深挖分析师共同覆盖中的关联因子

分析师共同覆盖：从股票直接关联到间接关联在华泰金工前期报告《分析师共同覆盖因子与图神经网络》()中，我们借鉴论文hredanalstcoerae:Unfingmometmspoverefect(iandHrshefe,201)，基于分析师共同覆盖构建了A股市场上市公司的邻接矩阵，以此来刻画公司间的基本面关联。同时，我们通过实证研究发现，分析师共同覆盖的关联动量效应显著，对于反转、波动率、换手率等负向因子也有不错的改进效果。本篇报告中，我们同样从该论文中获得启发，将股票关联的视角从直接关联拓展到间接关联，希望挖掘到更深层次的上市公司关联信息。前期研究回顾：基于分析师共同覆盖的股票直接关联首先，我们回顾如何基于分析师共同覆盖来构建股票直接关联邻接矩阵，步骤如下：每个季度末，选取过去6个月的所有分析师报告，列出全部撰写报告的分析师。对于每个分析师找到其在过去6个月覆盖的全部上市公司认为这些上市公司间有联，即在邻接矩阵的相应位置加。针对所有分析师重复步骤即可构建每个季度末的上市公司邻接矩阵考虑到分师共同覆盖的数量变化不大，我们每个季度更新一次邻接矩阵。如下图所示我们使用截至2年6月底的数据计算出当前与宁德时代直接关联最强的3家上市公司，这些公司分属三个不同的一级行业。分析师共同覆盖的上市公司具有基本面上的关联性且这种关联性涉及多种基本面的角度如同行业同供应链同地理位置相似业务等。图表：与宁德时代直接关联最强的3家上市公司和所属行业朝阳永续Win，下图是宁德时代及其部分直接关联公司的邻接矩阵示意图，矩阵中数值表示两家上市公司间共同覆盖的分析师数量，可以表示关联的强弱。图表：宁德时代及其部分直接关联公司邻接矩阵宁德时代恩捷股份亿纬锂能当升科技容百科技 璞泰来隆基绿能德方纳米天赐材料阳光电源星源材质中科电气派能科技通威股份宁德宁德时代恩捷股亿纬锂当升科容百科璞泰来隆基绿德方纳天赐材阳光电星源材中科电派能科通威股份朝阳永续，股票间接关联：更深入地挖掘上市公司间的基本面联系在分析师共同覆盖的视角下如果公司A与公司B被相同的分析师覆盖则A与B存在直接关联。如果公司A与公司B直接关联，公司B与公司C直接关联，但公司A与公司C不直接关联，那么A与C即为间接关联，这意味着C可能也会对A产生潜在的影响。liandHrshefer(21)从三个方面讨论了间接关联可能产生的效应：间接关联较为隐蔽不容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效应可能会更显著。间接关联经过多层连接，其领先滞后效应有所衰减，可能不如直接关联那么显著。间接关联强度的计算本文的间接关联强度计算方式并不复杂，如果两家公司通过越多的“中间公司”中间公分别与这两家公司直接关联)形成间接关联，与“中间公司”的关联强度越大，那么这两家公司的间接关联强度就越高。由此我们构建了如下的间接关联强度计算方式：Nij=∑ log(ik+1)×log(j+1)k1其中，mij表示公司i和公司j的间接关联强度（i≠j，N表示所有的上市公司数量，ik表示公司i和公司k之间共同覆盖的分析师数量。重复以上步骤可以计算任意两家公司之间的间接关联强度，得到间接关联邻接矩阵。需要注意的是，如果两家公司已形成直接关联，就不需要考虑更复杂的间接关联，将它们之间的间接关联强度置为。下方为间接关联计算的示意图。图表：间接关联强度的计算方式资料来源：根据间接关联邻接矩阵我们找到与宁德时代间接关联强度最高的0家公司如下图所示这些公司的行业分布更加分散，与宁德时代的关系也较为隐蔽。比如，精测电子是一家平面显示信号测试技术的研究开发生产与销售为一体的高新技术企业1年1月公在深交所互动易平台上披露，公司已进入宁德时代的供应链，自研产品均有送样测试。图表：与宁德时代间接关联强度最高的0家上市公司资料来源：朝阳永续Win，下图是宁德时代及其部分间接关联公司的邻接矩阵示意图，矩阵中的数值表示两家上市公司间接关联的强弱。图表：宁德时代及其部分接关联公司邻接矩阵宁德时代宁德时代 长川科技欧科亿 石头科技 华测导航 华锐精密 久祺股份 炬光科技普源精电U 力量钻石 航天宏图宁德时代长川科欧科亿石头科华测导华锐精久祺股炬光科普源精电力量钻石航天宏图3.59.4.00.00.00.00.00.006.0.00.006.0.00.004.31.9.005.8.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00 5.81.94.3.00.00.00.003.80.55.80.25.61.60.50.0.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.003.8.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.002.53.5 9.41.65.8 0.2 5.60.50.5 0.02.5朝阳永续，A股中直接关联与间接关联的描述性统计使用截至2年6月底的数据进行统计A股市场中共有9对直接关联和2,70,28对间接关联对于有分析师覆盖的公司平均每家公司会与0家公司直接关联与家左右的公司形成间接关联。这既说明间接关联中可能蕴含丰富的信息，也暗示着间接关联更难被市场完全利用，挖掘潜力较大。直接关联 间接关联直接关联 间接关联,00,00,00000朝阳永续Win，

