2025年基于股价跳跃关联性的选股策略

一、引言

在先前的研究《如何识别股价跳跃》中，我们探讨了股价跳跃在预测股票未 来收益中的作用。通过使用分钟级数据识别 A 股市场上的股价跳跃，我们区分 了正向跳跃与负向跳跃、隔夜跳跃与日内跳跃，并结合换手率，验证了跳跃因子 在回报预测中的有效性。本篇报告是《如何识别股价跳跃》报告的延续。在上一 篇报告中，我们关注的是股票收益对自身股价跳跃的反应，而在本篇报告中，我 们将关注股价跳跃在股票关联性方面的作用。 关于股票关联，现有研究提出了多种关联方式。例如行业关联（Moskowitz and Grinblatt, 1999），地理区域关联（Parsons et al., 2020），科技关联（Lee et al., 2019），供应链关联（Menzly and Ozbas, 2010），以及分析师共同覆盖 （Ali and Hirshleifer, 2020）等。这些关联方式为我们理解股票之间的关系提供 了多维度的视角。基于这些关联方式，当前的研究主要集中在两个方向。第一个 方向是构建关联网络，并根据关联网络的结构特征构建相应的因子，如网络中心 性因子。例如，团队此前的研究《供应链中心性初探》便探索了如何通过供应链 关系的网络结构，量化不同企业在整个供应链网络中的重要性，并基于此设计了 相应的选股策略。第二个方向则是构建关联关系动量因子。其理论基础在于，投 资者在面对复杂市场信息时，往往只能对有限的信息保持有效关注。而股票市场 中信息繁多，投资者在收集、处理和分析这些信息时需要耗费大量的时间与精力。 因此，单个公司的股价常对关联公司的新信息产生延迟反应。这种延迟意味着存 在相似性或关联性的公司间可能会出现回报溢出效应，即一家公司过去的股票 回报可以预测与其有关联或相似性的公司未来的股票回报。在这一研究方向上， 我们团队也进行了相关探索，例如在《“蓝海启航”系列研究之五：基于供应链 动量溢出效应的选股策略》和《“蓝海启航”系列研究之八：基于企业营收相似 性的选股策略》，我们基于供应链关联和经营业务相似性构建了供应链动量因子 和营收相似动量因子，并探究了他们在各类股票池中的选股表现。

在本篇报告中，我们提出了一种新的关联方式：跳跃关联。股价跳跃是信 息冲击的直接体现。基于这样一个假设——相关公司受到的信息冲击也更为相似， 本研究提出一种新的测度方法，通过股价跳跃行为来估计不同股票之间的关联度。 具体而言，我们认为，具有相似属性的公司往往会受到类似的信息冲击，导致股 价的同步跳跃。因此，公司间股价跳跃的同步程度可以帮助识别公司间的潜在 关联度。基于此，本研究提出了一个跳跃关联度指标度量股票之间的关联程度， 并在此基础上构建了点度中心性因子和跳跃关联动量因子。此外，我们将关联 公司收益分解为正跳跃收益、负跳跃收益和非跳跃收益，对跳跃关联的动量溢 出效应做进一步的检验。

二、一个信息冲击的例子

在介绍具体的因子构建方法之前，我们想通过一个案例，直观的展示相关股 票在受到相同信息冲击时的表现。 2024 年 8 月 20 日，《黑神话：悟空》正式发售，作为中国游戏行业的重 大事件，它引发了市场对相关股票的强烈反应。尽管当天整体市场出现下跌，上 证指数的收益率为-0.93%，但与此相对的是，与《黑神话：悟空》相关的多只 股票却表现出显著的上涨，股价在当天出现了明显的正向跳跃。这一现象为研究 信息冲击对股价影响提供了一个生动的案例。其中，浙 版传媒（601921.SH）作为浙江出版集团数字传媒有限公司的控股公司，负责 《黑神话：悟空》的游戏内容审核、出版申报及出版物号申领工作。丝路视觉 子公司瑞云科技参与了《黑神话：悟空》同人动画的渲染工作， 股价也因此受益。第三方手柄厂商八位堂曾官宣成为《黑神话：悟空》全球官方 合作伙伴，并合作推出《黑神话:悟空》联名款手柄。而八位堂的核心供应商致 尚科技也因此成为“黑神话”概念股。可以看到，在《黑神话： 悟空》正式发售这一信息冲击下，这些相关股票都表现出了正向的价格跳跃，并 走出了与整体市场截然相反的趋势。

