格隆汇1月4日丨中油工程(600339.SH)公布，公司于2025年12月31日收到上交所出具的《关于受理中国 石油集团工程股份有限公司沪市主板上市公司发行证券申请的通知》(上证上审(再融资)〔2025〕428 号)。上交所依据相关规定对公司报送的沪市主板上市公司发行证券的募集说明书及相关申请文件进行 了核对，认为该项申请文件齐备，符合法定形式，决定予以受理并依法进行审核。 ...

获得上海证券交易所受理的公告 本公司董事会及全体董事保证本公告内容不存在任何虚假记载、误导性 陈述或者重大遗漏，并对其内容的真实性、准确性和完整性承担法律责任。 证券代码：600339 证券简称：中油工程 公告编号：临 2025-073 中国石油集团工程股份有限公司 关于向特定对象发行 A 股股票申请 中国石油集团工程股份有限公司董事会 2026 年 1 月 5 日 中国石油集团工程股份有限公司（简称"公司"）于 2025 年 12 月 31 日收到 上海证券交易所（以下简称"上交所"）出具的《关于受理中国石油集团工程股 份有限公司沪市主板上市公司发行证券申请的通知》（上证上审（再融资）〔2025〕 428 号）。上交所依据相关规定对公司报送的沪市主板上市公司发行证券的募集 说明书及相关申请文件进行了核对，认为该项申请文件齐备，符合法定形式，决 定予以受理并依法进行审核。 公司本次向特定对象发行 A 股股票事项尚需经上交所审核通过，并在获得 中国证券监督管理委员会（以下简称"中国证监会"）同意注册的批复后方可实 施，最终能否通过上交所审核并获得中国证监会同意注册的批复尚存在不确定性， 公司将根据事项进展情况并 ...

二〇二五年十二月 股票简称：中油工程 股票代码：600339 中国石油集团工程股份有限公司 向特定对象发行 A 股股票 募集说明书 （申报稿） 保荐人（主承销商） 广东省深圳市福田区中心三路 8 号卓越时代广场（二期）北座 中国石油集团工程股份有限公司 向特定对象发行 A 股股票募集说明书（申报稿） 声 明 本公司及全体董事、高级管理人员承诺本募集说明书内容真实、准确、完整，不存 在虚假记载、误导性陈述或重大遗漏，按照诚信原则履行承诺，并承担相应的法律责任。 本公司控股股东承诺本募集说明书内容真实、准确、完整，不存在虚假记载、误导 性陈述或重大遗漏，按照诚信原则履行承诺，并承担相应的法律责任。 公司负责人、主管会计工作负责人及会计机构负责人保证募集说明书中财务会计资 料真实、完整。 中国证券监督管理委员会、上海证券交易所对本次发行所作的任何决定或意见，均 不表明其对申请文件及所披露信息的真实性、准确性、完整性作出保证，也不表明其对 发行人的盈利能力、投资价值或者对投资者的收益作出实质性判断或保证。任何与之相 反的声明均属虚假不实陈述。 根据《证券法》的规定，证券依法发行后，发行人经营与收益的变化，由发行人自 ...

中信证券股份有限公司 关于 中国石油集团工程股份有限公司 向特定对象发行 A 股股票 之 发行保荐书 保荐人（主承销商） 广东省深圳市福田区中心三路 8 号卓越时代广场（二期）北座 二零二五年十二月 | | | | 录 目 | 1 | | --- | --- | | 声 明 | 3 | | 第一节 | 本次证券发行基本情况 4 | | | 一、保荐人名称 4 | | | 二、保荐代表人、项目协办人及其他项目组成员情况 4 | | | 三、本次保荐的发行人证券发行的类型 5 | | | 四、发行人情况 5 | | | 五、保荐人与发行人存在的关联关系 12 | | | 六、保荐人内部审核程序和内核意见 13 | | 第二节 | 保荐人承诺事项 15 | | 第三节 | 关于有偿聘请第三方机构和个人等相关行为的核查 16 | | | 一、本保荐人有偿聘请第三方等相关行为的核查 16 | | | 二、发行人有偿聘请第三方等相关行为的核查 16 | | 第四节 | 对本次证券发行上市的推荐意见 17 | | | 一、本次证券发行决策程序 17 | | | 二、本次发行符合《公司法》及《证券法》规定的发行条件 18 | ...

中国石油集团工程股份有限公司 2024 年度 审计报告 | 索引 | | 页码 | | --- | --- | --- | | 审计报告 | | 1-5 | | 公司财务报表 | | | | — | 合并资产负债表 | 1-2 | | — | 公司资产负债表 | 3-4 | | — | 合并利润表 | 5 | | — | 公司利润表 | 6 | | — | 合并现金流量表 | 7 | | — | 公司现金流量表 | 8 | | — | 合并股东权益变动表 | 9-10 | | — | 公司股东权益变动表 | 11-12 | | — | 财务报表附注 | 13-109 | 6-1-1 审计报告 XYZH/2025BJAA6B0060 中国石油集团工程股份有限公司 中国石油集团工程股份有限公司全体股东： 一、 审计意见 我们审计了中国石油集团工程股份有限公司（以下简称 中油工程）财务报表，包 括 2024 年 12 月 31 日的合并及公司资产负债表，2024 年度的合并及公司利润表、合并 及公司现金流量表、合并及公司股东权益变动表，以及相关财务报表附注。 我们认为，后附的财务报表在所有重大方面按照企业会计准则的 ...

