2022年股票分析方法 地理關(guān)聯(lián)度因子分析

一、因子挖掘思考

（一）高頻信息

近年來，A股市場(chǎng)機(jī)構(gòu)化趨勢(shì)明顯，量化私募機(jī)構(gòu)的管理規(guī)模也迅速擴(kuò)大，產(chǎn)生 了一批管理規(guī)模超過百億的量化私募機(jī)構(gòu)。與此同時(shí)，傳統(tǒng)的風(fēng)格因子波動(dòng)增大， 從市場(chǎng)獲取超額收益的難度在增加。 因子擁擠是因子收益下降的原因之一。因子代表著市場(chǎng)某方面的非有效性、或 者是一段時(shí)期內(nèi)的定價(jià)失效。當(dāng)某類因子收益高的時(shí)候，會(huì)吸引更多的資金進(jìn)入， 從而出現(xiàn)因子擁擠，降低因子的預(yù)期收益。一旦新的因子被公開，套利資金的介入 會(huì)使得錯(cuò)誤定價(jià)收窄，因子收益也會(huì)跟著下降。因此，在多因子選股模型中，因子 的開發(fā)和更新迭代變得越來越重要。

與低頻因子相比，高頻數(shù)據(jù)在用于量化投資中存在一定優(yōu)勢(shì)。 首先，高頻價(jià)量數(shù)據(jù)的體量明顯大于低頻數(shù)據(jù)。以分鐘行情為例，用壓縮效果 較好的mat格式存儲(chǔ)2020年全市場(chǎng)股票的分鐘行情數(shù)據(jù)（包括分鐘頻的開高低收價(jià) 格數(shù)據(jù)、買賣盤掛單數(shù)據(jù)等），約為12GB。如果是快照行情（目前上交所和深交所 都是3秒一筆）或者level 2行情，數(shù)據(jù)量要大很多。因此，高頻數(shù)據(jù)因子挖掘?qū)π畔?處理能力和處理效率的要求較高。而且，日內(nèi)數(shù)據(jù)，尤其是level 2數(shù)據(jù)，一般要額 外付費(fèi)，甚至需要自行下載存儲(chǔ)實(shí)時(shí)行情，在此基礎(chǔ)上構(gòu)建的因子擁擠度較低。 其次，高頻價(jià)量數(shù)據(jù)一般是多維的時(shí)間序列數(shù)據(jù)，數(shù)據(jù)中噪聲比例較高，而且 與ROE、PE這類低頻指標(biāo)本身就具有選股能力不同的是，原始的高頻行情數(shù)據(jù)一般 不能直接用作選股因子，而要通過信號(hào)變換、時(shí)間序列分析、機(jī)器學(xué)習(xí)等方法從高 頻數(shù)據(jù)中構(gòu)建特征，才能作為選股因子。此類因子與低頻信號(hào)的相關(guān)性較低，而且 由于因子開發(fā)流程相對(duì)復(fù)雜，不同投資者構(gòu)建的因子更具有多樣性。

此外，高頻數(shù)據(jù)開發(fā)的因子一般調(diào)倉周期較短，意味著在檢驗(yàn)因子有效性的時(shí) 候，同一段測(cè)試期具有更多的獨(dú)立樣本。例如，在一年的測(cè)試期內(nèi)，只有12個(gè)獨(dú)立 的樣本段用于檢驗(yàn)月頻調(diào)倉的因子，與之相比，有約50個(gè)獨(dú)立的時(shí)段用于檢驗(yàn)周頻 調(diào)倉因子，有超過240個(gè)獨(dú)立的時(shí)段用于檢驗(yàn)日頻調(diào)倉的因子。獨(dú)立樣本的增多有助 于檢驗(yàn)高頻因子的有效性。 高頻數(shù)據(jù)挖掘因子的難點(diǎn)在于數(shù)據(jù)維度大、噪聲高。憑借專業(yè)投資者的經(jīng)驗(yàn)或 者是參閱已發(fā)表的文獻(xiàn)，可以從高頻數(shù)據(jù)中提煉出一部分有選股能力的特征。此外， 機(jī)器學(xué)習(xí)方法擅長從數(shù)據(jù)中尋找規(guī)律和特征，是高頻數(shù)據(jù)因子挖掘的有力工具。