另外，尽管浙版传媒、丝路视觉和致尚科技分别隶属于新闻和出版业，软件 和信息技术服务业，以及计算机、通信和其他电子设备制造业，三者在经营业务 上并无太大重合，但它们却因与《黑神话：悟空》的紧密关联而在信息冲击时表 现出相似的股价跳跃反应。这一现象表明，尽管行业背景不同，市场仍然将它们 视为与该事件相关的“概念股”。因此，我们认为通过股价跳跃所构建的关联度 指标，能够在一定程度上反映公司间在信息冲击下的潜在关联性，为我们提供 基于基本面关联之外的额外信息。

三、跳跃关联网络的构建

3.1 跳跃关联度

在上一节中，我们以《黑神话：悟空》正式发售这一信息冲击为例，展示了 相关股票在面临信息冲击时的股价跳跃表现。接下来，我们将介绍如何根据股价 跳跃度量股票之间的关联性。 股价跳跃体现了投资者对信息冲击的集中反应。若股价出现正向跳跃，说明 股票受到了利多信息的冲击。若出现负向跳跃，则意味着股票受到了利空消息的 冲击。如果两只股票的股价跳跃行为高度一致，二者大概率受到相同的信息冲击 的影响，则二者之间应该有较高的关联度。

3.2 点度中心性

中心性（Centrality）作为网络结构分析的重要指标之一，量化了节点在整 个网络中的中心程度，一般被用来衡量节点在网络结构中的重要性或者影响力。 一般认为，一个节点的中心性越大，该节点在整个网络结构的重要性越强，反之 则认为该节点处于网络结构的边缘位置，对网络结构的重要性较低。Ahern （2013）利用美股数据在行业层面进行研究，发现股票收益与中心性具有显著 正相关，位于网络中心的行业具有更高的股票收益率。一个可能的原因是中心行 业更容易受到通过网络传播的部门性冲击，从而承受更大的市场风险。在《“蓝 海启航”系列研究之七：供应链中心性初探》中，我们研究了供应链网络结构的 中心性，并从中心性出发设计了选股策略。而在本篇报告中，我们将基于跳跃关 联，构建跳跃关联网络的中心性。 我们认为当股票之间的跳跃关联度小于一定阈值时，股票之间的关联其实是 较弱的，这对我们构建的因子来说是一个噪音。为了剔除这部分的影响，每月末， 我们做网络稀疏处理，剔除整个关联网络中，关联度最低的 50%的关联关系。网络稀疏处理之后，有些股票的关联关系可能会被全部剔除，这可能会对跳跃关 联网络的覆盖度造成影响。在大多数时期内，跳跃关联网 络 的 覆 盖 度 都 在 90% 以 上 。 然 后 ， 我 们 计 算 每 支 股 票 的 点 度 中 心 性 （N_Connect）：每个节点与其他所有节点直接相连的节点数量。

3.3 动量溢出效应

3.3.1 构建跳跃关联动量因子

在引言中我们提到，投资者难以及时处理所有市场信息，导致公司间出现动 量溢出效应，即一家公司过去的回报可预测关联公司未来的回报。在本小节中， 我们将基于跳跃关联网络，根据焦点股票的关联股票在过去一段时间的收益表现 构造跳跃关联股票的动量因子。

3.3.2 跳跃关联股票的收益分解

为了使跳跃关联相对动量因子表现出显著的正向预测能力，我们需要对关联 股票的收益进行分解，将关联股票的正向跳跃收益剥离出来。具体过程如下： 1）对发生跳跃的交易日，我们将当天的收益率分解为正向跳跃收益，负向 跳跃收益和非跳跃收益。详细操作步骤见报告《如何识别股价跳跃》，这里不再 展开。对于没有发生跳跃的交易日，将其日收益记为非跳跃收益。 2）我们将每只股票过去 20 天的正跳跃收益，负跳跃收益以及非跳跃收益 分别加总，得到 PosJump_Ret, NegJump_Ret 和 NoJump_Ret。