沪深300成分

中证500成分

全A股社会科学领域有个著名的小世界现象，又称六度空间理论，是指地球上任何两个陌生人多通过六个中间人就可以建立联系，股票市场中是否也存在类似的小世界现象呢？基于分析师共同覆盖的邻接矩阵，我们使用FodWshl算法计算任意两只股票间的最短路径下图为所有最短路径的分布可知一层间接关联最短路径为是数量最多的关联两层间接关联的数量次之，直接关联的数量排第三。任意两家上市公司最多只需要五层关联就可以建立联系，这与小世界现象的结论相符。图表：最短路径分布,,8,6,,8,6,9,93,0,00,0,00,0,000,0001 朝阳永续，

3 4 5基于分析师共同覆盖的间接关联和多层关联动量因子前文我们完成了直接和间接关联邻接矩阵的构建。间接关联的动量效应如何，能否提升直接关联的选股效果，是本章的重点。间接关联和多层关联动量因子的构建直接关联动量因子首先我们参《分析师共同覆盖因子与图神经网络(02.7.)的做法构建直接关联动量因子CF1RT。∑N∑1

log(ij+1)tjCF1_REi=

N∑1∑

log(ij

+1)其中ij为股票i和股票j的共同覆盖分析师数量，Rej为股票j过去一段时间的收益率。间接关联动量因子然后我们构建间接关联动量因子CF_RT。Nij=∑ log(ik+1)×log(j+1)k1∑N∑=1

ij×tjCF2_REi=

N∑1∑

ij其中mij是公司i和公司j的间接关联强度。改进的间接关联动量因子根据iadHrshlefer(201)的论证，如果一家公司有很多直接关联公司，市场难以迅速整合所有关联公司的信息，这种情况下直接关联具有显著的领先滞后效应，而间接关联效果较弱。相反，如果一家公司的直接关联公司很少，那么信息传播效率较高，直接关联公司的信息会快速反映到股价上，此时进一步挖掘间接关联信息可能更有效。因此，我们可以对间接关联强度加以改进，得到改进的间接关联动量因子DJCF_RT。Nij=∑ log(ik+1)×log(j+1)k1ijiij=og(m+1)i∑N∑=1

