股票 
板块 
用户 
资讯 广发证券首席金工分析师 安宁宁
SAC: S0260512020003
anningning@gf.com.cn
广发证券联席首席金工分析师 陈原文
SAC: S0260517080003
chenyuanwen@gf.com.cn
广发证券资深金工分析师 王小康
SAC: S0260525020002
wangxiaokang@gf.com.cn
广发金工安宁宁陈原文团队摘要风险提示：（1）本文所述模型用量化方法通过历史数据统计、建模和测算完成，所得结论与规律在市场政策、环境变化时存在失效风险；（2）本文策略在市场结构及交易行为改变时有可能存在失效风险；（3）因量化模型不同，本文提出的观点可能与其他量化模型结论存在差异。
一、从“自身特征”到“同伴效应”（一）背景介绍
传统资产定价研究主要关注股票自身特征（如市值、账面市值比、动量等）对未来收益的预测能力。然而，这种“自下而上”的视角忽略了一个重要事实：企业并非孤立存在，而是嵌入在由行业、供应链、分析师覆盖等构成的经济网络中。一家公司的信息往往会通过同伴关系传递到其他公司，从而影响后者的股价。本文的核心思想正是捕捉这种“同伴效应”，并构建一个系统的、可量化的预测指标——同伴指数（Peer Index, PI）。它同时衡量两个维度的信息：1.同伴群体的整体实力：即公司所在行业/网络中，除了该公司本身外所有同伴公司特征的平均水平。2.公司在群体中的相对位置：即公司自身特征与同伴平均水平的偏离程度。通过将这两个维度的信息融合，PI 能够更全面地刻画一家公司的预期收益来源。（二）放宽系数相等的约束
在传统的多因子研究框架中标准线性回归模型一般可以表达成如下格式：这其中隐含了一个未被检验的约束。如果我们将公司特征分解为同伴平均值和同伴内偏差：那么原回归其实也可以写为：也就是说，标准模型强制同伴平均值与同伴偏差具有相同的预测系数。然而，如果同伴关系具有经济意义，这两个系数很可能不同——例如，某个因子的行业平均暴露可能产生具有正向的预测作用（正系数），而个股相对行业的偏离则可能产生负向的预测作用（负系数）。以估值为例，有可能某只股票所处行业的估值均值水平对于该票具有负向的预测作用（行业整体估值水平已经过高），但该股票相较于行业平均水平的偏离具有正向的预测作用（该票相较于同行其他股票被相对低估），将两者拆分开形成两个不同的因子，理论上能够有效的获取到更精确的Alpha信息，这就是双重同伴效应（Dual Peer Effect）。这一现象其实可以拆分为多个维度进行分析，例如，应该如何构建股票间网络关系，除了传统的行业分类，还可以使用基金共同持仓、分析师共同覆盖等，比较另类的经典研究包括科技动量（Lee et al. 2018），利用上市公司的专利相似性来构建关系网络。该研究假设目标公司的股票收益率和与其科技关联度相近的公司前期的收益率之间有一种滞后-领先关系。换句话说，对于任何一个目标公司，使用某种代理指标来计算它和其他公司的科技关联度，然后以该关联度为权重和其他公司的当期收益率就可以计算出一个加权收益率，该收益率对目标公司下一期的收益率有一定的预测性。因此，以科技关联度为权重的加权收益率是一个优秀的 α 因子。这种领衔-滞后关系也可以被称作“科技动量”。更加特殊的可能包括利用上市公司年报中提及的竞争对手、合作伙伴、供应商、客户等进行匹配、构建关系网络。另一个比较重要的维度是如何寻找合适的股票特征（因子），用于拆解成同伴均值和个股偏离。上述科技动量的研究本质上是直接使用了同伴的动量均值（滞后）作为特征来对该股票进行预测。但正如上文所提，估值、成长、质量等因子都可以作为特征，观察其同伴特征均值和股票本身偏离是否具有不同的预测方向效果。二、双重同伴效应的构建过程（一）特征构建
在本文中，我们考虑数据易得性、经济可解释性等因素，首先构建了约130个基本面与量价因子，主要包括估值类、成长类、现金流类、质量类、低频量价类和分钟频量价类：（二）模型选择
在模型层面，为了保持最终结果的可解释性，我们使用Ridge岭回归，也就是线性模型加惩罚项的方式，这种模型可以解决多重共线性问题（即特征变量之间高度相关），它通过引入L2正则化来改进普通最小二乘法（OLS），能有效防止模型过拟合，提升模型的泛化能力。普通线性回归的目标是最小化残差平方和，公式为：当特征相关或数量多于样本时，它估计的系数 可能很大、很不稳定。岭回归在此基础上，加上了系数的L2范数惩罚项（即所有系数的平方和），目标函数变为：λ≥0正则化强度超参数，通过交叉验证选择最优值。惩罚项迫使所有系数向零收缩，但不等于零，因此保留了所有特征（不具备特征选择功能）。（三）关系网络
