2022年股票市场分析 基于分析师共同覆盖的间接关联和多层关联动量因子

分析师共同覆盖：从股票直接关联到间接关联

在华泰金工前期报告《分析师共同覆盖因子与图神经网络》(2022.7.7)中，我们借鉴论文 Shared analyst coverage: Unifying momentum spillover effect (Ali and Hirshleifer, 2019)， 基于分析师共同覆盖构建了 A 股市场上市公司的邻接矩阵，以此来刻画公司间的基本面关 联。同时，我们通过实证研究发现，分析师共同覆盖的关联动量效应显著，对于反转、波 动率、换手率等负向因子也有不错的改进效果。本篇报告中，我们同样从该论文中获得启 发，将股票关联的视角从直接关联拓展到间接关联，希望挖掘到更深层次的上市公司关联 信息。

前期研究回顾：基于分析师共同覆盖的股票直接关联

首先，我们回顾如何基于分析师共同覆盖来构建股票直接关联邻接矩阵，步骤如下： 1. 每个季度末，选取过去6个月的所有分析师报告，列出全部撰写报告的分析师。 2. 对于每个分析师，找到其在过去6个月覆盖的全部上市公司，认为这些上市公司间有关 联，即在邻接矩阵的相应位置加 1。 3. 针对所有分析师，重复步骤 2，即可构建每个季度末的上市公司邻接矩阵。考虑到分析 师共同覆盖的数量变化不大，我们每个季度更新一次邻接矩阵。 我们使用截至 2022 年 6 月底的数据，计算出当前与宁德时代直接关联最强的 13 家上市公司，这些公司分属三个不同的一级行业。分析师共同覆盖的上市公司具有基本 面上的关联性，且这种关联性涉及多种基本面的角度，如同行业、同供应链、同地理位置、 相似业务等。

股票间接关联：更深入地挖掘上市公司间的基本面联系

在分析师共同覆盖的视角下，如果公司 A 与公司 B 被相同的分析师覆盖，则 A 与 B 存在直 接关联。如果公司 A 与公司 B 直接关联，公司 B 与公司 C 直接关联，但公司 A 与公司 C 不直接关联，那么 A 与 C 即为间接关联，这意味着 C 可能也会对 A 产生潜在的影响。 Ali and Hirshleifer (2019)从三个方面讨论了间接关联可能产生的效应： 1. 间接关联较为隐蔽，不容易被投资者察觉，并且间接关联的数量远超直接关联，想要完 全覆盖和利用间接关联公司的信息也存在困难，这意味着间接关联具有较大的挖掘潜力。 2. 对于那些分析师覆盖数量较少(或直接关联较少)的公司，间接关联造成的股价领先滞后 效应可能会更显著。 3. 间接关联经过多层连接，其领先滞后效应有所衰减，可能不如直接关联那么显著。

A股中直接关联与间接关联的描述性统计

使用截至 2022 年 6 月底的数据进行统计，A股市场中共有 229,739 对直接关联和 2,170,928 对间接关联。对于有分析师覆盖的公司，平均每家公司会与 180 家公司直接关联，与 1700 家左右的公司形成间接关联。这既说明间接关联中可能蕴含丰富的信息，也暗示着间接关 联更难被市场完全利用，挖掘潜力较大。

社会科学领域有个著名的小世界现象，又称六度空间理论，是指地球上任何两个陌生人最 多通过六个中间人就可以建立联系，股票市场中是否也存在类似的小世界现象呢？ 基于分析师共同覆盖的邻接矩阵，我们使用 Floyd-Warshall 算法计算任意两只股票间的最 短路径，所有最短路径的分布，可知一层间接关联(最短路径为 2)是数量最多的关联， 两层间接关联的数量次之，直接关联的数量排第三。任意两家上市公司最多只需要五层关 联就可以建立联系，这与小世界现象的结论相符。

基于分析师共同覆盖的间接关联和多层关联动量因子

改进的间接关联动量因子

根据 Ali and Hirshleifer (2019)的论证，如果一家公司有很多直接关联公司，市场难以迅速 整合所有关联公司的信息，这种情况下直接关联具有显著的领先滞后效应，而间接关联效 果较弱。相反，如果一家公司的直接关联公司很少，那么信息传播效率较高，直接关联公 司的信息会快速反映到股价上，此时进一步挖掘间接关联信息可能更有效。因此，我们可 以对间接关联强度加以改进，得到改进的间接关联动量因子 ADJ_CF2_RET。