ij×tjAD_CF2_REi=

N∑=1∑

ij第二个式子中mi表示与公司i直接关联的公司数量，即间接关联强度与直接关联数量对数成反比。多层关联动量因子最后，我们将直接关联动量因子CF1RT和改进的间接关联动量因子DJCF_RT进行截面Z_CORE标准化后等权合成，得到多层关联动量因子CF_RT。CF_RET=Z_RECF1_RE)+Z_READ_CF2_RE)关联动量因子测试本节将测试以下四个因子：CF1RT_：基于分析师共同覆盖的直接关联动量因子，使用股票过去n天的收益率计算关联动量。CF_RT：基于不加改进的间接关联强度计算的间接关联动量因子，使用股票过去n天的收益率计算关联动量。DJ_CF2_RT基于改进后的间接关联强度计算的改进间接关联动量因子使用股票过去n天的收益率计算关联动量。CF_RT基于直接关联和改进间接关联动量因子等权合成的多层关联动量因子用股票过去n天的收益率计算关联动量。因子覆盖度分析师共同覆盖关联动量因子的样本空间都是全A股中有分析师覆盖的股票。因子覆盖如下图所示，整个区间内全A股平均覆盖度为%左右，最高时接近%。图表：因子覆盖度0%

沪深0 中证0 全A0%0%0%0%0%0%02/1/403/1/404/1/405/1/406/1/407/1/408/1/409/1/400/1/401/1/402/1/4朝阳永续Win，单因子测试方法．股票池：具有分析师覆盖的全部A股，剔除T、T股票，剔除每个截面期下一交日停牌的股票。．回测区间：～2223。调仓周期：测试日频、周频调仓下因子的表现，即调仓周期分别为1个、5个交易日由于日频周频调仓时组合换手率较高交易费用对回测影响很大因此我们将展示因子在有无交易费用情况下的测试结果。因子预处理：因子进行去极值、中性化、标准化。测试方法：C值分析，因子分5层测试，分层测试中交易费用为单边千分之二。进因子相关性分析。日频调仓的单因子测试结果从图表图表3可得以下结论：从OP组合年化超额收益率来看改进的间接关联动量因子DJCF_RTn表现优于未改进的间接关联动量因子CF_RT，说明改进是有效的。从OP组合年化超额收益率来看多层关联动量因子CF_RTn表现最好说明综合利用直接关联和间接关联的信息能进一步提升因子的表现。多层关联动量因子CF_RTn的分层回测区分度较好，但受交易费用影响很大，无法作为单因子来直接选股可将因子加入组合并控制组合换手率来缓解这个问题我们在后续的指数增强组合测试中进行说明。图表：各因子分5层测试P组合净除以基准净值，无交易费用 图表：各因子分5层测试P组合净除以基准净值无交易费用.0

ADJ_C2RET10 CFRET10ADJ_C2RET10 CFRET10

.0

ADJ_C2RET20 CFRET20ADJ_C2RET20 CFRET20.5

.5.0

.0.5

.5.00202/1/5

.003/1/504/1/505/1/5003/1/504/1/505/1/506/1/507/1/508/1/509/1/500/1/501/1/502/1/502/1/503/1/504/1/505/1/506/1/507/1/508/1/5091500/1/501/1/502/1/5注：回测期：21/1/～0//0朝阳永续Win，

注：回测期：21/1/～0//0朝阳永续Win，图表：F_E0分层组合~5净值除以基准净值，无交易费用 图表：F_E0分层组合~5净值除以基准净值，有交易费用.0.5

.2第层第层 第层 第层第层第层 第层 第层 第层 第层 第层第层.5 .6.0 .4.5 .202/1/5031504/1/505/1/502/1/5031504/1/505/1/506/1/507/1/508/1/509/1/500/1/501/1/502/1/502/1/503/1/504/1/5051506/1/507/1/508/1/509/1/500/1/501/1/502/1/5注：回测期：21/1/～0//0朝阳永续Win，

注：回测期：21/1/～0//0朝阳永续Win，图表：因子的C值分析和分层回测结汇总因子进行行业、市值中性无交易费用)RanIC均值RanIC标准差 ICIR IC>0占比OP组合年化超额收益率OP组合信息比率OP组合胜率OP组合换手率C1RET10.2%.%.02.%.5%.00.%.%C2RET10.3%.%.03.%.4%.83.%.%DC2RET10.7%.%.07.%.0%.37.%.%CRE_0.4%.%.03.%.5%.19.%.%C1RET20.0%.%.01.%.5%.73.%.%C2RET20.2%.%.02.%.2%.63.%.%DC2RET20.6%.%.06.%.9%.15.%.%CRE_0.2%.%.02.%.6%.02.%.%注：回测期：21/1/～0//0朝阳永续Win，周频调仓的单因子测试结果图表4图表8为周频调仓的单因子测试结果周频调仓的结论与日频调仓基本一致不再赘述。图表：各因子分5层测试P组合净除以基准净值无交易费用 图表：各因子分5层测试P组合净除以基准净值无交易费用CF_CF_RE_0 CF_RE_0ADJ_C2RET10 CFRET10.8.6.4.2.0.80202/1/5