中信证券股份有限公司 关于 中国石油集团工程股份有限公司 向特定对象发行 A 股股票 之 上市保荐书 保荐人（主承销商） 广东省深圳市福田区中心三路8号卓越时代广场（二期）北座 二〇二五年十二月 中国石油集团工程股份有限公司向特定对象发行 A 股股票申请文件 上市保荐书 声 明 中信证券股份有限公司（以下简称"中信证券""保荐人"）接受中国石油集团 工程股份有限公司（以下简称"中油工程""发行人"或"公司"）的委托，担任其 向特定对象发行 A 股股票的保荐人。 中信证券股份有限公司及保荐代表人根据《中华人民共和国公司法》（以下简称 "《公司法》"）、《中华人民共和国证券法》（以下简称"《证券法》"）、《上 市公司证券发行注册管理办法》（以下简称"《注册管理办法》"）等有关法律、法 规、中国证监会及上海证券交易所的有关规定，诚实守信，勤勉尽责，严格按照依法 制订的业务规则、行业执业规范和道德准则出具上市保荐书，并保证所出具文件的真 实性、准确性、完整性。 在本上市保荐书中，除上下文另有所指，释义与《中信证券股份有限公司关于中 国石油集团工程股份有限公司向特定对象发行 A 股股票之尽职调查报告》相同。 第一节 发 ...

格隆汇1月4日丨中油工程(600339.SH)公布，公司于2025年12月31日收到上交所出具的《关于受理中国 石油集团工程股份有限公司沪市主板上市公司发行证券申请的通知》(上证上审(再融资)〔2025〕428 号)。上交所依据相关规定对公司报送的沪市主板上市公司发行证券的募集说明书及相关申请文件进行 了核对，认为该项申请文件齐备，符合法定形式，决定予以受理并依法进行审核。 ...

Group 1 - The "Three Oil Giants" refer to China National Petroleum Corporation (CNPC), Sinopec Limited, and China National Offshore Oil Corporation (CNOOC), which are the main state-owned enterprises in China's oil exploration, extraction, refining, and supply sectors [1] - A total of 35 personnel changes occurred across 9 listed companies controlled by Sinopec, CNPC, and CNOOC, with 6 companies experiencing changes at the chairman, general manager, and vice chairman levels [3] - Sinopec saw significant personnel changes, including the resignation of Chairman Ma Yongsheng and the appointment of Liu Qiang as General Manager and Vice Chairman [4][5] Group 2 - CNPC experienced personnel adjustments with 14 changes across 3 listed companies, including the resignation of Vice Chairman Hou Qijun and President Huang Yongzhang, with Ren Lixin appointed as the new President [13][14] - CNOOC had 4 personnel changes, including the resignation of Chairman Wang Dongjin and the appointment of Zhang Chuanjiang as the new Chairman [20][21] - The personnel changes reflect a broader trend of leadership transitions within major state-owned enterprises in China's oil and gas sector [3][19]

Core Viewpoint - The oil service engineering sector experienced a decline of 0.43% on December 31, with Junyou Co., Ltd. leading the losses. The Shanghai Composite Index rose by 0.09%, while the Shenzhen Component Index fell by 0.58 [1]. Group 1: Market Performance - The closing price of Junyou Co., Ltd. was 7.40, reflecting a decrease of 3.77% with a trading volume of 171,200 shares and a transaction value of 12.7 million [2]. - The oil service engineering sector saw a net outflow of 83 million yuan from main funds, while retail investors contributed a net inflow of 63.74 million yuan [2]. Group 2: Individual Stock Performance - Qianeng Hengxin closed at 18.48, with an increase of 1.48% and a trading volume of 38,900 shares, resulting in a transaction value of 71.43 million [1]. - The stock of Zhongman Petroleum closed at 23.05, down by 1.91%, with a trading volume of 84,600 shares and a transaction value of 195 million [2]. - The stock of Huibo Yin closed at 3.19, down by 1.54%, with a trading volume of 247,500 shares and a transaction value of 7.88 million [2]. Group 3: Fund Flow Analysis - The main funds showed a net outflow of 751,820 yuan from Junyou Co., Ltd., while retail investors had a net inflow of 1,015,780 yuan [3]. - The main funds experienced a net outflow of 812,200 yuan from Keli Co., Ltd., with retail investors showing a net outflow of 167,080 yuan [3]. - The stock of Zhongyou Engineering had a net outflow of 95,510 yuan from main funds, while retail investors had a net inflow of 4,810 yuan [3].