在本文中，我们对多种关系网络进行测试，包括申万一级、二级、三级行业，所属wind概念指数和wind主题指数等。可以看到，行业分类属于静态、互斥性的关系网络，而wind主题或概念指数存在一只股票可能同属于多个分组的情况，我们在处理时进行累加赋权，即若两只股票同属于多个主题指数，则两只股票的连接权重相对就更高。从上图中可以看出，相较于一般的行业分类，使用Wind概念指数这种带有重叠性质的网络关系，可以给出股票之间的关系权重，从而使后续计算出的特征能够综合考虑该股票的多重属性。我们使用如下方式计算Peer Avg特征：以中际旭创为例，该股票同时属于61个Wind概念指数，包括但不限于：华为平台指数、出海贸易指数、光模块(CPO)指数、IDC(算力租赁)指数等，我们将每个指数中去除掉中际旭创本身的特征后求出均值，然后对于每个指数的特征均值先求和，再除以每个分组下的peer数量求和。通过这种方式保留了股票的所有分组属性，从而使求出的同行平均和个股偏离更符合业务逻辑。三、双重同伴效应拆解后的实证分析我们使用Wind概念指数作为关系网络，对于上述130余个因子进行拆解，得到260余个因子后，喂入Ridge模型。以过去十年的数据作为训练和验证集，自2020年开始作为样本外。将股票未来5天的收益率作为待学习目标，即Ridge模型的LHS。
（一）基准因子表现
我们首先将原始特征所得到的因子结果进行测试，测试假设周度调仓，去除涨跌停、ST、北交所股票。鉴于我们所输入的因子相对全面，且部分因子具有较强的线性有效性。从因子的IC指标来看，IC均值达到8.41%，IC胜率为82.02%，ICIR为0.8。从收益水平来看，因子多头年化超额收益率为19.26%，多头超额最大回撤-16.43%，多头信息比率为2.71。多空年化收益率为78.51%，多空夏普比率为6.15，多空最大回撤-18.67%。（二）双重同伴效应因子表现
进一步我们利用双重同伴效应将输入因子拆解后得到的因子样本外表现：对比来看，使用双重同伴效应所得因子IC均值为87.61%，IC胜率为77.92%，ICIR为0.73，相较于原始因子略有下降。但若对比收益水平，可以发现使用双重同伴效应所得因子多头年化超额收益率为21.30%，多头信息比率为3.38，多头超额回撤-12.17%，相较于原因子有较大水平提升，且回撤水平也有一定下降，稳定性得到提升。此外，我们选取部分特征的同行平均项和个股偏离项的系数进行对比分析：可以看出，在喂入线性模型后，部分因子的同伴平均项和个股偏离项前面的beta系数出现了明显背离。其中不乏若使用同伴平均项可能有正向预测作用，但个股偏离项出现了明显反向的因子。我们统计所有喂入因子在区分了同伴平均和个股偏离后所得系数以及对应T统计量，可以发现两类因子出现了明显分化，整体而言同伴平均项的有效性更加显著，且远高于因子的有效性，T统计量的绝对值均值达到了27.51，远超原因子的10.32的水平。系数层面也是同样，平均达到0.0595，超过原因子的0.0038的均值水平。一方面说明，将因子进行拆分有一定的合理性，原本被混杂在一起的信息得以独立。另一方面，个股同伴的牵引对于股票未来一段时间的超额收益率有较强的预测作用，这也与很多论文中提到的邻接关系网络领先滞后效应相匹配。举例而言，我们首先观察非流动性因子的同伴平均项和原因子表现：可以发现经过分离后，因子多头超额有一定提升，从11.33%上升至13.46%。个别因子在经过拆分后，收益表现变化极大。上图中所展示的为归母净利润单季度环比因子，该因子在近些年基本早已失效，但若我们对该因子进行拆分，可以发现各项指标都有不同的表现：因子的同伴平均项IC直接变为负向，IC均值为-2.69%，多头年化超额收益率为15.92%，多头信息比率1.75。四、双重同伴效应的独立性分析树模型是一种出现较早、逻辑直观、效果出色的机器学习算法，既可以用于回归任务，也可以用于分类任务。其核心思路为从根节点出发，对每一个特征进行判断，将样本划分到对应的子节点中。判断时一般采用基尼系数大小来度量判断的准确性，从而使得对于任意划分点s两边的样本和所求出的均方差最小，直到样本个数小于阈值或已无其他特征。随着研究的不断深入，决策树的集成算法逐渐成为主流。人们发现，将多棵决策树融合在一起，能显著提升模型整体的精确度和泛化性能。