.0CF_CF_RE_0 CF_RE_0ADJ_C2RET20 CFRET20.6.4.2.0.803/1/504/1/505/1/5003/1/504/1/505/1/506/1/507/1/508/1/509/1/500/1/501/1/502/1/502/1/503/1/504/1/5051506/1/507/1/508/1/509/1/500/1/501/1/502/1/5注：回测期：21/1/～0//0朝阳永续Win，

注：回测期：21/1/～0//0朝阳永续Win，图表：F_E0分层组合~5净值除以基准净值，无交易费用 图表：F_E0分层组合~5净值除以基准净值，有交易费用.5.0.5.0.5

.4第1层第1层 第2层第3层第4层第5层.0.8.6.4.2 层 层层 第4层第5层0 层 层层 第4层第5层02/1/5031504/1/505/1/506/1/507/1/508/1/509/1/500/1/501/1/502/1/502/1/503/1/504/1/5051506/1/507/1/508/1/509/1/500/1/501/1/502/1/5注：回测期：21/1/～0//0朝阳永续Win，

注：回测期：21/1/～0//0朝阳永续Win，图表：因子的C值分析和分层回测结汇总因子进行行业、市值中性无交易费用)RanIC均值RanIC标准差 ICIR IC>0占比OP组合年化超额收益率OP组合信息比率OP组合胜率OP组合换手率C1RET10.9%.%.07.%.9%.71.%.%C2RET10.6%.%.06.%.7%.59.%.%DC2RET10.3%.%.12.%.4%.96.%.%CRE_0.9%.%.07.%.4%.83.%.%C1RET20.5%.%.04.%.6%.68.%.%C2RET20.3%.%.03.%.4%.52.%.%DC2RET20.9%.%.09.%.8%.84.%.%CRE_0.4%.%.03.%.8%.67.%.%注：回测期：21/1/～0//0朝阳永续Win，因子相关性分析各因子的相关性矩阵如下图所示，可知在相同的回溯周期下，直接关联动量因子CF1RTn与两个间接关联动量因子CF2RTn和DJ_CF2_RTn的相关性较低；多层关联动量因子CF_RTn与直接关联动量因子CF1RTn的相关性较高说明在多层关联中，直接关联的贡献更大。图表：各因的相关性矩阵C1RET10 C2RET10DC2RET10 CRE_0 C1RET20 C2RET20DC2RET20 CRE_0C1RET10.33.23.84.66.23.17.57C2RET10.33.68.56.25.67.47.40DC2RET10.23.68.65.18.47.64.43CRE_0.84.56.65.57.38.43.65C1RET20.66.25.18.57.34.24.84C2RET20.23.67.47.38.34.67.56DC2RET20.17.47.64.43.24.67.64CRE_0.57.40.43.65.84.56.64朝阳永续Win，基于分析师共同覆盖的间接关联和多层关联改进反转因子我们在报《分析师共同覆盖因子与图神经网络(22.77)中使用基于分析师共同覆盖直接关联来改进反转因子，取得了较好的改进效果。间接关联和多层关联能否进一步对反转因子进行改进，将是本章的重点。间接关联和多层关联改进反转因子的构建直接关联改进反转因子首先我们构建直接关联改进反转因子CF_RV，CF_REV先计算直接关联动量因子CF1RT的Z_CORE标准化和股票自身收益率的_CORE标准化，再将二者相减。∑N∑1

