2025年金融工程专题报告：如何压缩因子动物园？

1 引言

为解释股票的横截面收益，资产定价文献提倡使用包含被认为最具代表性和相 关性的因子的因子模型。由 Sharpe (1964)、Lintner (1965)、Mossin (1966) 和 Treynor (1961) 开发的资本资产定价模型（CAPM）是最早的因子模型之一，这是一 个围绕股票市场因子构建的单因子模型。尽管 CAPM 在理论上具有吸引力，但在解 释平均股票收益的横截面差异方面表现不佳。最突出的是，它未能解释规模效应 （Banz, 1981）和价值效应（Basu, 1977 或 Rosenberg, Reid, and Lanstein, 1985） 的合理定价，这促使 Fama and French (1993) 提出了一个由市场、规模和价值因子 组成的三因子模型。多年来，该模型一直是行业标准，有时会加入 Jegadeesh and Titman (1993) 的动量因子进行扩展，如 Carhart (1997) 所示。

然而，在过去的 25 年里，文献中涌现了数百个因子，所有这些因子据称都提供 了独特的新收益来源。Cochrane (2011) 恰当地将这种状况描述为一个需要被驯化 和构建的“因子动物园”。由于现有的 Fama and French (1993) 和 Carhart (1997) 因 子模型无法解释许多新因子，Fama and French (2015, 2018) 通过添加投资因子 (Cooper, Gulen, and Schill, 2008) 和盈利因子 (Novy-Marx, 2013) 将这些模型扩 展为五因子和六因子模型。这些因子模型与其他的四因子模型竞争，例如 Hou, Xue, and Zhang (2015) 的 q 因子模型、Stambaugh and Yuan (2017) 的错误定价模型 或 Barillas et al. (2020) 的修正六因子模型。尽管这些模型使用不同的因子，但主流 学术界似乎达成共识，认为因子动物园中的大部分因子可以通过仅包含四到六个因 子的简约模型来解释。

本文对因子动物园的研究旨在探究需要多少个因子才能压缩因子动物园，即在 不大幅损失关于整个动物园切点投资组合信息的情况下，显著减少因子数量。为此， 本文迭代式地识别那些能捕捉因子动物园中大部分可用 alpha 因子。具体来说，作 者识别策略的第一次迭代是将 CAPM 与某个因子进行扩展，使得由此产生的双因子 模型能最大程度地减少剩余候选因子的 alpha。随后的迭代将此模型进一步扩展为一 个三因子模型，以捕捉大部分剩余因子 alpha。通过依次添加因子，最终得到一个能 消除所有剩余因子 alpha 的因子模型。请注意，本文的程序呼应了早期文献所遵循 的方法，即 CAPM 最初被规模、价值和动量因子扩展，后来又被投资和盈利因子扩 展。相比之下，作者系统地考虑迄今为止记录的所有可用候选因子，直到因子动物园 被充分压缩，从而得出不同的路径和见解。 分析和构建因子动物园的一个挑战是完全复现文献中现有的因子。为此，Chen and Zimmermann (2022) 以及 Jensen, Kelly, and Pedersen (2023) 复现了绝大多 数现有因子，并发布了开源数据库以促进进一步研究。两项研究都证明，许多（即使 不是大多数）具有高统计相关性的提议因子确实可以被复现，这对现代金融中常被 声称的“复现危机”提出了挑战 (Hou, Xue, and Zhang, 2020)。鉴于 Jensen et al. (2023) 也提供了国际因子，本文的研究从其数据库中获取因子数据。

主要发现可总结如下。首先，使用一组全面的 153 个美国股票因子，发现一个 由 15 个因子组成的因子模型足以覆盖整个因子动物园。选定的 15 个因子来源于 13 个因子风格类别中的 8 个，说明了因子集的异质性。其次，迭代因子模型在包含相 同数量因子时，也优于常见的学术模型，因为它选择了替代性的价值、盈利、投资或 动量因子，或包含了替代性的因子风格类别，如季节性或短期反转。在比较现有的学 术模型时，发现 Barillas et al. (2020) 的修正六因子模型解释了因子动物园中大部分 可用的 alpha。第三，当在扩展时间窗口内，随着因子逐渐可用而重复进行因子选择 时，同样得到了一组多样化的选定因子。具体来说，新发布的因子有时会取代旧有的 因子定义，这强调了基于新见解或新可得数据进行持续因子创新的重要性。第四，使 用等权重因子而非市值加权因子，需要超过 30 个因子才能覆盖因子动物园，这表明 等权重因子表现出更强且更多样化的 alpha。最后，将因子选择策略应用于一组全 球因子，会得到一组相似的选定因子。虽然基于全球数据选出的因子模型缩小了美 国和除美国外全球子域的 alpha，但它们在美国表现更好，这意味着国际因子表现出 更大且更多样化的 alpha。