关联动量因子测试

本节将测试以下四个因子： 1. CF1_RET_n：基于分析师共同覆盖的直接关联动量因子，使用股票过去 n 天的收益率 计算关联动量。 2. CF2_RET_n：基于不加改进的间接关联强度计算的间接关联动量因子，使用股票过去 n 天的收益率计算关联动量。 3. ADJ_CF2_RET_n：基于改进后的间接关联强度计算的改进间接关联动量因子，使用股 票过去 n 天的收益率计算关联动量。 4. CF_RET_n：基于直接关联和改进间接关联动量因子等权合成的多层关联动量因子，使 用股票过去 n 天的收益率计算关联动量。

单因子测试方法

1． 股票池：具有分析师覆盖的全部 A 股，剔除 ST、PT 股票，剔除每个截面期下一交易 日停牌的股票。 2． 回测区间：2012/1/5～2022/9/30。 3． 调仓周期：测试日频、周频调仓下因子的表现，即调仓周期分别为 1 个、5 个交易日。 由于日频、周频调仓时组合换手率较高，交易费用对回测影响很大，因此我们将展示因 子在有无交易费用情况下的测试结果。 4． 因子预处理：因子进行去极值、中性化、标准化。 5． 测试方法：IC 值分析，因子分 5 层测试，分层测试中交易费用为单边千分之二。进行 因子相关性分析。

日频调仓的单因子测试结果

结论： 1. 从 TOP 组合年化超额收益率来看，改进的间接关联动量因子 ADJ_CF2_RET_n 表现优 于未改进的间接关联动量因子 CF2_RET_n，说明改进是有效的。 2. 从 TOP 组合年化超额收益率来看，多层关联动量因子 CF_RET_n 表现最好，说明综合 利用直接关联和间接关联的信息能进一步提升因子的表现。 3. 多层关联动量因子 CF_RET_n 的分层回测区分度较好，但受交易费用影响很大，无法 作为单因子来直接选股，可将因子加入组合并控制组合换手率来缓解这个问题，我们将 在后续的指数增强组合测试中进行说明。

因子相关性分析

各因子的相关性矩阵可知在相同的回溯周期下，直接关联动量因子 CF1_RET_n 与两个间接关联动量因子 CF2_RET_n 和 ADJ_CF2_RET_n 的相关性较低； 多层关联动量因子 CF_RET_n 与直接关联动量因子 CF1_RET_n 的相关性较高，说明在多 层关联中，直接关联的贡献更大。

基于分析师共同覆盖的间接关联和多层关联改进反转因子

我们在报告《分析师共同覆盖因子与图神经网络》(2022.7.7)中使用基于分析师共同覆盖的 直接关联来改进反转因子，取得了较好的改进效果。间接关联和多层关联能否进一步对反 转因子进行改进，将是本章的重点。

间接关联和多层关联改进反转因子的构建

直接关联改进反转因子 首先我们构建直接关联改进反转因子 CF1_REV，CF1_REV 先计算直接关联动量因子 CF1_RET 的 Z_SCORE 标准化和股票自身收益率的 Z_SCORE 标准化，再将二者相减。 CF1_RETi = ∑ log(nij + 1)Retj N j=1 ∑ log(nij + 1) N j=1 CF1_REV = Z_SCORE(CF1_RET)−Z_SCORE(Ret) 该因子的通俗理解方式为：我们在考虑股票自身反转效应的基础上，进一步考虑与之直接 关联股票的动量效应，即前期自身跌幅较大，但关联股票涨幅较大的股票，因子取值较大。 该因子描述了股价的领先滞后效应，并体现了股价的均值回复现象。

间接关联改进反转因子

接下来我们构建间接关联改进反转因子 CF2_REV，CF2_REV 先计算改进的间接关联动量 因子 ADJ_CF2_RET 的 Z_SCORE 标准化和股票自身收益率的 Z_SCORE 标准化，再将二 者相减。 mij = ∑ log(nik + 1) × log(nkj + 1) N k=1 mij = mij log(numi + 1) ADJ_CF2_RETi = ∑ mij × Retj N j=1 ∑ mij N j=1 CF2_REV = Z_SCORE(ADJ_CF2_RET)− Z_SCORE(Ret)多层关联改进反转因子 最后，将直接关联改进反转因子和间接关联改进反转因子等权合成，即可得到多层关联改 进反转因子 CF_REV。 CF_REV = CF1_REV+ CF2_REV。

基于分析师共同覆盖的改进反转因子测试

本节将测试以下三个因子： 1. CF1_REV_n：基于分析师共同覆盖的直接关联改进反转因子，使用股票过去 n 天的收 益率计算自身反转和关联动量。 2. CF2_REV_n：基于分析师共同覆盖的间接关联改进反转因子，使用股票过去 n 天的收 益率计算自身反转和关联动量。 3. CF_REV_n：基于分析师共同覆盖的多层关联改进反转因子，使用股票过去 n 天的收益 率计算自身反转和关联动量。