log(ij+1)tjCF1_REi=

N∑1∑

log(ij

+1)CF1_REV=Z_RECF1_RE)−Z_RE()该因子的通俗理解方式为：我们在考虑股票自身反转效应的基础上，进一步考虑与之直接关联股票的动量效应即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该因子描述了股价的领先滞后效应，并体现了股价的均值回复现象。间接关联改进反转因子接下来我们构建间接关联改进反转因子CF_RCF_REV先计算改进的间接关联动量因子DJCF2RT的ZCORE标准化和股票自身收益率的Z_CORE标准化再将二者相减。Nij=∑ log(ik+1)×log(j+1)k1ijiij=og(m+1)i∑N∑=1

ij×tjAD_CF2_REi=

N∑=1∑

ijCF2_REV=Z_READJ_CF2_RE)−Z_RE)多层关联改进反转因子最后，将直接关联改进反转因子和间接关联改进反转因子等权合成，即可得到多层关联进反转因子CF_R。CF_REV=CF1_REV+CF2_REV基于分析师共同覆盖的改进反转因子测试本节将测试以下三个因子：CF1RV_基于分析师共同覆盖的直接关联改进反转因子使用股票过去n天的收益率计算自身反转和关联动量。CF2RV_基于分析师共同覆盖的间接关联改进反转因子使用股票过去n天的收益率计算自身反转和关联动量。CF_REV_基于分析师共同覆盖的多层关联改进反转因子使用股票过去n天的收益率计算自身反转和关联动量。单因子测试方法．股票池：具有分析师覆盖的全部A股，剔除T、T股票，剔除每个截面期下一交日停牌的股票。．回测区间：～2223。调仓周期：测试日频、周频调仓下因子的表现，即调仓周期分别为1个、5个交易日由于日频周频调仓时组合换手率较高交易费用对回测影响很大因此我们将展示因子在有无交易费用情况下的测试结果。因子预处理：因子进行去极值、中性化、标准化。测试方法：C值分析，因子分5层测试，分层测试中交易费用为单边千分之二。进因子相关性分析。日频调仓的单因子测试结果从图表图表4可得以下结论：从OP组合年化超额收益率来看多层关联改进反转因子CF_Rn表现最好说明综合利用直接关联和间接关联的信息能进一步提升反转因子的改进效果。从OP组合年化超额收益率来看直接关联改进反转因子CF1Rn表现优于间接关联改进反转因子，说明直接关联的改进效果更显著，这与论文iandHrshlefer(21)的结论一致。多层关联改进反转因子CF_RVn的分层回测区分度较好，但受交易费用影响很大，无法作为单因子来直接选股可将因子加入组合并控制组合换手率来缓解这个问题们将在后续的指数增强组合测试中进行说明。图表：各因子分5层测试P组合净除以基准净值无交易费用 图表：各因子分5层测试P组合净除以基准净值无交易费用日反转日反转 CF_REV10 CF_REV10 CFREV_0.5.5.5.5.5.5.50202/1/5

.5 日反转 CF_REV20CF_REV20 CFREV_0.5.5.5.5.502/1/503/1/502/1/503/1/504/1/5051506/1/507/1/508/1/509/1/500/1/501/1/502/1/503/1/504/1/505/1/506/1/507/1/5003/1/504/1/505/1/506/1/507/1/508/1/509/1/500/1/501/1/502/1/5

注：回测期：21/1/～0//0朝阳永续Win，图表：F_EV0分层组合~5净值除以基准净值，无交易费用 图表：F_EV0分层组合~5净值除以基准净值，有交易费用8 .4 第1层 第1层 第2层第3层 第4层第5层第1层 第2层第3层第4层第5层6 .05.84.63.421 .202/1/503/1/504/1/505/102/1/503/1/504/1/505/1/506/1/5071508/1/509/1/500/1/501/1/502/1/502/1/503/1/504/1/5051506/1/507/1/508/1/509/1/500/1/501/1/502/1/5注：回测期：21/1/～0//0朝阳永续Win，

