股票市场分析-深挖分析师共同覆盖中的关联因子.pdf

股票市场分析-深挖分析师共同覆盖中的关联因子。人工智能 61：多角度深挖分析师共同覆盖中的关联因子，并用于指数增强 分析师共同覆盖能刻画上市公司的基本面关联，本文是分析师共同覆盖主题 的第二篇研究。本文从间接关联、关联事件驱动和指数增强组合构建的角度 对分析师共同覆盖中的信息进行多角度挖掘，均取得了一定的改进效果。结 合前期报告《分析师共同覆盖因子与图神经网络》(2022.7.7)，我们通过两 篇报告系统梳理了如何在量化投资中使用股票间关联信息的方法论，该方法 论也值得在其他股票关联类数据(如产业链、供应链数据)上尝试。

分析师共同覆盖间接关联可对直接关联信息进行补充，具有较大挖掘潜力

Shared analyst coverage: Unifying momentum spillover effect (Ali and Hirshleifer, 2019)中关于分析师共同覆盖的研究认为，股票间接关联的特点 有：(1)间接关联较为隐蔽，不易被投资者察觉，并且间接关联的数量远超 直接关联，想要完全覆盖和利用间接关联公司的信息也存在困难，这意味着 间接关联具有较大的挖掘潜力。(2)对于那些分析师覆盖数量较少(或直接关 联较少)的公司，间接关联造成的股价领先滞后效应可能会更显著。(3)间接 关联经多层连接，其领先滞后效应有所衰减，可能不如直接关联显著。

分析师共同覆盖间接关联可进一步改进反转因子的效果

本文进一步完善了基于分析师共同覆盖的改进反转因子，其含义是前期自身 跌幅较大，但关联股票涨幅较大的股票因子取值较大，是均值回复现象的表 现。基于分析师共同覆盖间接关联，本文首先构建了间接关联改进反转因子 CF2_REV，CF2_REV 能改进传统反转因子的选股效果。本文进一步将直 接关联改进反转因子 CF1_REV和 CF2_REV合成得到多层关联改进反转因 子 CF_REV，CF_REV 在日频和周频调仓的多头组合超额收益都表现最好， 相比传统反转因子有较大提升。

基于关联事件驱动的逻辑，可利用分析师共同覆盖改进事件因子

股票市场中，A 公司发生事件，可能会沿着关联关系将事件的影响传导到其 关联的公司，从而对关联公司的股价产生影响，本文基于分析师共同覆盖来 构建关联事件因子。在原有事件因子化模型的基础上，我们选取前 N 家直 接关联最紧密公司的事件来构建特征，融入关联公司的信息。当 N 逐渐增 大时，因子的 TOP 组合年化超额收益率先增后减，当 N=3 时达到最高，而 当 N=10 时因子表现最差，说明过多引入关联公司的事件信息可能带来噪 声。从 RankIC 均值和 IC_IR 来看，关联事件因子相比事件因子没有提升。 汇总测试结果，关联事件因子的提升较为有限。

分析师共同覆盖关联动量和改进反转因子可提升中证1000增强组合的表现

基于原有的多因子中证 1000 增强模型，本文构建以下两个中证 1000 增强 组合进行对比：(1)对照组合：技术因子中包含 6 个传统反转因子。(2)改进 组合：将技术因子中的 6 个传统反转因子替换为 4 个分析师共同覆盖动量和 反转因子。2018 年以来，改进组合相比对照组合年化超额收益率从 15.56% 提升至 16.92%，信息比率从 1.90 提升至 2.21，Calmar 比率从 1.73 提升 至 2.40，年化跟踪误差、超额收益最大回撤均有改善，实现了对标的指数 更稳健的增强，体现出分析师共同覆盖动量和反转因子相比传统反转因子更 优秀的选股能力。