本文从几个方面对文献做出了贡献。首先，提出了一种简单而有效的方法来识 别因子动物园中重要的 alpha 贡献者。由此产生的因子集从实践者的角度来看是相 关的，因为它们以最少数量的因子代表了可用的因子动物园 alpha。作者的方法不同 于先前关于因子收益变异的研究，例如 Bessembinder, Burt, and Hrdlicka (2021) 和 Kozak, Nagel, and Santosh (2018)，这些研究主要考察因子收益的协方差结构。这 些基于主成分分析（PCA）方法的统计因子研究通常识别描述协方差结构的潜在因 子，而非关于均值（即因子的收益水平）的信息。例如，考虑一个假设的因子，它每 月产生 1%的收益且方差为零。虽然从 PCA 的角度来看，这个因子不相关，但从因 子溢价的角度来看，它是真正相关的。本着这种思路，Lettau and Pelger (2020) 开 发了一种替代性的风险溢价 PCA（RP-PCA）方法，该方法结合了数据的一阶矩和 二阶矩信息。然而，作者并非旨在识别因子动物园中的新潜在因子，而是渴望从 alpha 的角度了解最相关的因子。 其次，通过持续识别出 10 到 20 个因子（取决于选定的统计显著性水平），为 关于理想因子模型规模的辩论做出了贡献。这与主流的学术因子模型形成对比，后者通常仅包含三到六个因子 (Barillas et al., 2020; Fama and French, 1993, 2015, 2018; Hou, Xue, and Zhang, 2015; Stambaugh and Yuan, 2017)。有趣的是，结果 与应用横截面回归的研究结果更为一致。例如，Green, Hand, and Zhang (2017) 发 现，在非微盘股中，94 个特征里有 12 个是可靠的独立收益决定因素，并且这 12 个 独立特征中有 11 个不在主流基准模型之内。类似地，Jacobs and Muller (2018) 在 国际股票收益中发现了高度的维度性。此外，来自机器学习模型的最新证据表明，许 多特征对于预测个股收益很重要。

第三，作者为关于全球定价与本地定价的文献做出了贡献。Griffin (2002)、Fama and French (2012) 和 Hanauer and Linhart (2015) 证明，在解释本地收益模式时， 本地因子优于全球因子。相反，Tobek and Hronec (2021) 和 Hanauer and Kalsbach (2023) 发现，对于非美国市场，机器学习模型的样本外表现在全球模型上优于本地 模型。作者强调了区域对因子选择和模型构建的影响。尽管无论显著性水平如何，覆 盖美国因子动物园大约需要 6 到 15 个因子，但全球因子动物园的特点是拥有一组规 模相似的高度显著的因子，但在较低的显著性水平下无法压缩到少于 25 至 30 个因 子。最后，作者记录了一组能够覆盖美国因子的全球因子，但需要更多因子才能覆盖 除美国外的全球因子。