注：回测期：21/1/～0//0朝阳永续Win，图表：因子的C值分析和分层回测结汇总因子进行行业、市值中性无交易费用)RanIC均值RanIC标准差 ICIR IC>0占比OP组合年化超额收益率OP组合信息比率OP组合胜率OP组合换手率0日反转.3%.%.21.%.1%.22.%.%C1REV10.9%.0%.37.%.%.38.%.%C2REV10.2%.%.29.%.%.23.%.%CREV0.4%.6%.36.%.%.55.%.%0日反转.2%.%.20.%.2%.18.%.%C1REV20.7%.8%.34.%.%.01.%.%C2REV20.0%.%.27.%.%.06.%.%CREV0.2%.5%.34.%.%.34.%.%注：回测期：21/1/～0//0朝阳永续Win，周频调仓的单因子测试结果图表5图表9为周频调仓的单因子测试结果周频调仓的结论与日频调仓基本一致不再赘述。图表：各因子分5层测试P组合净除以基准净值无交易费用 图表：各因子分5层测试P组合净除以基准净值无交易费用日反转 CF日反转 CF_REV10CF_REV10 CFREV_0 日反转 CF_REV20CF_REV20 CFREV_0.5 .5.0 .0.5 .5.0 .0.5 .5.0 .002/1/503/1/504/1/505/1/502/1/503/1/504/1/505/1/506/1/507/1/508/1/509/1/500/1/501/1/502/1/502/1/503/1/504/1/5051506/1/507/1/508/1/509/1/500/1/501/1/502/1/5注：回测期：21/1/～0//0朝阳永续Win，

注：回测期：21/1/～0//0朝阳永续Win，图表：F_EV0分层组合~5净值除以基准净值，无交易费用 图表：F_EV0分层组合~5净值除以基准净值，有交易费用.0.5.0.5.0.5.0.50202/1/5

.6.4.2.0.8.6.4.2.0

第1层 第2层第3层 第1层 第2层第3层 第4层第5层第4层第5层031504/1/505/1/506/1/507/1/508/1/509/1031504/1/505/1/506/1/507/1/508/1/509/1/500/1/501/1/502/1/502/1/503/1/504/1/5051506/1/507/1/508/1/509/1/500/1/501/1/502/1/5