可以看到，剔除关联股票的正向跳跃收益之后，跳跃关联负跳跃相对动量因 子 （ Relative_NegJump_Ret ） 和 跳 跃 关 联 非 跳 跃 相 对 动 量 因 子 （Relative_NoJump_Ret）的 IC 方向一致，均表现出了显著的正向预测能力。 因 此 ， 我 们 将 二 者 相 加 ， 得 到 跳 跃 关 联 非 正 跳 跃 相 对 动 量 因 子 （Relative_WithoutPosJump_Ret）。 可 以 看 到 ， 基 于 跳 跃 频 率 关 联 的 Relative_WithoutPosJump_Ret 的 IC 均值为 6.78%，t 值为 8.21；基于跳跃幅 度关联的 Relative_WithoutPosJump_Ret 的 IC 均值为 6.60%，t 值为 7.11，均 较为显著。总体来说，不论是基于跳跃频率关联度还是基于跳跃幅度关联度，将 Relative_NegJump_Ret 和 Relative_NoJump_Ret 结合之后，IC 均值均有一定 程度的提升。

四、因子的详细测试

在上一节中，我们根据过去一段时间股票的跳跃表现提出了两种跳跃关联 度：跳跃频率关联和跳跃幅度关联。随后，在此基础上，我们又构建了点度中 心性和跳跃关联相对动量两类因子。并且，我们通过收益分解的方式对跳跃关 联相对动量因子进行改进，得到了表现相对较好的跳跃关联非正跳跃相对动量 因子。在这里，我们将基于跳跃频率关联的点度中心性因子和基于跳跃幅度关 联的点度中心性因子进行等权复合，得到最终的点度中心性因子(N_Connect)。 同样的，对于跳跃关联非正跳跃相对动量因子，我们也用相同的方法进行复合， 得到最终的 跳 跃 关 联 非 正 跳 跃 相 对 动 量 因 子 （Relative_WithoutPosJump_Ret）。下面，我们将对点度中心性和跳跃关 联非正跳跃相对动量这两个因子做详细测试，以考察他们的选股有效性。

4.1 因子测试

首先，我们对 N_Connect 和 Relative_WithoutPosJump_Ret 做 IC 测试， N_Connect 因子 IC 均值为 5.87%，ICIR 为 0.99，t 值为 7.89。 复合之后的 N_Connect 因 子 的 有 效 性 和 稳 定 性 都 有 所 提 升 。 Relative_WithoutPosJump_Ret 因子 IC 均值为 7.37%，IC 胜率为 85.94%，t 值为 7.83。复合之后的 Relative_WithoutPosJump_Ret 的 t 值虽稍有下降，但 IC 均值却有所提升。

4.2 因子相关性分析

为检验上文构建的 N_Connect 和 Relative_WithoutPosJump_Ret 因子与常 见风格因子之间的相关性，我们计算了各因子之间的截面 Spearman 秩相关系 数均值。 根据相关性测试结果，点度中心性因子（N_Connect）与跳跃关联非正跳跃 相对动量（Relative_WithoutPosJump_Ret）有较强的相关性，相关系数为 0.73。 这两个因子与其他常见风险因子的相关性普遍较低，大多维持在 0.3 以下。仅 在 BookToPrice 和 Liquidity 因子的相关性上表现得稍强，N_Connect 与这两个 因子的相关系数分别为 0.31 和-0.32，而 Relative_WithoutPosJump_Ret 与这 两个因子的相关系数分别为 0.36 和-0.46。

我们进一步通过多元线性回归的方式将上述因子进行剔除，以回归残差作为 剔除风格因子暴露后的残差因子 N_Connect_Residual 与 Peer_Ret_Residual， 并对残差因子进行了 IC 测试。和原始跳跃因子相比，剔除风 格因子暴露后的残差因子有效性有所下降，N_Connect 的 IC 均值从 5.87%下降 至 2.98%，Peer_Ret_Residual 的 IC 均值从 7.37%下降至 2.36%。但尽管如此， 因子的 IC 依 然 具 有 相 当 的 显 著 性 ， 说 明 N_Connect 和 Relative_WithoutPosJump_Ret 提供了一定的在常见风格因子之外的增量信息。

