长江金工：股票关联网络的拓扑结构选股研究

发布时间：2026-08-19 一、AI总结内容 一、核心研究背景与逻辑 1. 传统选股聚焦个股特征，忽略股票间关联关系，而股票间关联形成的网络含丰富选股信息，因此需从个体视角转向网络视角分析。2. 网络视角存在两个层次：一是仅关注股票两两关联的关系层次，二是关注网络连接模式差异的拓扑结构层次，本报告重点研究后者。 二、关联网络的关系类型与构建选择 1. 可用于构建股票关联网络的关系类型有四类：相似性关系、隶属与贡献关系、经济地理关联、因果关联关系。2. 本次研究测试各类关系构建网络后，发现基于相似性关系的网络结构特征对选股更有意义，因此选择该类关系构建网络。3. 原关联网络研究（关联动量、关联反转因子）因欧式距离阈值固定导致网络密度过高，类似随机网络掩盖节点结构差异，本研究采用动态稀疏化（每期保留前3%边）构建网络以凸显结构特征。 三、复杂网络的拓扑结构指标与选股测试 1. 复杂网络具备小世界、无标度、聚集性三大特性，其节点结构特征具区分度，适合用于选股研究，随机网络则无法满足。 2. 刻画网络拓扑结构的指标包括：中心性指标（度、接近、中介、特征向量中心性等）、聚集性指标（聚集系数等）、结构洞指标（有效规模、约束度等）。 3. 不同关联网络的选股测试结果： （1）基于风格暴露距离的网络：仅排名Rank指标相对有效，月均IC2.14，IC胜率61.8%，分组非严格单调；（2）基于收益率相关性的网络：接近中心性指标表现较优，月均IC6.3，IC胜率75%，分组严格单调，仅2017年阶段性失效；（3）基于成交量变动相关性的网络：选股效果弱于收益率网络，月均IC2-3%，IC胜率72%，2017年无明显失效；（4）量价协同网络：月均IC约4-5%，效果优于单类网络。 四、合成因子构建与结论 1. 单一网络的不同拓扑指标相关性较高，增量信息有限，不同网络间指标相关性较低；全市场部分节点连接度为0，导致指标覆盖度缩小。 2. 合成网络的网络结构综合因子，由收益率、成交量相关性网络的有效单因子等权合成，月均IC5.54，IC胜率71%；经市值行业中性化后，IC5.26，IC胜率提升，2017年阶段性走平。3. 最终结论：从网络拓扑结构视角选股能带来增量能力，通过构建不同关联网络并合成其有效结构属性，可提升选股效果。 二、音频原文（转写） 本次电话会议仅服务于长江证券研究所白名单客户，未经长江证券事先书面许可，任何机构或个人不得以任何 形式对外公布、复制、刊载、转载、转发、引用本次会议相关内容，否则由此造成的一切后果及法律责任由该机构或个人承担。长江证券保留追究其法律责任的权利。呃，各位投资者，大家晚上好。呃，我是长江精工的研究员张风华。 那今天的话，给各位投资者这边汇报一个我们之前一个比较啊，经典的一个研究啊，股票关联网络中的拓扑结构啊，这样一个报告啊。那我们在这个做选股因子研究的时候啊，其实我们有很多不同的视角啊。那传统的视角的话，其实是属于一个个体视角啊，我们一般会基于啊，公司啊，个股的一些特征啊，去构建这样。这样一个选股因子啊，然后去做这样一个收益的预测。 啊，那这种视角的话，它其实是只会关注到个体啊，是忽略到了这个个体和个体之间的这样一个关联关系。但是我们知道啊，在这种股票市场中啊，不同公司之间。啊，或者不同股票之间啊，它其实会有各种啊千丝万缕的联系啊。那这种联系的话，其实会形成一个所谓的这种关联网络啊。 那这种关联网络下的话，如果我们只是去关注个体的话，可能就会忽略到一些比较重要的啊，可能对选股有用的信息。啊，所以我们可能需要去把这个视角呢从个体啊。啊，转换到网络这样一个啊层面。那在网络这个层面的话，其实也有两种不同的这样一个分析层次。 呃，那简单的话其实只会关心关这个关注到啊股票两两之间的啊这样一个有没有关联。或者是比如说一个股票，哎，它跟它关联的有谁啊？这跟它关联的这些股票有什么特征？啊，基于这个东西呢，去构建一些选股因子。 