注：回测期：21/1/～0//0朝阳永续Win，图表：因子的C值分析和分层回测结汇总因子进行行业、市值中性无交易费用)RanIC均值RanIC标准差 ICIR IC>0占比OP组合年化超额收益率OP组合信息比率OP组合胜率OP组合换手率0日反转.8%.%.25.%.4%.63.%0.%C1REV10.0%.0%.50.%.%.02.%4.%C2REV10.1%.%.38.%.%.30.%4.%CREV0.5%.6%.47.%.%.23.%5.%0日反转.4%.%.28.%.1%.70.%.%C1REV20.0%.9%.50.%.%.91.%.%C2REV20.3%.%.38.%.%.12.%.%CREV0.6%.6%.48.%.%.05.%.%注：回测期：21/1/～0//0朝阳永续Win，因子相关性分析各因子的相关性矩阵如下图所示。图表：各因的相关性矩阵0日反转 C1REV10 C2REV10 CREV0 0日反转 C1REV20 C2REV20 CREV00日反转.49.70.66.64.31.45.42C1REV10C2REV10CREV00日反转C1REV20C2REV20CREV0.49.53.86.86.31.65.35.57.56.70.53.46.36.64.66.86.86.43.57 .56.64.66.64.31.46.43.48.70.31.65.36.57.56.48.53.86.86.45.35.64.70.53.42.57.56.64.66.86 .86朝阳永续Win，基于分析师共同覆盖的关联事件驱动因子分析师共同覆盖能用于价量类因子的构建和改进，那么对于事件驱动类因子，能否融入股票间关联信息进行改进呢？如下图从直觉上来讲A公司发生事件可能会沿着关联关将事件的影响传导到其直接关联和间接关联的公司，从而对关联公司的股价产生影响。本章将对关联事件驱动因子进行实证。图表：事件在关联公司间传导的示意图资料来源：事件因子化方法在研究关联事件驱动因子之前，要关注的是如何对事件进行因子化。由于事件是不定期生的，而选股因子则需要在每个时间截面上覆盖尽量多的股票，我们首先设计了一个事因子化的方法，步骤如下：从Wnd底层表hreajorEvet中提取出以下0类重大事件。图表：0类重大事件正面事件 负面事件业绩预盈 业绩预警亏损股权激励 被执行人签订重大合同 股东拟减持股票财政补贴 股权冻结股东增持股票 监管机构整改诉讼胜诉 诉讼被告方澄清利空传闻 失信执行移出失信执行 主体评级下调主体评级上调 交易所问询函会计师事务所异常变增发方案终止Win，另外我们也将机构调研视为事件，并从Wd底层表shreISctiity和shreIPartcipnt中构建以下8类机构调研事件。图表：8类机构调研事件证券公司资管调研 证券公司自营调研基金公司调研 保险公司调研投资公司调研 外资机构调研证券公司调研 其他调研Win，按照下图的方式构建特征X和标签。特征X：将0类重大事件和8类机构调研数据合并得到8类事件数据，并统计每公司过去3个月各类事件的累计发生次数，采用时间衰减处理，得到样本的特征。标签：以未来0个交易日的股票超额收益为标签，划分为3类，得到标签。从4年开始，每年初使用过去一年的数据训练Xost模型，并对当年的数据进行预测生成事件因子。每年滚动训练一次。图表：事件因子化方法资料来源：事件因子测试事件因子测试方法．股票池：具有事件数据的全部A股，剔除T、T股票，剔除每个截面期下一交易日停牌的股票。．回测区间：～2223。调仓周期：每隔0个交易日调仓。因子预处理：因子进行去极值、中性化、标准化。测试方法：C值分析，因子分5层测试，分层测试中交易费用为单边千分之二。事件因子测试结果由图表图表7可知事件因子在7年之前表现不佳7年之后因子多头呈现出稳定的超额收益。图表：事件因子的C值分析和分层回结果汇总因子进行行业、市值性)RanIC均值RanIC标准差 ICIR IC>0占比OP组合年化超额收益率OP组合信息比率OP组合胜率OP组合换手率事件因子 .9% .8% .22 .% .5% .63 .% 注：回测期：21/1/～0//0Win，图表：事件因子分层组合~5净值除以基准净值 图表：事件因子覆盖度.3.2.1.0.9.8.7

.0沪深300 沪深300 中证500全A.8.7.6.5第1层 第2层第3层第4层第5层04/1/3第1层 第2层第3层第4层第5层04/1/305/1/3061307/1/308/1/309/1/300/1/301/1/302/1/304/1/205/1/206/1/207/1/208/1/209/1/200/1/2011202/1/2注：回测期：21/1/～0//0Win，

注：回测期：21/1/～0//0Win，特征重要性分析选取1年训练的模型进行特征重要性分析，可知与业绩(业绩预警亏损、业绩预警预盈)和机构调研相关的事件特征重要性靠前。图表：特征重要性0060200业业证绩绩券预预公警警司亏预资损盈管调研