（二）低頻信息

以傳統(tǒng)日頻價(jià)量和更低頻財(cái)務(wù)數(shù)據(jù)為基礎(chǔ)的因子開發(fā)是一種研究途徑。由于基 礎(chǔ)因子廣為人知，在此基礎(chǔ)上進(jìn)行因子挖掘的收益提升空間相對(duì)有限。而且日頻數(shù) 據(jù)由于本身的數(shù)據(jù)量和信息量有限，過度挖掘會(huì)增大過擬合的風(fēng)險(xiǎn)。 對(duì)于低頻信息的挖掘，從最近幾年的進(jìn)展上看，低頻里的增量信息成果越來越 少。從數(shù)據(jù)維度上看，低頻的因子建模更多是從一些另類數(shù)據(jù)或者是新的方法、理 論成果中出發(fā)構(gòu)建相關(guān)的因子。如另類數(shù)據(jù)角度，從互聯(lián)網(wǎng)中的股吧、新聞、關(guān)注 度等角度，或者是專利數(shù)據(jù)、供應(yīng)鏈相關(guān)數(shù)據(jù)等。新的理論成果如從圖網(wǎng)絡(luò)等角度 出發(fā)構(gòu)建相關(guān)的因子。 本篇專題報(bào)告基于個(gè)股的“關(guān)聯(lián)度”角度出發(fā)，研究個(gè)股所在區(qū)域關(guān)聯(lián)度角度構(gòu) 建因子。

二、關(guān)聯(lián)度因子研究進(jìn)展

（一）關(guān)聯(lián)度因子的理論研究進(jìn)展

傳統(tǒng)的有效市場(chǎng)假說認(rèn)為，在完全有效的金融市場(chǎng)上，價(jià)格能夠及時(shí)、充分反 映資產(chǎn)的所有公開信息以及私有信息。但是，Kalok等(2005)[3]、劉菁哲(2010) [12]等 眾多學(xué)者通過實(shí)證研究發(fā)現(xiàn)，股票市場(chǎng)中存在著“領(lǐng)先滯后效應(yīng)”，即不同公司對(duì) 相同基本面信息的反應(yīng)速度存在差異，一些公司能夠迅速對(duì)新信息做出反應(yīng)，另一 些公司對(duì)于新信息的反應(yīng)存在時(shí)滯。 本報(bào)告對(duì)國內(nèi)外學(xué)者基于行業(yè)關(guān)聯(lián)、科技關(guān)聯(lián)、供應(yīng)鏈關(guān)聯(lián)、地理關(guān)聯(lián)信息的 “領(lǐng)先滯后效應(yīng)”研究成果進(jìn)行了簡(jiǎn)單梳理。對(duì)于行業(yè)關(guān)聯(lián)信息，Cohen和 Lou(2012) [5]實(shí)證檢驗(yàn)了，面對(duì)影響全行業(yè)的信息事件，單一經(jīng)營部門公司的股價(jià)能 夠更迅速的反映新信息，同時(shí)對(duì)于多經(jīng)營部門公司未來股票收益存在顯著預(yù)測(cè)能力。 胡聰慧等(2015)[10]采用A股上市公司數(shù)據(jù)驗(yàn)證了這一結(jié)論，并證實(shí)了集團(tuán)公司股價(jià)變 動(dòng)的滯后性主要在于投資者關(guān)注度與處理能力有限性，以及行業(yè)估值的復(fù)雜性。向 誠等(2018) [13]實(shí)證說明了行業(yè)內(nèi)受關(guān)注度最高的30%公司組合的收益率，顯著引領(lǐng) 受關(guān)注度最低30%公司組合的未來收益率。段丙蕾等(2022)[9]認(rèn)為行業(yè)關(guān)聯(lián)回報(bào)率僅在月度層面顯著，在周度層面不顯著。同時(shí)，Parsons和Sabbatucci(2018)[1]對(duì)于行 業(yè)關(guān)聯(lián)公司的收益預(yù)測(cè)能力的有效性提出質(zhì)疑。他們認(rèn)為，隨著證券分析師覆蓋率 不斷提升，股票價(jià)格的有效性增強(qiáng)；隨著個(gè)股證券分析師重復(fù)率上升，股票價(jià)格反 映的行業(yè)一致預(yù)期信息越多，因此基于行業(yè)關(guān)聯(lián)構(gòu)建的股票投資策略效果可能衰減。