那我们之前的一篇报告啊，比如说这个叫关关联网络中的动量和反转啊，它其实采用的这种就是这种视角。他虽然构建了网络啊，但是他只是关注到了啊，每个股票啊跟谁联系。啊，然后跟他联系的这些股票，他们有什么特征，这样去构建这样一个啊关联动量、关联因子、关联反转啊这样一个因子。那这种视角的话，其实还是会忽略掉这个网络里面更丰富的信息啊，比如说啊。 Thank you. 这个关联模式啊可能会有差异啊，比如说同一个股票。可能跟五个股票有关联啊，但是这五个股票之间可能还有不同的这种联立模式。那这种连接模式可能会对我们关心的这个股票啊，它的这个未来收益啊产生影响啊。那这种视角的话，其实就是摆脱了这种关系视角的一个局限性。 啊，从更高的层次上，从网络的整体层次上啊，去关注到了。这种连接模式的这个差异。啊，那这种连接模式的话，其实就是所谓的这种关这个关联网络的这样一个拓扑结构。啊，那其实我们可以通过这个视角啊去尝试去看有没有啊对未来收益的预测能力这样一个信息。 啊，这个就是所谓的更广义上的一个啊网络视角。啊，那我们今天这个报告的话，主要是从这个视角啊做了一些研究。那为了做这个研究的话，首先是需要去构建网络啊。那网络其实是由关系构成的。 所以在构建网络之前呢，我们需要去界定啊有哪些关系可以去构建这个网络。那这边我们也梳理了一下相关的文献啊，大致总结了一下，可以有这这四类关系。首先最最常见的一种呢，是通过这种相似性啊去定义啊关系，然后从而再构建网络。比如说可以基于某些特征啊，基本面方面的啊，这个股票风格方面的。 或者从量价数据里边。啊，去这个挖掘啊这种相似性。啊，然后把相似性达到一定程度的啊，这样一个两两的股票啊，认为他们之间是有关联关系啊，这样去定义的。那么还有一种的话，是属于叫隶属和贡献关系啊。 比如说，哎，两个股票如果共同呃出现在一篇，比如说这个新闻报道里边了啊，或者一篇研报里了，那可能就认为他们之间是有关联啊，或者是比如说他们共同出现在某一个基金的。这个持仓里边了啊，也认为他们之间是有关联。啊，这种的话是通过呃两个股票共同隶属啊，或者是共同出现在啊某一个事物里边。啊，这种关系啊，构建的这种网络。 那么第三种啊啊是属于经济和地理关联啊，比如说两个公司啊，这个在地理位置上啊比较接近啊，那他们之间可能会有一定的关联啊。啊，再比如 这个呃这个产业链的上下游啊，这种呢也是一种。比较自然的定义关系的一种方法。啊，那最后还有一种的话是属于所谓的这种因果关联关系啊，这种关系通常一般是通过啊。 计量统计的方法啊，去看。这个。这个股票价格啊，时间序列里边啊，有没有这种啊，这个隔栏经营过关系啊，去构建的啊，就这种比较纯偏。呃，计量啊，我们其实就考虑的不是特别多。 这个。那我们今天这篇报告里边的话，其实测了各种关系啊，关系去构建网络啊。那从结果来看的话，还是通过这种相似性的关系构建的网络。它的结构特征啊，对于选股来说是更有意义点的啊，所以我们主要也是通过相似性啊去定义的。 呃，那有了这样一个网络以后，怎么去捕捉这个？这个关联网络里面的这个结构特征啊，那这些其实是有一些。呃，因为在这个这个网络研究里面啊，其实有一些专门的啊这种指标啊，可以去定量的去表征。这种结构特征啊，这边我会简单讲一下。 呃，那我我们我们去看一些网络啊，其实不同网络是有差异的啊。这种。去，就值得关注这种结构特征的网络啊，它一般都是叫复杂网络。啊，这种复杂网络。 跟我们可能简单的这种随机网络有一定的差异。随机网络的话，它 两两之间的这个边呢，是比较随机，然这样的话可能。就他不太能够凸显出不同。节点啊，它的一个结构特征的一个差异啊。 那这种的话往往是在数学上啊，一般。可能见到的啊，这种随机的网络。那么现实世界的网络，或者说更有价值的网络啊，一般是属于复杂网络。啊，它有几个特征啊，第一个就是它有个小世界的特性啊，这个我们可能也听过。 比如说现实世界的人际关系啊，任何两个人之间啊，通过六个人都可以啊去。还联系到啊，认识到啊，这个连起来。