股票市場分析-深挖分析師共同覆蓋中的關聯因子.pdf

股票市場分析-深挖分析師共同覆蓋中的關聯因子。人工智能 61：多角度深挖分析師共同覆蓋中的關聯因子，并用于指數增強 分析師共同覆蓋能刻畫上市公司的基本面關聯，本文是分析師共同覆蓋主題 的第二篇研究。本文從間接關聯、關聯事件驅動和指數增強組合構建的角度 對分析師共同覆蓋中的信息進行多角度挖掘，均取得了一定的改進效果。結 合前期報告《分析師共同覆蓋因子與圖神經網絡》(2022.7.7)，我們通過兩 篇報告系統梳理了如何在量化投資中使用股票間關聯信息的方法論，該方法 論也值得在其他股票關聯類數據(如產業鏈、供應鏈數據)上嘗試。

分析師共同覆蓋間接關聯可對直接關聯信息進行補充，具有較大挖掘潛力

Shared analyst coverage: Unifying momentum spillover effect (Ali and Hirshleifer, 2019)中關于分析師共同覆蓋的研究認為，股票間接關聯的特點 有：(1)間接關聯較為隱蔽，不易被投資者察覺，并且間接關聯的數量遠超 直接關聯，想要完全覆蓋和利用間接關聯公司的信息也存在困難，這意味著 間接關聯具有較大的挖掘潛力。(2)對于那些分析師覆蓋數量較少(或直接關 聯較少)的公司，間接關聯造成的股價領先滯后效應可能會更顯著。(3)間接 關聯經多層連接，其領先滯后效應有所衰減，可能不如直接關聯顯著。

分析師共同覆蓋間接關聯可進一步改進反轉因子的效果

本文進一步完善了基于分析師共同覆蓋的改進反轉因子，其含義是前期自身 跌幅較大，但關聯股票漲幅較大的股票因子取值較大，是均值回復現象的表 現。基于分析師共同覆蓋間接關聯，本文首先構建了間接關聯改進反轉因子 CF2_REV，CF2_REV 能改進傳統反轉因子的選股效果。本文進一步將直 接關聯改進反轉因子 CF1_REV和 CF2_REV合成得到多層關聯改進反轉因 子 CF_REV，CF_REV 在日頻和周頻調倉的多頭組合超額收益都表現最好， 相比傳統反轉因子有較大提升。

基于關聯事件驅動的邏輯，可利用分析師共同覆蓋改進事件因子

股票市場中，A 公司發生事件，可能會沿著關聯關系將事件的影響傳導到其 關聯的公司，從而對關聯公司的股價產生影響，本文基于分析師共同覆蓋來 構建關聯事件因子。在原有事件因子化模型的基礎上，我們選取前 N 家直 接關聯最緊密公司的事件來構建特征，融入關聯公司的信息。當 N 逐漸增 大時，因子的 TOP 組合年化超額收益率先增后減，當 N=3 時達到最高，而 當 N=10 時因子表現最差，說明過多引入關聯公司的事件信息可能帶來噪 聲。從 RankIC 均值和 IC_IR 來看，關聯事件因子相比事件因子沒有提升。 匯總測試結果，關聯事件因子的提升較為有限。

分析師共同覆蓋關聯動量和改進反轉因子可提升中證1000增強組合的表現

基于原有的多因子中證 1000 增強模型，本文構建以下兩個中證 1000 增強 組合進行對比：(1)對照組合：技術因子中包含 6 個傳統反轉因子。(2)改進 組合：將技術因子中的 6 個傳統反轉因子替換為 4 個分析師共同覆蓋動量和 反轉因子。2018 年以來，改進組合相比對照組合年化超額收益率從 15.56% 提升至 16.92%，信息比率從 1.90 提升至 2.21，Calmar 比率從 1.73 提升 至 2.40，年化跟蹤誤差、超額收益最大回撤均有改善，實現了對標的指數 更穩健的增強，體現出分析師共同覆蓋動量和反轉因子相比傳統反轉因子更 優秀的選股能力。