對(duì)于科技關(guān)聯(lián)信息，Lee等(2019)[6]構(gòu)建科技關(guān)聯(lián)指標(biāo)并進(jìn)行實(shí)證分析，研究結(jié) 論表明科技關(guān)聯(lián)企業(yè)的收益對(duì)研究企業(yè)的收益具有很強(qiáng)的預(yù)測(cè)能力。國內(nèi)學(xué)者借鑒 Lee等(2019) [6]的科技關(guān)聯(lián)指標(biāo)構(gòu)建方法，研究該指標(biāo)在我國股票市場(chǎng)的適用性。李 緒泉等(2020)[11]的實(shí)證分析結(jié)果說明，A股市場(chǎng)存在科技溢出效應(yīng)。段丙蕾等(2022) [9] 進(jìn)一步證明了科技關(guān)聯(lián)因子僅在周度上具有顯著收益預(yù)測(cè)能力，認(rèn)為造成這一結(jié)果 的原因在于A股市場(chǎng)中存在較多博彩傾向的散戶投資者，該類投資者追漲殺跌的交易 行為縮短了科技關(guān)聯(lián)信息融入股價(jià)所需的時(shí)間。 對(duì)于供應(yīng)鏈關(guān)聯(lián)信息，Cohen和Frazzini(2008) [4]、Menzly和Ozbas(2010)[7]驗(yàn) 證了公司客戶信息能夠有效預(yù)測(cè)公司未來股票收益。國內(nèi)學(xué)者對(duì)于供應(yīng)鏈關(guān)聯(lián)相關(guān) 研究相對(duì)較少，現(xiàn)有的研究成果也未提供在控制變量基礎(chǔ)上，供應(yīng)鏈關(guān)聯(lián)能夠有效 預(yù)測(cè)股票收益的證據(jù)(段丙蕾等, 2022)[9]。

對(duì)于地理關(guān)聯(lián)信息，Peng和Lin在其發(fā)表論文《Investor Attention, Overconfidence, and Category Learning》(Journal of Financial Economics, 2006)[8] 中提出，總部位于同一地理區(qū)位的公司，會(huì)受到相同基本面因素的影響，從而這些 公司股價(jià)都會(huì)對(duì)新信息作出反應(yīng)。基于這一研究思路，Parsons和Sabbatucci在其發(fā) 表論文《Geographic Lead-Lag Effects》(The Review of Financial Studies，2018)[1] 中提出地理關(guān)聯(lián)公司的概念，具體指與研究個(gè)股處于相同地理區(qū)位不同行業(yè)的所有 上市公司。認(rèn)為地理關(guān)聯(lián)公司股票與目標(biāo)股票的價(jià)格變動(dòng)存在領(lǐng)先滯后關(guān)系（本文 將此關(guān)系簡(jiǎn)稱為地理關(guān)聯(lián)度），前者對(duì)后者未來收益具有預(yù)測(cè)能力。并且采用面板 數(shù)據(jù)回歸方法，實(shí)證檢驗(yàn)了這一結(jié)論。研究結(jié)果表明：（1）在控制行業(yè)影響基礎(chǔ)上， 地理關(guān)聯(lián)公司的基本面因素（EPS、銷售收入、雇員數(shù)量等）變動(dòng)對(duì)目標(biāo)股票的基 本面變動(dòng)具有顯著的解釋能力。（2）地理關(guān)聯(lián)公司股票的平均收益對(duì)目標(biāo)股票未來 收益具有顯著的預(yù)測(cè)能力，地理關(guān)聯(lián)公司股票的平均收益越高，目標(biāo)股票未來收益 越高。（3）由于證券分析師通常是基于行業(yè)而非省份分類的，因此，共同分析師覆 蓋率提升并不會(huì)導(dǎo)致地理關(guān)聯(lián)度的領(lǐng)先滯后關(guān)系減弱甚至消失。 綜上所述，一方面，與個(gè)股自身的動(dòng)量效應(yīng)或反轉(zhuǎn)效應(yīng)相比，地理關(guān)聯(lián)度能夠 從股票之間的地理關(guān)聯(lián)中挖掘增量信息。另一方面，與其他股票經(jīng)濟(jì)關(guān)聯(lián)特征相比， 地理關(guān)聯(lián)信息對(duì)股票收益的預(yù)測(cè)能力雖然已在海外市場(chǎng)得到驗(yàn)證，但尚未應(yīng)用于A 股市場(chǎng)。這為本文通過新的經(jīng)濟(jì)關(guān)聯(lián)特征挖掘因子提供了新思路。