2 方法论

2.1 识别能够压缩因子动物园的因子

本文的目标是确定能够解释所有因子 alpha 所需的最少因子数量。从系统化投 资者的角度来看，识别一个能够捕捉尽可能多阿尔法的因子模型是值得的，因为该 模型可以指导投资组合配置以获取潜在因子溢价。 鉴于文献中提出了大量因子，评估相互竞争的模型具有挑战性。评估单个因子 相对于现有替代因子的贡献，并量化（可能）非嵌套（即一个模型中的所有因子都包 含在另一个模型中）竞争因子模型的增量价值增加，仍然是一个开放的挑战。先前的 工作通常区分左侧（LHS）和右侧（RHS）方法。前者通过在 LHS 测试资产超额收 益的时间序列回归中模型的截距项（阿尔法）来评估模型。测试资产的著名例子包括 基于规模和账面市值比、动量或错误定价的双向 5×5 股票组合，或使用各种特征的十分位 组合。然而，这种方法的一个局限性 是，推论依赖于 LHS 测试资产，并且可能因不同的测试集而异。 相反，Barillas and Shanken (2017) 证明，比较模型的关键在于模型对未包含 在模型内的因子的定价能力如何，并且令人惊讶的是，测试资产的选择是无关紧要 的。对于嵌套模型，RHS 方法基于跨度回归。具体来说，将新的候选因子对现有模 型因子进行回归，以检验它们是否增加了机会集。如果相应的截距项非零，则被测试 的因子包含未被解释的信息，从而扩展了有效投资组合前沿。RHS 方法的一个早期证明例如在 Fama(1998) 中给出，并且该方法被应用于 Barillas et al. (2020) 和 Hanauer (2020) 的模型比较中。 为了从 alpha 的角度识别一个能够覆盖整个因子动物园的因子模型，采用了一 种非常直观且有效的嵌套模型方法：迭代地将新因子添加到一个不断扩展的因子模 型中，直到股票因子横截面中所有剩余的 alpha 变得不显著为止。本文的起点是 CAPM，添加那个能使双因子模型最大程度减少剩余因子 alpha 的因子（以最低的 GRS 统计量衡量）。请注意，此选择标准等同于选择对现有模型具有最大阿尔法 t 统计量的因子。一旦识别出该因子，它就被永久添加到因子模型中，然后基于结果扩 展后的因子模型重复此过程，直到没有显著的贡献者剩下。

2.2 评估因子模型

当寻求解释整个因子动物园时，本文处理的是嵌套模型。该领域的一个常用度 量标准是 Gibbons, Ross, and Shanken (1989) 提出的 GRS 统计量，它检验候选 因子是否有助于改进给定模型对预期收益的解释。具体来说，GRS 检验研究测试资 产的 alpha 是否联合显著不为零。GRS 检验在实证金融中广泛使用，并已成为评估 资产定价模型性能的标准工具，例如在 Fama and French (1996, 2015) 和 Stambaugh and Yuan (2017) 中。

3 压缩因子动物园

3.1 数据

本文的实证研究基于 Jensen, Kelly, and Pedersen (2023, 后文简称 JKP) 的 全球因子数据，覆盖了使用 93 个国家数据构建的 153 个因子。该因子集扩展了 Hou, Xue, and Zhang (2020) 的因子集，与 Chen and Zimmermann (2022) 的因子集相似，因此是因子动物园的一个有代表性的样本。JKP 数据库提供了基于给定 时间点最新会计数据的一个月持有期因子收益。 为了能够覆盖本文研究中的所有 153 个因子，从 1971 年 11 月开始研究美 国市值加权因子，样本期结束于 2021 年 12 月。在市值加权因子中，股票每月按 特征分为三组，市值加权三组收益计算为市值加权投资组合收益，但单只股票权重 上限为 NYSE 市值的 80 分位数。因子收益则定义为高组减低组的收益，参见 JKP。 这种因子构建方法旨在创建可交易且平衡的投资组合，既不由超大市值股主导，也 不由微小市值股主导。请注意，在第 3.5 节考察了主要分析对于替代因子加权方案 的稳健性。

3.2 主要结果

作者报告了 选定的因子、它们关联的因子风格类别、GRS 统计量及相应的 p 值 p(GRS)、平 均绝对截距 Avg|a|、模型因子的最大化夏普比率平方 Sh2 (f)以及它们的夏普比率 SR。第 10-11 列指的是在控制了指定因子模型后仍显著的因子 alpha 数量，从而表 明了所选因子的增量解释力。列标签 t>2 和 t>3 分别指的是使用显著性 alpha 阈 值 t(α)>1.96 或 t(α)>3.00 进行的迭代因子选择。请注意，在后续的表格中也报告了 常见因子模型下的显著因子数量。

