广发金工 同伴股票因子暴露带来的全新Alpha

发布时间：2026-09-01 一、AI总结内容 一、核心要点 1. 本次报告基于顶刊论文成果，将A股股票因子拆分为个股偏离和同伴平均，通过分拆因子获取全新Alpha，在A股测试效果良好。 2. 构建股票关系网络的方式包含行业分类、基金功能持仓、分析师覆盖等，本次测试采用申万一二三级行业、万德概念指数、万德主题指数，其中万德概念指数覆盖度接近100%，平均每个概念包含约75只股票。 3. 对万德概念指数的同伴平均计算方式为：个股所属概念的同伴因子值求和，再除以所有同伴数量；个股偏离为个股原始因子值减去同伴平均因子值。二、实证结果 1. 采用130余个因子（估值、现金流、成长等）、岭回归模型，以20年为样本外回测5-6年，周度调仓，原始因子年化超额约19个点，超额回撤约16个点，效果良好。 2. 将130余个因子拆分为260余个含同伴效应的因子后，IC基本持平，多头超额、信息比率、超额回撤均有提升，其中同伴平均因子系数更显著，t统计量均值约27，个股偏离约10，说明同伴信息对收益预测更重要。 3. 经典非流动性因子拆分后同伴平均效果略有提升，失效的规模净利润环比因子拆分后同伴平均仍有稳定正向超额，为新Alpha来源。 4. 独立性分析显示，双重同伴效应衍生的特征与原因子相关性仅约63%，远低于更换模型（原因子换模型相关性约80%），合成树模型因子后超额与回撤稳定性提升。 5. 不同股票池测试结果：沪深300年化超额约8个点，信息比率约1.06；中证500超额约8个点，信息比率约1.24；中证1000超额约14个点，信息比率约2.42，表现更稳定。三、总结 本次研究提出的同伴股票因子拆分方法，可有效获取更具增量的Alpha信息，核心是需构建合理的关系网络度量方案。 二、音频原文（转写） 各位投资者，大家下午好，欢迎大家呃今天下午呢来收听我们广发精工的报告路演。那么我们这篇报告的一个主要内容呢，是基于同伴股票因子暴露所能带来的一个全新的阿尔法。嗯，这是一种在今年上半年发布在一篇顶刊上的一个论文，它的一个研究成果。那么我们在A股上呢，去进行了一些测试和验证啊，从而发现呢就是在 A股上也是有比较好的一个效果的。 呃，那么首先我们做一个背景介绍，就是铜板效应和铜板指数它指的是什么？那么在过往的很多论文研究或者是实证研究中呢，会发现呃，一只公司一一只股票，它它的这个股票未来的一段时间的收益率呢，并不仅仅只受这只股票本身的一些特质所影响啊，它同样的也受到它所处的这个关系网络中的其他股票的这个因子值会影响到。那么我们这里呢就。这个以这个这个公式，以这个多因子回归的一个模型为例。 比方说在最上面这个公式呢，是我们以往的一个。呃，经典的线性回归模型。那么这里呢，我们要求。呃，对 于这只股票本身的这个因子暴露啊，去作为X。 然后对于未来一期的收益率呢，去作为Y啊，这样呢去做一个线性回归。那么这里面呢，如果说我们再进一步去拆分。也就是说。呃，把这支票所属的这个关系网络的同伴的这个因子值呢，去取一个平均。 啊，把它叫做同伴平均。然后再用我们原本这只股票的因子值去减去这个同伴平均，把它叫做同伴内偏差。那么这两个部分相减。呃，那么就这个作为同伴的偏差。 然后如果说呃，我我们认为这两个部分呢，它是不一样的信息，或者说它对于这只股票的影响不一样的话，我们其实可以把这两个部分呢，给它单独作为两个自变量。去做一个新的回归。啊，那么之前的这个回归呢，就可以给它一拆为二。拆分成一个新的这个回归的一个表达式。 那么如果说我们再看这个表达式呢，会发现之前我们的这个。标准的那个模型。其实是有一个强制要求的。这个要求在于。 这个同伴平均的这个因子暴露和个股偏离的因子暴露呢，他们两个应该具有相同的预测系数。啊，也就是说这个。呃。如果说预测系数相同啊，那么相当于就可以直接退回到原本的这个回归了。 那么如果说我们做一个这样的回归发现。这两个贝塔不一样。