啊，所谓的这个六度风格定理啊，那这个其实就是一个小世界特性啊，就是任何一个网络里边两个节点。他们之间的最短距离呢，不会特别远。 Okay。啊，这个是第一个。那么第二个还有个叫无标度特性啊，这个指的就是节点的这个度数分布，一般是符合明律的啊，就是大部分。节点。 可能连接的这个这个边是比较少的啊，只有个别节点啊是。可能有非常多的这样一个啊边啊。啊，第三个就是 聚集性啊，一般这种复杂网络里边啊，会有成团的啊，这种这种结构啊，我们看一个比较典型的这种复杂网络的这个。呃，这个示意图啊，这个就非常典型啊。 这里边一小点一小点，就是网络的节点。然后线的话就是这个边啊，这个非常明显是由。啊，这个啊，聚集性的啊，聚集性的啊，当然其他的小世界特性啊，还有这个无标注特性，这个需要从这个 啊，定量的去分析啊，才能看出来啊。那图里边的话，能看出来是一个它有具体性。 啊，那么这种 网络的话才能够它不同节点之间啊，这种结构特征呢，才是才有意识性啊，这样的话可能才有区分度啊，然后我们再去做选股研究的话，可能才有意义啊。否则这种如果是 呃，随机网络的话啊，可能就没法凸显出不同节点之间的这个啊，这个结构属性的差异了。那我们回到我们这份报告啊，我们在 上一篇啊，关于关股票关联网络的研究里边啊。记得是后天。 关联中断和关联反转这两个因子。那在那篇报告里边，我们这个网络是怎么定义的呢？啊，我们是计算啊每个股票。它在十个风格因子上的这个风险包住啊，这边就是八的风险因子。 然后得到一个十维度的这个风格暴露向量啊，然后我们去计算两两股票之间风格暴露向量之间的欧式距离。我们当时是以欧式距离小于三啊，视为。他们之间是有相似性，啊，认为他们之间是有关联。哎，否则就认为是没有关联，这样去构建的网络。 那么这样构建网络有个什么问题呢？我们会发现。它的节点数呢，啊，比如说某一期啊是有四千。五百七十个股票。 那么边的数量呢也非常巨大啊，它的平均连接密度呢有百分之。呃，这个二十二啊。这个是非常。密集的一个网络，那这种密集的网，高密度的网络，它有个问题，就是它类似于这种随机网络。 它会掩盖这个网络里面不同节点结构特征的一个差异。举个极端的例子啊，假如说这个网络里边。任何两个点之间都有关联啊，形成了一个完全图的话，那这样的话其实每一个点它的连接拓扑特性其实都一样。啊，都一样。 那可能你计算出来的任何指标啊，在不同的节点之间都没有差异啊，很明显它是没有办法。啊，去用来做收益预测的。啊，是不可能对未来的收益有任何的这个有效信息的啊。所以。 为了降低这个。网络的密度啊，其实就是我们想去。这个构建一个偏复杂的网络。要出来网络这样一个结构啊，那这种网络的话其实是需要有一定的稀疏性的啊，不能去啊。 有特别密的这种这种边的连接。那怎么办啊？两种方法，一种呢就是我们看到我们前面是以欧式距离小于三。啊，是不是有这个关联的啊？ 那我们一种简单的方法呢，就是把这个阈值呢降低啊。比如说距离小于一小于0.5，是不是有关联？啊，那这种做法呢可以用啊，但是会有个问题，它在不同这个这个截面上可能是有差异的啊，比如说某些时期，这个整个不同股票之间的这种连接强度可能就会更高啊，那你还使用这个固定的这种啊。啊，阈值的话可能在不同 期啊，不同截面上得到的网络，它的密度就会差异比较大。 呃，另外还有一个问题的话就是 这个阈值设定多少合适啊？这个可能是也没有什么理论能告诉我们，只能靠经验去去。啊，去设啊，这个可能也并不是特别的合适啊。另外一种方式就是设定动态的阈值啊，动态阈值的话可能就每期才选择不一样的阈值啊，这种方式可能会更好一点啊，比如说我们可以选择啊。 就是每一期选择。这个网络里边啊，一定比例的边啊，保留下来认为是有关联的啊，其他的都去掉啊，这种方式呢可能会更好一点。我们主要也是采用这种方式去构建的我们后面的网络。对，那有了单个网络以后，怎么去刻画它每个节点的结构特征啊？ 这个就比较简单了啊。因为在这个社会网络分析这个领域里边啊，关于这个复