单因子测试方法

1． 股票池：具有分析师覆盖的全部 A 股，剔除 ST、PT 股票，剔除每个截面期下一交易 日停牌的股票。 2． 回测区间：2012/1/5～2022/9/30。 3． 调仓周期：测试日频、周频调仓下因子的表现，即调仓周期分别为 1 个、5 个交易日。 由于日频、周频调仓时组合换手率较高，交易费用对回测影响很大，因此我们将展示因 子在有无交易费用情况下的测试结果。 4． 因子预处理：因子进行去极值、中性化、标准化。 5． 测试方法：IC 值分析，因子分 5 层测试，分层测试中交易费用为单边千分之二。进行 因子相关性分析。

日频调仓的单因子测试结果

结论： 1. 从 TOP 组合年化超额收益率来看，多层关联改进反转因子 CF_REV_n 表现最好，说明 综合利用直接关联和间接关联的信息能进一步提升反转因子的改进效果。 2. 从 TOP 组合年化超额收益率来看，直接关联改进反转因子 CF1_REV_n 表现优于间接 关联改进反转因子，说明直接关联的改进效果更显著，这与论文 Ali and Hirshleifer (2019)的结论一致。 3. 多层关联改进反转因子 CF_REV_n 的分层回测区分度较好，但受交易费用影响很大， 无法作为单因子来直接选股，可将因子加入组合并控制组合换手率来缓解这个问题，我 们将在后续的指数增强组合测试中进行说明。

基于分析师共同覆盖的关联事件驱动因子

分析师共同覆盖能用于价量类因子的构建和改进，那么对于事件驱动类因子，能否融入股 票间关联信息进行改进呢？从直觉上来讲，A 公司发生事件，可能会沿着关联关系 将事件的影响传导到其直接关联和间接关联的公司，从而对关联公司的股价产生影响。本 章将对关联事件驱动因子进行实证。

事件因子化方法

在研究关联事件驱动因子之前，要关注的是如何对事件进行因子化。由于事件是不定期发 生的，而选股因子则需要在每个时间截面上覆盖尽量多的股票，我们首先设计了一个事件 因子化的方法，步骤如下： 1. 从 Wind 底层表 AShareMajorEvent 中提取出以下 20 类重大事件。2. 另 外 我 们 也 将 机 构 调 研 视 为 事 件 ， 并 从 Wind 底 层 表 AshareISActivity 和 AshareISParticipant 中构建以下 8 类机构调研事件。3. 按照方式构建特征 X 和标签 y。 特征 X：将 20 类重大事件和 8 类机构调研数据合并得到 28 类事件数据，并统计每家 公司过去 3 个月各类事件的累计发生次数，采用时间衰减处理，得到样本的特征 X。 标签 y：以未来 20 个交易日的股票超额收益为标签，划分为 3 类，得到标签 y。 4. 从 2014 年开始，每年初使用过去一年的数据训练 XGBoost 模型，并对当年的数据进 行预测生成事件因子。每年滚动训练一次。

事件因子测试

事件因子测试方法 1． 股票池：具有事件数据的全部 A 股，剔除 ST、PT 股票，剔除每个截面期下一交易日 停牌的股票。 2． 回测区间：2014/1/3～2022/9/30。 3． 调仓周期：每隔 20 个交易日调仓。 4． 因子预处理：因子进行去极值、中性化、标准化。 5． 测试方法：IC 值分析，因子分5层测试，分层测试中交易费用为单边千分之二。 事件因子测试结果事件因子在 2017 年之前表现不佳，2017年之后，因子多头呈现 出稳定的超额收益。

基于分析师共同覆盖的关联事件因子构建方法

关联事件因子的构建方法与事件因子基本一致。我们将上市公司自身的 28 类 事件数据和关联公司的 28 类事件数据进行合并，得到 56 个事件特征，即相比事件因子来 说，特征 X 从原先的 28 个扩充到了 56 个。后续步骤与事件因子的构造方法完全一致，不 再赘述。

关联事件因子测试

关联事件因子测试方法 1． 股票池：具有事件数据的全部 A 股，剔除 ST、PT 股票，剔除每个截面期下一交易日 停牌的股票。 2． 回测区间：2017/2/7～2022/9/30。由于事件因子在 2017 年之后才呈现出较好的选股效 果，本节的测试从 2017 年之后开始。 3． 调仓周期：每隔 20 个交易日调仓。为了避免调仓的路径依赖问题，递进设置 20 条回 测路径，并将 20 条回测路径的结果合并。 4． 因子预处理：因子进行去极值、中性化、标准化。 5． 测试方法：IC 值分析，因子分 5 层测试，分层测试中交易费用为单边千分之二。