迭代因子选择的起点是 CAPM 模型。基于这个单因子模型，明确拒绝了所有因 子 alpha 在统计上与零无差异的 GRS 检验原假设（GRS 统计量为 4.36，p 值为 0.00）。无论选择哪个阈值，CAPM 都留下了大量显著的因子 alpha（t>2 时为 105 个因子，t>3 时为 86 个因子）。在下一步中，本文的方法将基于现金的营业利润与 账面资产比率(cash-basedoperatingprofits-to-bookassets,cop_at)识别为因子动物 园中最强的因子。将这个质量因子添加到市场因子中，仍然产生了高度显著的 GRS 统计量 3.54，但绝对的 GRS 值明显降低了。然而，在这个双因子模型中，仍有 101 个(t>2)或 78 个(t>3)因子具有年化 3.94%的平均绝对 alpha。 第二次迭代将净经营资产变化识别为剩余因子动物园竞争者中最强的因子。三因子模型留下了 65 个(t>2)或 34 个(t>3)显著的因子 alpha。平均绝对 alpha 降至年 化 2.15%，而 GRS 统计量仍然高度显著（2.98，p 值为 0.00）。 进一步迭代，因子模型按构建方式增加。添加第 15 个因 子（过去五个最高日收益经波动率调整, rmax5_rvol_21d）后，剩余显著 alpha 的数 量降至零 (t>3)。即使使用不太严格的 t>2 阈值，也总共只需要 18 次迭代即可使 剩余 alpha 变得不显著。这些截止数字与基于 GRS 统计量显著性水平的替代停止 准则一致：过去五个最高日收益经波动率调整 (rmax5_rvol_21d) 也是第一个超过 5% 显著性水平（p 值为 0.09）的因子。总的来说，这些结果表明，从 alpha 的角 度来看，只需要 15 到 18 个额外因子就能解释因子动物园，无论使用哪种停止准 则。 在此背景下，想知道迭代因子选择与经典学术因子模型相比如何。下表 报告了 知名模型下显著的因子 alpha 数量（使用 t>3 的显著性阈值测量）。此处，列 FF5 和 FF6 指的是 Fama and French (2015) 五因子模型，其中 FF6 在此基础上增加 了一个动量因子。此外，HXZ、BS 和 SY 分别指的是 Hou, Xue, and Zhang (2015) 的 q 因子模型、Barillas et al. (2020) 的修订六因子模型和 Stambaugh and Yuan (2017) 的错误定价模型。

相对于 CAPM（86 个 alpha 满足 t>3.00），Fama and French 五因子和六因子模型、q 因子模型和错误定价模型仍然分别留下 58 到 69 个显著的 alpha。然而， Barillas et al. (2020) 的修订六因子模型显著地将显著 alpha 的数量减少到 33 个。 这种卓越的解释力源于与其他模型的一个主要区别，即包含了基于现金的营业利润 与账面资产比率 (cop_at) 因子，该因子在迭代因子选择方法中也成为了关键因子。 当将学术因子模型与包含相同数量因子的迭代因子模型进行比较时，迭代因子模型 方法的效力得以显现。虽然包含四个因子的迭代模型仅留下十个显著因子，但 Hou, Xue, and Zhang (2015) 和 Stambaugh and Yuan (2017) 的四因子模型仍然分别留 下 60 和 55 个显著 alpha。类似地，包含五和六个因子的迭代模型分别留下 14 和 15 个显著 alpha，而对于 Fama and French 五因子和六因子模型以及 Barillas et al. (2020) 的修订六因子模型，则分别留下 65、53 和 29 个显著 alpha。这些结果强化 了所选因子确实携带了超越经典学术因子的信息。更具体地说，基于现金的营业利 润与账面资产比率(cop_at)是 15 个选定因子中唯一一个也包含在常见学术因子模型 （即 Barillas et al. (2020) 的修订六因子模型）中的因子。所有其他选定的因子要 么代表了替代的价值、盈利能力、投资或动量定义，要么源自于提供超越常见因子模 型的 alpha 的替代因子风格类别，例如季节性或不短期反转（参见 Blitz et al., 2023）。 请注意，这 15 个选定的因子源自 13 个已定义的因子风格类别中的 8 个，其余 五个类别中的因子均未被考虑。此外，选定的因子并 不一定是特定因子风格集群中 CAPM alpha 值最高的因子；事实上，这种情况仅适 用于价值、质量、短期反转和季节性集群。值得注意的是，在八个有代表的因子集群 中，有五个仅包含一个因子，而价值、低风险和投资集群则由 3 到 4 个因子代表。