4.3 不同股票池中的因子表现

接下来，我们把点度中心性因子（N_Connect）与跳跃关联非正跳跃相对动 量（Relative_WithoutPosJump_Ret）因子应用到不同的股票池中，包括中证 800、中证 1000 以及国证 2000，测试这两个因子在这些不同股票池中的有效性。 N_Connect 和 Relative_WithoutPosJump_Ret 在不同 的股票池中的有效性均较为显著，t 统计量均在 2.5 以上。此外，这两个因子的 有效性与股票池的股票平均规模呈现负相关：在中证 800 股票池，其 IC 均值分 别为 2.64%和 3.96%，t 统计量 2.62 和 3.59；而在中证 1000 股票池，其 IC 均 值分别提升到 6.38%和 7.27%，t 统计量 7.62 和 7.74；在国证 2000，其 IC 均 值再次提升到 6.82%和 7.88%，t 统计量 7.14 和 7.13。总的来说，N_Connect 和 Relative_WithoutPosJump_Ret 在市值较小的宽基指数中表现较好。

我们每期在三个股票池中分别选出 N_Connect 因子值最大的前 100 只股票 等权作为多头组合，以因子值最小的前 100 只股票作为空头组合。N_Connect 因子在中证 800、中证 1000 以及国证 2000 的多头组合 年化收益分别为 6.50%、16.30%、和 17.40%，多头超额年化收益分别为 5.05%、11.62%和 9.90%，多空组合年化收益分别为 5.86%、17.71%和 21.01%。整体来看，N_Connect 因子的表现均较为出色。

同样的，我们每期在三个股票池中分别选出 Relative_WithoutPosJump_Ret 因子值最大的前 100 只股票等作为多头组合，以因子值最小的前 100 只股票作 为空头组合。 Relative_WithoutPosJump_Ret 因子在中证 800、中证 1000 以及国证 2000 的多头组合年化收益分别为 8.28%、16.78%、 和 18.00%，多头超额年化收益分别为 6.56%、11.76%和 10.12%，多空组合年 化收益分别为 6.91%、23.06%和 27.63%。整体来看，因子的表现均较为出色。

五、总结

本报告基于相关股票会受到相似的信息冲击这一假设，提出了一种新的衡量 公司之间关联性的方法。基于跳跃关联度指标，我们构建了点度中心性因子和跳 跃关联动量因子。进一步，我们通过收益分解的方法对跳跃关联动量因子进行改 进。最后，基于因子测试的有效性，我们探索了点度中心性因子和改进后的跳跃 关联动量因子在不同股票样本池内的选股表现。本报告的核心结论如下：

股价跳跃体现了投资者对信息冲击的集中反应。如果两只股票的股价跳 跃行为高度一致，则二者大概率受到相似的信息冲击的影响，二者之间 应该有较高的关联度。基于以上逻辑，我们通过计算过去一段时间两只 股票之间关联跳跃的比例，提出了两种关联度：跳跃频率关联和跳跃幅 度关联。

中心性作为网络结构分析的重要指标之一，量化了节点在整个网络中的 中心程度，一般被用来衡量节点在网络结构中的重要性或者影响力。在 进行网络稀疏处理之后，我们构建了分别基于跳跃频率关联和跳跃幅度 关联的点度中心性因子（N_Connect）。这两个因子在回测区间内的 IC 均值为 5.59%和 4.32%，t 值为 7.47 和 6.68，均较为显著。

我们构建的基于跳跃频率关联度的 Relative_WithoutPosJump_Ret 因 子回测区间内 IC 均值为 6.78%，t 值为 8.21；基于跳跃幅度关联度的因 子 IC 均值为 6.60%，t 值为 7.11。

将基于跳跃频率关联和跳跃幅度关联的点度中心性因子（N_Connect） 通过等权相加进行复合，复合后的点度中心性因子（N_Connect）选股 能力有所提升。复合后 N_Connect 的 IC 均值 5.87%，t 值为 7.89。将 跳跃关联非正跳跃相对动量因子（Relative_WithoutPosJump_Ret）通 过同样的方式进行复合，复合之后的因子表现略有提升，IC 均值为 7.37%，t 值为 7.83。

N_Connect 因子在中证 800、中证 1000 以及国证 2000 的多头超额年 化 收 益 分 别 为 5.05% 、 11.62% 和 9.90% 。 Relative_WithoutPosJump_Ret 因子在中证 800、中证 1000 以及国证 2000 的多头超额年化收益分别为 6.56%、11.76%和 10.12%。总的来 说，这两个因子的表现均较为出色，在市值较小的宽基指数中表现更好。

编辑：火腿肠