啊，那其实就能说明。嗯。 同伴平均对于这支票的影响和个股偏离，对于这票影响是不一样的。那么这种呢，可能它背后有一些这种。啊，经济学的直觉在里面。我们可以举一个例子啊。 比方说，估值因子。那么如果说我们去取。呃，这个票所属的这个行业，它的一个平均估值水平。就是排除掉自己之后的一个平均估值水平。 对于这只盘的影响呢？呃，我们从直观上来讲，很有可能它是个负的。也就是说，行业整体上估值已经偏高了啊。那么对于我这支票来说，可能未来其实是个负向的一个。 超收益。但如果说我去看这支票，相比于整个这个行业平均的一个偏离程度。这个估值水平。这个反而有可能是个正的。 啊，个股呢，如果说呃它这个暴露因呃这个估值是这个比较低啊，相当于是被低估的话，那其实未来呢，它有可能是个。呃，相对来说是一个更好的一个正收益。所以说我们把一个因子呢，给它拆分为两个因子。理论上讲，是有可能会获得更准确的一个阿尔法信息的。 那么如何来去构建这样的呃关系网络呢？其实有很多种选择啊，以以往的很多这个研究中呢，其实用到了行业分类啊、基金功能持仓啊。分析师功能覆盖等等这些。呃，另外一个点呢，就在于股票的这个特征选择上。 我们也可以选择估值、成长、质量等等这些。那么接下来就是我们在A股上的去做了一个实证。呃，这里呢我们去拿估值现金流成长。对呀。 分钟频。等等呢，一共是130多个因子。啊，去做一个这样的测试。然后我们用的模型呢，是领回归。 领回归的好处在于。呃，他不会去用过于复杂的非线性的这个模型。呃，去加到这个里面。它只有一个线性的一个一个一个一个回归，额外呢去加了一个这种系数的惩罚。 那么在这个回归里面的这个贝塔，它其实是有实际含义的。这个贝塔的正负，这个贝塔的大小，它就能够说明。我这个因子对于这支票未来收益率到底是个正向影响，还是个负向影响？啊，他是 呃，有这么一个好处。 然后在网络层面上呢，我们是选择了。以下这么几种。啊，包括申万的一二三级行业。万德概念指数，还有这个万德主题指数。 那么一二三级行业呢，它是静态，它基本上是属于静态的。并且呢，它是互斥的。也就是说，一只票呢，它不太可能同时属于两个行业。那么万能概念指数呢，它就比较动态了。 啊，另外一个点呢，就在于它是。呃，可能会有多个不同的重复。红蝶 嗯，所以说我们统计下来呢，现在这个概念指数。呃，整体来说大概有一千三百多个，然后每一个概念呢，基本上平均的股票数量大概是七十五个。 然后覆盖度呢也比较高了啊，接近百分百。然后票与票之间呢，可能就会出现重叠。对。然后接下来我们看一些例子，比方说。 呃，左边这张图呢，是医药行业的一些。这个关系网络能明显能看到呢，就是这个数字代表。呃，两只票它所属于的共同的这个概念指数的数量。所以说这个数字呢，其实能够说明两只票的。 临近关系的一个紧密程度。那么右边呢，是电子通信行业。呃，我们看到这个中继续创啊，呃，立讯精密啊等等这些票。啊，他们互相之间的这个相关所属的这个。 概念指数啊，那因为最新也是一个比较火热的一个概念吧，啊，所以说又出现了很多各种各样。衍生出来的概念，所以说他们互相之间的这个概念主流会稍微多一些。然后接下来我们就以中级宣传为例去看。呃，对于这支票，我们应该怎么去求它的？ 同伴平均和购物频率。我们举个例子啊。这个。中级学创呢，它是属于一共有六十一个概念指数。 然后我们去算的时候呢，是对于它所属的每个概念主动呢，都先去求一个。同伴印子值的求和。然后把所有些所属的这个概念指数的这个求和呢，给它加起来作为这个分子。那么分母部分呢，就是它所属的每一个同伴的这个数量啊，把所有的这个同伴数量也再加起来得到分母。 那么分子除以分母呢，就得到了个股呃所属这个因子的这个同伴平均的这个值。然后再用原本这个因子值呢，减去同伴平均，就得到了个股偏离。所以说这就是啊，用概念指数这样的指数呢，呃，用概念指数去做分类的话呢，我们去啊去做的一个算法。然后接下来我们去做一些对比啊，首先呢是用原本的刚才那130多个因子 去作为模型的输入，然后去喂到刚才的李回归里面。 