（二）地理關(guān)聯(lián)度與 A 股市場(chǎng)的關(guān)系

為探索地理關(guān)聯(lián)度是否適合在A股市場(chǎng)進(jìn)行實(shí)證研究，本報(bào)告首先對(duì)31個(gè)省及 自治區(qū)行政區(qū)內(nèi)的上市公司數(shù)量、數(shù)量增長率以及股票月均收益情況進(jìn)行統(tǒng)計(jì)。受 篇幅限制，僅對(duì)上市公司數(shù)量排名前5的省及直轄市（廣東省、浙江省、江蘇省、北 京、上海）統(tǒng)計(jì)結(jié)果進(jìn)行展示。

（三）地理關(guān)聯(lián)度初步實(shí)證結(jié)果與改進(jìn)

本報(bào)告借鑒Parsons和Sabbatucci在《Geographic Lead-Lag Effects》(The Review of Financial Studies, 2018)[1]中的指標(biāo)構(gòu)建方法，對(duì)于某支股票而言，將與 之屬于相同省份不同行業(yè)的所有股票的月度收益均值作為這支股票的月度地理關(guān)聯(lián) 度因子。參考上述論文中地理關(guān)聯(lián)度分析思路：當(dāng)某支股票的地理關(guān)聯(lián)度因子越大 時(shí)，反映出這支股票的地理關(guān)聯(lián)公司股票收益平均水平越高。如果這支股票對(duì)新信 息的反應(yīng)速度相對(duì)滯后，那么這支股票很可能在未來一段時(shí)間內(nèi)會(huì)由于基本面改善 信息而表現(xiàn)為股價(jià)上漲。因此，地理關(guān)聯(lián)度因子的投資策略為：在每個(gè)換倉日中， 根據(jù)地理關(guān)聯(lián)度因子值大小，在調(diào)倉日買進(jìn)地理關(guān)聯(lián)度最大的股票，同時(shí)賣出地理 關(guān)聯(lián)度最小的股票。 本報(bào)告在全市場(chǎng)選股范圍內(nèi)，對(duì)20100101-20220630區(qū)間的地理關(guān)聯(lián)度因子進(jìn) 行月度調(diào)倉的回溯測(cè)試。實(shí)證結(jié)果表明，地理關(guān)聯(lián)度因子在A股市場(chǎng)的選股邏輯與上述論文中闡述的邏輯相反：因子值越小，股票未來收益越高。因子的整體IC均值為 -0.024，正IC占比34.67%。地理關(guān)聯(lián)度因子在多頭相對(duì)中證500指數(shù)策略的表現(xiàn)較 差，策略整體年化收益率7.52%，信息比率0.832，最大回撤17.65%。

由于地理關(guān)聯(lián)度因子在A股市場(chǎng)表現(xiàn)欠佳，本報(bào)告對(duì)該因子構(gòu)建方法進(jìn)行分析并 提出因子改進(jìn)思路。在地理關(guān)聯(lián)度因子構(gòu)建方法中，僅利用地理關(guān)聯(lián)公司與研究個(gè) 股歸屬于同一省級(jí)行政區(qū)這一特征，但未能反映地理關(guān)聯(lián)公司與研究個(gè)股在股價(jià)變 動(dòng)上的關(guān)聯(lián)程度。本報(bào)告綜合考慮上述兩點(diǎn)，在考慮股票地理特征的同時(shí)，進(jìn)一步 從時(shí)序角度考慮地理關(guān)聯(lián)公司與研究個(gè)股在過去一段時(shí)間內(nèi)價(jià)格變動(dòng)的相關(guān)程度， 構(gòu)建地理相關(guān)系數(shù)因子()及其優(yōu)化因子，并探討這類因子在A股的有效 性。

