目的，贵州茅台称，一是公司持续、稳定、健康发展的需要；二是在保证公司正常经营和长期发展不受影响的前提下，加大现金分红力度，提振市场信心；三是积极回报股东，与股东分享公司发展红利，增强广大股东的获得感。

　　今年第二家派发特别现金红利的公司

　　此次贵州茅台派发特别现金红利为其历史上首次，也是今年来A股第二家派发特别现金红利的上市公司。

　　今年4月29日，中国海油也曾宣布实施特别分红，公司拟向全体股东派发特别现金红利每股1.18港元(含税)，A股股东股息以人民币支付，每股派发现金红利1.00699元(含税)。中国海油当时公告称，此次派发的股息包括2021年度末期股息及香港上市20周年特别股息。

　　公开资料显示，在A股市场上，新华保险、中国平安、中国太保、中国神华、白云山等上市公司也曾派发特别现金红利。

　　分析人士指出，A股历史上派发特别现金红利的上市公司以国企和央企为主，贵州茅台此次大手笔派发特别现金红利为上市公司树立了标杆，不排除其他国企和央企也有类似提高分红比率的动作。

　　如何判断上市公司现金分红能力？上交所此前公开发文称，虽然定期报告中的现金流量指标并不能完全代表上市公司分红时可支配的现金金额，但是一般理解，公司的分红能力还是取决于经营质量和可以支配的现金流。因此，现金流量指标不宜直接作为判断公司分红能力的刚性量化指标，但可以作为一个重要的参考指标，是对上市公司分红能力的侧面印证。

　　证监会主席易会满称，2017年至2021年，我国上市公司现金分红超6万亿元。下一步深化资本市场改革，仍须进一步增强上市公司价值创造能力，提升行业机构专业能力，实现实体经济发展、上市公司质量提升与投资者回报增长的良性互促。

提速近10倍！基于深度学习的全基因组选择新方法来了******

　　近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。

　　全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。

　　统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。

　　相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。

　　该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。

　　与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。

　　该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。

学术支持

中国农业科学院作物科学研究所

记者

宋雅娟

　　（文图：赵筱尘 巫邓炎）