金融工程专题研究：财务报表中的Alpha因子扩容与增强

核心观点

• 财务报表中蕴含大量未被充分关注的Alpha信息，通过挖掘新的数据源和算子可以扩容和增强Alpha因子库。
• 引入财务附注、非核心指标以及业绩预告和快报数据可以提升传统因子的绩效表现。
• 提出基于“分组加权法”的因子关联度定义和Leiden聚类算法，有效解决传统因子合成方法中风格偏移的问题。
• 通过“聚类-扩容-合成”的新思路构建聚类增强因子，相比传统复合因子表现更优。

关键数据和研究结论

• 挖掘得到约10万个财务因子，经筛选后得到4427个有效因子。
• 改进算子（截面分位差算子）构建的EPRank因子相比经典EPTTM因子在多空月均超额方面有明显改善。
• 附注复合因子RankIC均值4.78%，年化RankICIR为2.69，RankIC月胜率83.78%，多头月均超额0.77%，空头月均超额-1.02%。
• 引入预告和快报数据后，NPQYOY因子的RankIC均值从3.47%提升至4.26%，年化RankICIR从1.95提升至2.60。
• 基于分组加权法聚类得到8个因子类别：价值、低波、成长、分析师预期、高频、反转、公司治理与时序分位点。
• 聚类增强因子RankIC均值12.08%，年化RankICIR高达5.32，RankIC月胜率92.67%，多头月均超额1.62%，空头月均超额-1.91%。
• 聚类增强因子在各宽基指数和不同风格股票池中的表现相较传统复合因子也有显著提升。
• 聚类增强因子可以完全解释掉加权复合因子，并在此基础上贡献较多的增量信息。