目前主流的集成方案主要有两种：1.Bagging：该方法采用自助法（Bootstraping）多次随机采样训练集，针对每一次采样的数据集，都训练一个简单的决策树作为基学习器。再将这些机器学习所得结果平均作为最终预测结果。这种方法主要目的在于降低模型方差（防止过拟合），在结合时也可以进一步加入一些随机性，如特征的随机抽样等，最终所形成模型为随机森林（Random Forest）。2.Boosting：Boosting是一种有顺序的基学习器训练方式，每个基模型都会在前一个基模型的基础上进行学习，最终综合所有基模型的预测值产生最终的预测结果。在Boosting中，由于基模型共用一套训练数据集，相关性较强，整体模型的方差等于其基模型的方差，因此基模型也一般选用高偏差低方差的弱学习器。不过基于Boosting框架的GBDT可以通过对特征进行随机抽样降低基模型的相关性，从而达到减少方差的效果。近一步细分，Boosting又可以分为Adaboost、GBDT等。其基本思路都是在训练基模型时重点关注前一个基模型表现不佳的地方，Adaboost通过提升错分数据点的权重来定位模型不足，Gradient Boosting通过计算梯度来定位模型不足。为了衡量这种分解方式是否真的带来了额外的Alpha，我们同时还将原始因子全部投喂Lightgbm模型训练得到相应的机器学习因子。该因子表现如下：该因子效果与上文Ridge模型类似，IC均值7.64%，ICIR0.76。因子多头年化超额收益率14.88%，多头信息比率1.92，多头超额最大回撤-15.21%。此外，我们测试了该因子与Ridge模型所得因子之间的相关性：不难发现，若均使用原因子作为模型输入，最终所得因子的多头超额相关系数为84.03%，但若将输入特征拆解后，因子相关性得到显著下降，Ridge模型下，相关系数为63.67%，LGBM模型原因子和Ridge模型的双重同伴效应因子相关系数为48.06%。简而言之，使用不同的模型所能来的低相关性比较有限，但从原始特征中进一步衍生出的新的特征反而能更有效的得到低相关性因子。因此，我们将PI Ridge因子与LGBM因子等权合成后，重新进行测试。发现因子效果仍有进一步提升，IC均值为8.33%，ICIR为0.79，IC胜率为80.13%。可以看到，因子合成后多头部分表现有进一步提高，多头年化超额收益率为21.78%，多头信息比率3.38，多头超额最大回撤-10.48%。因子的多空年化收益率为78.64%，多空夏普比率为6.96，多空最大回撤-9.31%。五、因子在不同股票池的表现（一）沪深300
进一步我们观察上述所得因子在不同股票池中的表现，首先在沪深300中，因子的IC指标如下：因子的多头年化超额收益率为8.41%，多头超额最大回撤为-19.34%，多头信息比率为1.06。（二）中证500
因子在中证500股票池中IC均值为3.99%，ICIR为0.32，多头年化超额收益率为8.47%，多头信息比率为1.24，多头超额最大回撤为-11.60%。（三）中证1000
因子在中证指数中表现突出，IC均值为6.63%，ICIR为0.66，IC胜率为73.73%。多头年化超额收益率为14.10%，多头超额回撤为-11.22%，多头信息比率为2.42。六、总结四、总结法律声明：
本微信号推送内容仅供广发证券股份有限公司（下称“广发证券”）客户参考，其他的任何读者在订阅本微信号前，请自行评估接收相关推送内容的适当性，广发证券不会因订阅本微信号的行为或者收到、阅读本微信号推送内容而视相关人员为客户。
完整的投资观点应以广发证券研究所发布的完整报告为准。完整报告所载资料的来源及观点的出处皆被广发证券认为可靠，但广发证券不对其准确性或完整性做出任何保证，报告内容亦仅供参考。
在任何情况下，本微信号所推送信息或所表述的意见并不构成对任何人的投资建议。除非法律法规有明确规定，在任何情况下广发证券不对因使用本微信号的内容而引致的任何损失承担任何责任。读者不应以本微信号推送内容取代其独立判断或仅根据本微信号推送内容做出决策。
本微信号推送内容仅反映广发证券研究人员于发出完整报告当日的判断，可随时更改且不予通告。
本微信号及其推送内容的版权归广发证券所有，广发证券对本微信号及其推送内容保留一切法律权利。未经广发证券事先书面许可，任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用，否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。
评论 (0)