啊，可以看到呢，就是呃在权益里面呢，这个因子效果也还是可以的。年化超额呢大概是19个点，呃，超额回撤呢大概是16个点。对，如果说我们以20年作为样本外啊去回测这些大概五六年、六年的一个情况，啊，然后周度调仓它的一个结果，啊，整体上本身也是比较有效。放的。 那一个原因呢，也就在于很多因子它本身也是线性有效的啊。所以说我们因子也比较全面啊，它能学到一些比较 啊，有意义的，或者说这个有有比较好的一个预测效果。那么进一步。我们把刚才那一百三十多个因子呢，给它拆开。 拆成了260多个。啊，那么这两百六十多个呢，其实就 呃，相对来说呢 呃，它就包含了两个层面的信息了。啊，然后我们再进一步给它喂到这个。啊，你回归里面。 我们可以看到这个因子本身的IC呢，倒是差不多。但是呢，他这个多头超额。呃，信息比率和超额回撤都有一些提升。这是一种。 这个改进的一个方案。那么这里面我们看了一下这个对比。啊，原始因子和双重同埋效应因子。这个双重同伴效应呢，整体上来说还是有一些提升的。 呃，再一个呢就是我们去。举了一个例子。比方说。嗯。 我们看到这个一些经典的这些因子呢，我们把方程图曼把这个图曼平均和勾股偏移的这个因子的这个系数给它单独取出来。那明显发现呢？同类平均因子前面那个系数呢？他整体上来说。 呃，稍微有一些偏高啊，也就是说比这个更加趋近于 呃，更显著一些。然后个股偏离这些呢，其实反而是更加趋近于零。然后我们就统计了一下。可以看到这个原因子。 在下面一张表。它这个t统计量这个均值呢，大概是10。然后同伴平均这个呢，大概就能到呃到二十七。这个还是相当比较高的。 那么个股偏离的呢，也是十。啊，所以说呃，可以说明什么呢？就是第一个。我们这样拆分呢，它肯定有一定的合理性。 两边的这个系数呢，确实不一样，它有不一样的这个信息量。第二个点呢，就在于。呃，个股它的这个同伴给它带来的这个牵引。啊，相对来说反而是更重要的。 啊，这个牵引呢，其实对于这流上的预测作用会更强一些。啊，所以说这个也跟很多过往研究中呃，大家发现的一个点是比较匹配的啊，就是说呃，临接关系它的一个领先之后的一个效应。是比较重要的。好，那么接下来我们又举了两个例子啊。 左边这个图呢，是非流动性。啊，这个因子呢，原本本身也是比较有效的。所以说我们去看原因子和同伴平均 这两个的一个对比，明显看到同伴平均呢它有。稍微略有一些提升啊。 右边那个呢，是规模净利润环比的一个因子。是。这个因子在这几年基本上已经失效了啊，但是呢我们去看这个同伴平均的这个效果。其实反而呢，是有一个相对比较稳定的一个正向的一个超额。 啊，所以说这倒是一个比较 呃，另类或者说比较 呃，新的一种。阿尔法的一个来源。然后将来就是做了一些独立性的分析。呃，如果说我们把刚才那一百三十多个因子呢，去喂到了一个数模型里面。 啊，用来GBM。那么这个数模型整体上这个研发超额大概是十四个多点。今日比零一点九二超回撤呢是十五点多。然后我们把。 呃，使用领回归的这个原因子。首先去跟呃双重同伴效应的。这个未回归的这个因子呢，去看这个相关性。那看到呢，大概是百分之六十三的一个水平。 啊，确实是有降低的。那么如果说我们去看因子输入不动啊，就都用那一百三十六个元因子。但是呢，我换了一个模型。用领回归换来GBM。 啊，那么发现呢，这个相关性还是百分之八十多。所以说这个其实是。呃，很难降下来。那当然就更不用说，比方说。 呃，我们用这个双重铜牌效应之后，这个领回归。然后，数模型这边呢？呃，用元因子，那这个相关性呢会降得更低一些。所以总总结来说呢，就是 呃，使用不同的模型，可能给我们带来这个低相关性是很有限的。 但是呢，我通过这种方式衍生出来一批新的特征。它反而能够得到更加低相关的这个因子。所以最终呢，我们就是把刚才这个数模型的因子呢和双重图盘效应呢进一步去合成了一下。啊，核算完之后呢，这个超额超额回撤。 呃，稳定性都有一些提升。最终呢，就是我们在不同的股票池里