在此背景下，作者思考遵循这些选定因子究竟有多重要，或者是否足以从 13 个 类别中的每一个类别里确定一个最强的因子。最后一列报告了一个 13 因子模型的结果，该模型由每个集群中（绝对 CAPM alpha 值最大的）最强因子组成。 该模型几乎涵盖了整个因子动物园，仅剩下四个因子无法解释。在前 30 个因子中， 它仅未能解释掉一个季度的销售增长(saleq_gr1)和内在价值与市值比(ival_me)的 alpha，这凸显了跨集群模型的有效性。然而，带有 13 个额外因子的迭代模型仅留 下一个显著的 alpha。

3.3 因子相关性的时间持续性

在分析了 3.2 节中的全样本证据后，思考个体因子相关性的时间持续性。分析 因子动物园中个体因子相对强度时的一个注意事项是，许多因子是在研究过程中才 陆续发布的，并且其发布后的表现往往较弱(McLean and Pontiff,2016)。为了更好地 理解选定因子集合如何随时间演变，重复了迭代因子选择过程，但将每次的选择限 制在当时可用的因子范围内。事实上，在整个样本期内发现表现非常好的许多因子， 在多年前并不为人所知。例如，Blitz,Huij,and Martens(2011)提出的残差动量因子 (resff3_12_1)直到 2011 年才发布，因此在该样本期的前 25 年中并不可用。具体来 说，作者的分析基于一个扩展窗口分析，使用 180 个月的初始窗口，因此在 1986 年 12 月获得第一个样本外观测值。每年，在进行年度迭代因子选择时仅考虑已发布的 因子，并收集如表所示的信息。但是，请注意，在首次出现 n(α)t(α)>3=0 时停止迭代， 即当得到第一个在 t>3.00 阈值下使所有剩余因子 alpha 都不显著的因子模型时。

作者观察到，一旦有代表性的因子发布，许多因子风格集群在大部分时间里都 会被纳入模型。例如，价值集群在大部分时间都存在，动量集群自 Jegadeesh and Titman(1993)发布以来也一直有代表因子。其他持续存在的因子类别包括应计项目、 投资、季节性和短期反转。然而，许多因子风格集群的代表因子会发生变化。例如， 质量因子在过去三十年一直被认为高度相关，但通常每次只选择一个质量因子。类 似的观察也适用于动量因子集群，其在样本期内由四个不同的因子代表。值得注意 的是，残差动量(resff3_12_1)的引入使得先前选定的经典动量因子(ret_12_1)变得不 显著(参见 Blitz, Hanauer, and Vidojevic, 2020)。另一个例子是应计项目集群。新的 因 子 “ 当 期 营 运 资 本 变 动 ”(cowc_gr1a) 一 经 发 布 ， 便 取 代 了 营 运 应 计 因 子 (oaccruals_at)。这些观察结果强调了基于新见解或新数据不断添加和创新因子及其定义的必要性和相关性。

3.4 滚动窗口分析

鉴于不同因子风格集群的长期相关性，接下来研究它们在较短时间间隔内的相 关性。因此，本文进行了滚动窗口分析，窗口大小为 180 个月，每年更新。遵循与 之前相同的迭代因子选择方法，并且只报告那些对模型贡献最大、留下未解释 alpha 最少的选定因子。

3.5 关于替代加权方案的稳健性

用于构建因子投资组合的加权方案可能产生重大影响，参见 Bessembinder, Burt, and Hrdlicka(2022) 以及 Soebhag, Van Vliet, and Verwijmer 极地(2023)等的 研究。因此，针对三种加权方案检查了结果的稳健性：上限市值加权(CW)、市值加 权(VW)和等权(EW)。

4 国际证据

4.1 全球因子选择

鉴于某些股票特定指标的可用性有限，缩短了国际样本 的时间范围，专注于 1993 年 8 月至 2021 年 12 月这一时期。该样本覆盖了全球 (World)、美国(U.S.)和美国以外全球(World ex U.S.)这三个区域的 136 个常见因子。