三、地理關(guān)聯(lián)度因子構(gòu)造方法與策略框架

（一）因子構(gòu)造方法

根據(jù)上述地理關(guān)聯(lián)度研究得出的初步結(jié)論，本篇專題報(bào)告構(gòu)建6種地理相關(guān)系數(shù) 類因子，具體的因子定義、構(gòu)造邏輯與計(jì)算方法如下。

1. 地理相關(guān)系數(shù)因子

本篇報(bào)告定義地理相關(guān)系數(shù)因子()，用以度量個(gè)股與其地理關(guān)聯(lián)公 司股票之間的整體相關(guān)程度，具體由個(gè)股和地理關(guān)聯(lián)公司股票相關(guān)系數(shù)均值表示。 以股票在月月末的地理相關(guān)系數(shù)因子為例，具體計(jì)算方式如下。首先，在全 市場(chǎng)范圍剔除月的股、 ∗ 股、停牌股以及上市不滿一年的股票；其次，篩選出 與股票辦公地所屬省份相同、申萬一級(jí)行業(yè)不同的全部共支股票，并分別計(jì)算與 股票在月日頻收益序列的皮爾森相關(guān)系數(shù)，即,,。最后，對(duì)所有相關(guān)系數(shù)進(jìn) 行加權(quán)求和(若不做特殊說明，,均設(shè)置為1/，即等權(quán))，得到股票在月月末換倉 日的地理相關(guān)系數(shù)因子,。

2. 地理相關(guān)系數(shù)變動(dòng)因子

為研究個(gè)股與地理關(guān)聯(lián)公司股票的相關(guān)程度變動(dòng)，是否影響地理關(guān)聯(lián)特征對(duì)個(gè) 股的收益預(yù)測(cè)能力，本報(bào)告定義地理相關(guān)系數(shù)變動(dòng)因子()，用以度 量個(gè)股與關(guān)聯(lián)公司股票整體相關(guān)程度的變動(dòng)情況。 以股票在期的因子為例，具體計(jì)算方式如下。首先，按照地理相關(guān)系數(shù)的計(jì) 算方式，分別計(jì)算股票與股票的月日頻收益序列的相關(guān)系數(shù),,、兩者在 − 2 至月共3個(gè)月的日頻收益序列的相關(guān)系數(shù),,−2,；其次，對(duì)任意股票，計(jì)算1 月相關(guān)系數(shù)與3個(gè)月相關(guān)系數(shù)的差值，衡量股票與股票之間相關(guān)性變動(dòng)程度；最后， 對(duì)個(gè)股票的相關(guān)系數(shù)差值進(jìn)行加權(quán)求和，得到股票在月月末的地理相關(guān)系數(shù)變 動(dòng)因子,。

3. 地理相關(guān)系數(shù)拆解因子

Bollerslev等(2022) [2]在發(fā)表論文《Realized semibetas: Disentangling “good” and “bad” downside risks》(Journal of Financial Economics)中，根據(jù)市場(chǎng)收益與資 產(chǎn)收益序列的符號(hào)將傳統(tǒng)市場(chǎng)貝塔拆分為四個(gè)半貝塔，并實(shí)證說明了基于負(fù)市場(chǎng)收 益與負(fù)資產(chǎn)收益序列協(xié)方差構(gòu)建的半貝塔與資產(chǎn)未來收益顯著正相關(guān)，基于負(fù)市場(chǎng) 收益與正資產(chǎn)收益序列協(xié)方差構(gòu)建的半貝塔與資產(chǎn)未來收益顯著負(fù)相關(guān)。這一結(jié)論 對(duì)本報(bào)告的啟示在于：基于不同數(shù)值方向收益序列構(gòu)建的相關(guān)系數(shù)，可能蘊(yùn)含的信 息量也存在差異。因此，本報(bào)告將股票與股票的收益序列進(jìn)行拆分，并定義四種具 體的地理相關(guān)系數(shù)拆解因子(、、與 )，用以度量個(gè)股與地理關(guān)聯(lián)公司股票的調(diào)整后收益序列的相關(guān)程度。