关联事件因子测试结果

在构建事件特征时，需要取前 N 家直接关联最紧密公司的事件来构建特征，我们分别取 N=1,2,3,5,10。可知当 N 逐渐增大时，因子的 TOP 组合 年化超额收益率先增后减，当 N=3 时达到最高，而当 N=10 时因子表现最差，说明过多引 入关联公司的事件信息可能带来噪声。从 RankIC 均值和 IC_IR 来看，关联事件因子相比事 件因子没有提升。汇总测试结果，关联事件因子的提升较为有限。

特征重要性分析

选取 2021 年训练的模型进行特征重要性分析，展示了关联事件因子 的 XGBoost 模型中，自身事件和关联公司事件的特征重要性。其中自身事件的特征重要性 之和为 1774，关联公司事件的特征重要性之和为 1620，说明自身事件在模型中贡献更大。

指数增强组合测试

本章主要讨论分析师共同覆盖因子能否改善现有指数增强组合的表现。我们将以中证 1000 增强组合为例进行讨论。中证 1000 增强组合构建方法如下： 1. 因子：包含估值、成长、质量、技术、预期等因子。 2. 因子合成模型：Boosting 模型。 3. 组合构建方式：控制行业和市值暴露，个股权重偏离上限为 1%，成分股权重占比为 80%， 周频调仓，周双边换手率上限为 30%，交易费用为单边千分之二，以下一个交易日的 vwap 价格交易。 4. 回测区间：2018/1/2～2022/9/30。 我们构建以下两个中证 1000 增强组合进行对比： 1. 对照组合：技术因子中包含 6 个传统反转因子。 2. 改进组合：将技术因子中的 6 个传统反转因子替换为 4 个分析师共同覆盖动量和反转因 子。

总结

结合前期报告《分析师共同覆盖因子与图神经网络》(2022.7.7)，我们通过两篇报告系统梳 理了如何在量化投资中使用股票间关联信息的方法论，该方法论也值得在其他股票关联类 数据(如产业链、供应链数据)上尝试。本文总结如下：

1. 分析师共同覆盖间接关联可对直接关联信息进行补充，具有较大挖掘潜力。Ali and Hirshleifer (2019)中关于分析师共同覆盖的研究认为，股票间接关联的特点有：(1)间接 关联较为隐蔽，不容易被投资者察觉，并且间接关联的数量远远超过直接关联，想要完 全覆盖和利用间接关联公司的信息也存在困难，这意味着间接关联具有较大的挖掘潜力。 (2)对于那些分析师覆盖数量较少(或直接关联较少)的公司，间接关联造成的股价领先滞 后效应可能会更显著。(3)间接关联经多层连接，其领先滞后效应有所衰减，可能不如 直接关联显著。

2. 分析师共同覆盖间接关联可进一步改进反转因子的效果。本文进一步完善了基于分析师 共同覆盖的改进反转因子，其含义是前期自身跌幅较大，但关联股票涨幅较大的股票因 子取值较大，是均值回复现象的表现。基于分析师共同覆盖间接关联，本文首先构建了间接关联改进反转因子 CF2_REV，CF2_REV 能改进传统反转因子的选股效果。本文进一步将直接关联改进反转因子 CF1_REV和 CF2_REV合成得到多层关联改进反转因子CF_REV，CF_REV 在日频和周频调仓的多头组合超额收益都表现最好，相比传统 反转因子有较大提升。

3. 基于关联事件驱动的逻辑，可利用分析师共同覆盖改进事件因子。股票市场中，A 公司 发生事件，可能会沿着关联关系将事件的影响传导到其关联的公司，从而对关联公司的 股价产生影响，本文基于分析师共同覆盖来构建关联事件因子。在原有事件因子化模型 的基础上，我们选取前 N 家直接关联最紧密公司的事件来构建特征，融入关联公司的 信息。当 N 逐渐增大时，因子的 TOP 组合年化超额收益率先增后减，当 N=3 时达到最 高，而当 N=10 时因子表现最差，说明过多引入关联公司的事件信息可能带来噪声。从 RankIC 均值和 IC_IR 来看，关联事件因子相比事件因子没有提升。汇总测试结果，关 联事件因子的提升较为有限。

4. 分析师共同覆盖关联动量和改进反转因子可提升中证 1000 增强组合的表现。基于原有 的多因子中证 1000 增强模型，本文构建以下两个中证 1000 增强组合进行对比：(1)对 照组合：技术因子中包含 6 个传统反转因子。(2)改进组合：将技术因子中的 6 个传统 反转因子替换为 4 个分析师共同覆盖动量和反转因子。2018 年以来，改进组合相比对 照组合年化超额收益率从15.56%提升至16.92%，信息比率从1.90提升至2.21，Calmar 比率从 1.73 提升至 2.40，年化跟踪误差、超额收益最大回撤均有改善，实现了对标的 指数更稳健的增强，体现出分析师共同覆盖动量和反转因子相比传统反转因子更优秀的 选股能力。

编辑：JACK