交外监投易资管资所机机公问构构司询调整调函研改研

诉证讼券被公告司方调研

股证移其东券出他拟公失调减司信研持自执股营行票调研

会股失主计权信体师冻执评事结行级务下所调异常变更

股澄主增权清体发激利评方励空级案传上终闻调止资料来源Win，基于分析师共同覆盖的关联事件因子构建方法关联事件因子的构建方法与事件因子基本一致如下图所示我们将上市公司自身的8类事件数据和关联公司的8类事件数据进行合并，得到6个事件特征，即相比事件因子说，特征X从原先的8个扩充到了6个。后续步骤与事件因子的构造方法完全一致，不再赘述。图表：基于分析师共同覆盖的关联事件子构建方法资料来源：关联事件因子测试关联事件因子测试方法股票池：具有事件数据的全部A股，剔除T、T股票，剔除每个截面期下一交易日停牌的股票。回测区间/2/～2/3由于事件因子在7年之后才呈现出较好的选股效果，本节的测试从7年之后开始。调仓周期：每隔0个交易日调仓。为了避免调仓的路径依赖问题，递进设置0条回测路径，并将0条回测路径的结果合并。因子预处理：因子进行去极值、中性化、标准化。测试方法：C值分析，因子分5层测试，分层测试中交易费用为单边千分之二。关联事件因子测试结果在构建事件特征时，需要取前N家直接关联最紧密公司的事件来构建特征，我们分别取N1,2,,5,10，测试结果在图表图表2中。可知当N逐渐增大时，因子的OP组合年化超额收益率先增后减，当N3时达到最高，而当N10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。图表：关联事件因的C值分析和分回测结果汇总因子进行行业、值中性)RanIC均值RanIC标准差 ICIR IC>0占比OP组合年化超额收益率OP组合信息比率OP组合胜率OP组合换手率事件因子.0%.5%.36.%.7%.92.%4.%包含1家关联公司的事件因子.1%.4%.38.%.4%.84.%4.%包含2家关联公司的事件因子.9%.3%.36.%.2%.01.%2.%包含3家关联公司的事件因子.8%.5%.34.%.4%.04.%3.%包含5家关联公司的事件因子.6%.0%.29.%.9%.88.%9.%包含0家关联公司的事件因子.2%.7%.23.%.2%.48.%5.%注：回测期：21/2/～0//0Win，事件因子包含家关联公司的事件因包含家关联公司的事件因 事件因子包含家关联公司的事件因包含家关联公司的事件因 包含家关联公司的事件因子包含家关联公司的事件因子包含家关联公司的事件因.3.2.1.0.9.807/2/7 08/2/7 09/2/7 00/2/7 01/2/7 02/2/7注：回测期：21/2/～0//0资料来源Win，图表：包含3家关联公司的事件因子分层组合5净值除以基准净值第层第层 第层 第层第层第层.2.1.0.9.8.7.607/2/7 08/2/7 09/2/7 00/2/7 01/2/7 02/2/7注：回测期：21/2/～0//0资料来源Win，特征重要性分析选取1年训练的模型进行特征重要性分析，图表图表4分别展示了关联事件因子的XGost模型中自身事件和关联公司事件的特征重要性其中自身事件的特征重要性之和为关联公司事件的特征重要性之和为说明自身事件在模型中贡献更大。图表：关联事件因子的oost模型中，自身事件的特征重要性00500050000业证基绩券金预公公警司司亏资调损管研调研

交财保易政险所补公问贴司询调函研

投监资管公机司构调整研改

诉其股讼他东被调拟告研减方 持股营票调研

证股券权公冻司结调 研

失签诉增信订讼发执重胜方行大诉案合 终同 止资料来源Win，图表：关联事件因子的oost模型中，关联公司事件的特征重要性500050000

监业证移签保投管绩券出订险资机预公失重公公构警司信大司司整预调执合调调改盈研行同研研调研

股股基东东金拟增公减持司持股调股票研票 研

失会信计执师行事务所异常变更

股业主增诉外权绩体发讼资激预评方被机励警级案告构亏下终方调传损调止 研闻资料来源Win，指数增强组合测试本章主要讨论分析师共同覆盖因子能否改善现有指数增强组合的表现我们将以中证增强组合为例进行讨论。中证0增强组合构建方法如下：因子：包含估值、成长、质量、技术、预期等因子。因子合成模型：ostng模型。组合构建方式控制行业和市值暴露个股权重偏离上限为%成分股权重占比为%，周频调仓，周双边换手率上限为%，交易费用为单边千分之二，以下一个交易日的vap价格交易。.回测区间：～2223。我们构建以下两个中证0增强组合进行对比：对照组合：技术因子中包含6个传统反转因子。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子。由图表图表7可知改进组合相比对照组合在年化超额收益率年化跟踪误差超额收益最大回撤信息比率、Camar比率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。图表：中证0增强超额收益表现改进组合累积超额收益（左改进组合累积超额收益（左轴对照组合累积超额收益（左轴 改进组合超额收益回撤（右轴） 对照组合超额收益回撤（右轴）0% 5%0% 1%0% 1%0% 2%0% 2%071290