Quantitative Models and Construction Methods 1. Model Name: GAN_GRU - **Model Construction Idea**: The GAN_GRU model combines Generative Adversarial Networks (GAN) for feature generation and Gated Recurrent Unit (GRU) for time-series feature encoding to construct a stock selection factor[4][13][14] - **Model Construction Process**: 1. **GAN Component**: - The generator (G) learns the real data distribution and generates realistic samples from random noise \( z \) (Gaussian or uniform distribution). The generator's loss function is: $$ L_{G} = -\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))] $$ where \( D(G(z)) \) represents the discriminator's probability of classifying generated data as real[24][25][26] - The discriminator (D) distinguishes real data from generated data. Its loss function is: $$ L_{D} = -\mathbb{E}_{x\sim P_{data}(x)}[\log D(x)] - \mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))] $$ where \( D(x) \) is the probability of real data being classified as real, and \( D(G(z)) \) is the probability of generated data being classified as real[27][29][30] - GAN training alternates between optimizing \( G \) and \( D \) until convergence[30] 2. **GRU Component**: - Two GRU layers (GRU(128, 128)) are used to encode time-series features, followed by a Multi-Layer Perceptron (MLP) with layers (256, 64, 64) to predict returns. The final output \( pRet \) is used as the stock selection factor[22] 3. **Feature Input and Processing**: - Input features include 18 price-volume characteristics (e.g., closing price, turnover, etc.) sampled over the past 400 days, with a shape of \( 40 \times 18 \) (40 days of features)[18][19][37] - Features undergo outlier removal, standardization, and cross-sectional normalization[18] 4. **Training Details**: - Training-validation split: 80%-20% - Semi-annual rolling training (June 30 and December 31 each year) - Hyperparameters: batch size equals the number of stocks, Adam optimizer, learning rate \( 1e-4 \), IC loss function, early stopping (10 rounds), max training rounds (50)[18] 5. **Stock Selection**: - Stocks are filtered to exclude ST stocks and those listed for less than six months[18] - **Model Evaluation**: The GAN_GRU model effectively captures price-volume time-series features and demonstrates strong predictive power for stock returns[4][13][22] --- Model Backtesting Results 1. GAN_GRU Model - **IC Mean**: 0.1119*** (2019-2025)[4][41] - **ICIR (non-annualized)**: 0.89[42] - **Turnover Rate**: 0.83X[42] - **Recent IC**: 0.0331*** (December 2025)[4][41] - **1-Year IC Mean**: 0.0669***[4][41] - **Annualized Return**: 37.40%[42] - **Annualized Volatility**: 23.39%[42] - **IR**: 1.60[42] - **Maximum Drawdown**: 27.29%[42] - **Annualized Excess Return**: 22.42%[4][42] --- Quantitative Factors and Construction Methods 1. Factor Name: GAN_GRU Factor - **Factor Construction Idea**: The GAN_GRU factor is derived from the GAN_GRU model, leveraging GAN for price-volume feature generation and GRU for time-series encoding[4][13][14] - **Factor Construction Process**: - The GAN generator processes raw price-volume time-series features (\( Input\_Shape = 40 \times 18 \)) and outputs transformed features with the same shape (\( Input\_Shape = 40 \times 18 \))[37] - The GRU component encodes these features into a predictive factor for stock selection[22] - The factor undergoes industry and market capitalization neutralization and standardization[22] - **Factor Evaluation**: The GAN_GRU factor demonstrates robust performance across various industries and time periods, with significant IC values and excess returns[4][41] --- Factor Backtesting Results 1. GAN_GRU Factor - **IC Mean**: 0.1119*** (2019-2025)[4][41] - **ICIR (non-annualized)**: 0.89[42] - **Turnover Rate**: 0.83X[42] - **Recent IC**: 0.0331*** (December 2025)[4][41] - **1-Year IC Mean**: 0.0669***[4][41] - **Annualized Return**: 37.40%[42] - **Annualized Volatility**: 23.39%[42] - **IR**: 1.60[42] - **Maximum Drawdown**: 27.29%[42] - **Annualized Excess Return**: 22.42%[4][42] 2. Industry-Specific Performance - **Top 5 Industries by Recent IC (October 2025)**: - Social Services: 0.4243*** - Coal: 0.2643*** - Environmental Protection: 0.2262*** - Retail: 0.1888*** - Steel: 0.1812***[4][41][42] - **Top 5 Industries by 1-Year IC Mean**: - Social Services: 0.1303*** - Steel: 0.1154*** - Non-Bank Financials: 0.1157*** - Retail: 0.1067*** - Building Materials: 0.1017***[4][41][42] 3. Industry-Specific Excess Returns - **Top 5 Industries by December 2025 Excess Returns**: - Banking: 4.30% - Real Estate: 3.51% - Environmental Protection: 2.18% - Retail: 1.76% - Machinery: 1.71%[2][45] - **Top 5 Industries by 1-Year Average Excess Returns**: - Banking: 2.12% - Real Estate: 1.93% - Environmental Protection: 1.50% - Retail: 1.46% - Machinery: 1.23%[2][46]