选择过程显示，在执行 t>3 的阈值时，需要 11 个全球因子来覆盖全球因子动物 园。即使在较低的 t>2 阈值下，也只需要大约二十多个因子就能覆盖因子动物园。从 GRS 检验的角度来看，需要一到两打（12-24 个）因子来拒绝“没有剩余显著 alpha” 的原假设，并且作者可以清楚地观察到全球因子的 GRS 统计量单调下降。 然而，美国和美国以外全球样本的 GRS 统计量也几乎单调下降，表明全球因子 模型也适用于这些子样本。虽然美国样本中的模型通常具有较低的 GRS 统计量，导 致在大约六个因子时就能拒绝原假设，但世界其他地区的模型则具有更高的 GRS 值。 请注意，这次国际分析的较短样本期由于其构建方式已经导致相关因子数量的减少。尽管从全球数据推导出的因子模型对美国以外全球的因 子具有解释力，但它们对美国因子的解释效果更好。这一观察结果的可能解释是，国 际因子需要解释的 alpha 远高于美国因子（国际因子的 GRS 统计量超过 7.03，而 美国因子的 GRS 统计量为 2.13）。

4.2 区域比较

迄今为止，全球因子已被证明对解释美国因子回报具有相关性，但它们缺乏对 美国以外全球因子的解释力。

GRS 统计量根据设计在三个区域均呈下降趋势。然而，作者可以清楚地看到， 美国以外全球（World ex-U.S.）因子的 GRS 统计量下降发生在比美国和全球因子 更高的水平上。因此，对于美国以外全球样本，需要超过 30 个因子才能在 5%的显 著性水平上拒绝原假设，而美国模型和全球模型分别仅需要 15 和 22 个因子。这种 差异主要是由不同区域调整后夏普比率平方（adj. Sh2 (f)）收敛速度较慢所驱动的。虽然美国因子模型的调整后夏普比率平方似乎收敛于某个极限， 但另外两个模型的相应线条在 30 个因子时仍保持正斜率。相反，一旦考虑 30 个因 子，所有三个区域的平均绝对 alpha 似乎都收敛到一个统计上不显著的数值。 比较覆盖所有因子动物园 alpha 所需的模型规模，注意到美国模型的规模相当 稳定，介于 6 个（t > 3）到 12 个（t > 2）因子之间，这凸显了所选因子真正具有相 关性。然而，其他区域的因子相关性参差不齐。在全局（美国以外全球）因子动物园 中，以 t > 2 为阈值识别出的 27（28）个因子中，仅有 11（13）个在更高的 t > 3 阈 值下被视为相关。因此，这些本地选择的因子模型甚至比通用模型略胜一筹，后者本 身已能较好地覆盖不同区域，尤其是美国因子。

5 结论

正如 Cochrane（2011）以及 Harvey、Liu 和 Zhu（2016）所述，过去几十年来因子动物园的规模显著扩张，这凸显了甄别有效因子与无效因子的必要性。为此， 研究旨在探究因子动物园中各个因子的 Alpha 贡献。具体而言，提出了一种迭代因 子选择策略来压缩因子动物园，从而在保留对切线投资组合至关重要信息的前提下， 大幅减少因子数量。最终筛选出的因子集能够以最少数量的因子捕捉因子动物园中 可用的 Alpha，这对业界实践和学术研究均具有重要意义。 通过使用一套包含 153 个美国股票因子的综合数据集，作者发现，根据所选统 计显著性水平的不同，大约需要 10 到 20 个因子即可覆盖整个因子动物园。这表明 大多数候选因子是冗余的，同时也意味着通常仅包含三到六个因子的学术因子模型 定义过于狭窄。当在一个扩展的时间窗口内，对逐步可用的因子重复进行因子选择 时，发现新发布的因子有时会取代旧的因子定义，这强调了基于新见解或新数据持 续进行因子创新的重要性。然而，已识别的因子风格集群表现出相当的持续性，这凸 显了跨因子风格多样化配置的相关性。 此外，作者证实，与上限市值加权因子相比，使用等权加权因子需要超过 30 个 因子才能覆盖因子动物园，这表明等权加权因子能产生更强且更多样化的 Alpha。最 后，将因子选择策略应用于一组全球因子，会得到一组相似的选定因子。尽管基于全 球数据选择的因子模型会降低对美国市场和美国以外全球市场子集的 Alpha 解释力， 但它们在美国市场上的表现更佳，这意味着国际因子呈现出更大且更多样化的 Alpha 潜力。 总体而言，本文所提出的方法能够有效捕捉不同区域和子时期下因子动物园中 的可用 Alpha，有助于投资者聚焦于最相关的因子，并为学术界改进资产定价模型提 供了启示。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）