（二）因子特征分析

在構(gòu)建具體的因子投資策略前，本報(bào)告先對(duì)地理相關(guān)系數(shù)因子特征進(jìn)行分析， 以了解因子更偏向哪些省份、行業(yè)與市值特征股票，并據(jù)此判斷是否需要進(jìn)行因子 層面的行業(yè)與市值中性化處理。

（三）因子策略構(gòu)建

對(duì)于一支股票而言，它與地理關(guān)聯(lián)公司股票的收益序列相 關(guān)性越強(qiáng)，隱含的信息在于這些股票受共同基本面因素影響更大，因此股票價(jià)格變 動(dòng)的一致性越高，這支股票在下期出現(xiàn)收益反轉(zhuǎn)的可能性越大，那么在下月內(nèi)持有 該股票獲得股票反轉(zhuǎn)收益的概率越大。 對(duì)于整體樣本區(qū)間而言，地理關(guān)聯(lián)公司股票與研究個(gè)股在月度收益上表現(xiàn)出較 高的相關(guān)性(相關(guān)系數(shù)0.693)，這一相關(guān)性越強(qiáng)，研究個(gè)股在下期的月度收益越高(因 子值與個(gè)股未來1月收益相關(guān)系數(shù)0.034)。對(duì)于地理關(guān)聯(lián)公司股票平均月度收益為負(fù) 的樣本期而言，上述地理相關(guān)系數(shù)因子對(duì)個(gè)股未來反轉(zhuǎn)收益預(yù)測(cè)效果越顯著。

全市場(chǎng)地理相關(guān)系數(shù)因子均值與中證全指指數(shù)收益走勢(shì)可以看出，整體而言， 全市場(chǎng)股票月度因子均值為0.358，與中證全指指數(shù)同期收益呈負(fù)相關(guān)關(guān)系(相關(guān)系 數(shù)-0.379)，與下期收益呈正相關(guān)關(guān)系(相關(guān)系數(shù)0.017)。僅考慮中證全指指數(shù)收益為 負(fù)的月份時(shí)，因子均值增長至為0.410，因子均值與中證全指指數(shù)同期收益相關(guān)系數(shù) 增強(qiáng)至-0.620，與下期收益相關(guān)系數(shù)增強(qiáng)至0.077。該統(tǒng)計(jì)結(jié)果與上述個(gè)股分析保持 一致，說明：（1）全市場(chǎng)股票地理相關(guān)系數(shù)因子均值與下期市場(chǎng)收益序列呈正向變 動(dòng)關(guān)系。當(dāng)期的全市場(chǎng)因子均值越高，下期反轉(zhuǎn)效應(yīng)越強(qiáng)，市場(chǎng)收益越高；（2）第 （1）點(diǎn)結(jié)論在中證全指指數(shù)收益小于0時(shí)效果更顯著。

四、實(shí)證分析

（一）數(shù)據(jù)說明

選股范圍：全市場(chǎng) ；股票預(yù)處理：剔除非上市、摘牌、ST/*ST、漲跌停板、上市未滿1年股票 ；因子預(yù)處理：MAD去極值、Z-Score標(biāo)準(zhǔn)化、行業(yè)市值中性化 ；回測(cè)區(qū)間： 2010.01.01 – 2022.06.30 ；分檔方式：根據(jù)當(dāng)期股票的因子值，從小到大分為十檔 ；調(diào)倉周期：每個(gè)月最后一個(gè)交易日以收盤價(jià)調(diào)倉 ；交易費(fèi)用：千分之三（賣出時(shí)收取）。

（二）因子分檔表現(xiàn)

在月度調(diào)倉的歷史回測(cè)下，6種地理相關(guān)系數(shù)類因子的整體分層效果表現(xiàn)不一。 具體而言，地理相關(guān)系數(shù)拆解類因子中，因子與因子分 層效果顯著，分層收益區(qū)分度高。

（三）因子實(shí)證結(jié)果

本小節(jié)中，首先，將對(duì)構(gòu)建的6種地理相關(guān)系數(shù)類因子在IC、多空策略、多頭相 對(duì)基準(zhǔn)策略以及換手率方面的回測(cè)表現(xiàn)進(jìn)行整體展示。其次，通過對(duì)比各因子在回 測(cè)期中的績效，選取因子、因子與因子，對(duì) 其分年度表現(xiàn)進(jìn)行詳細(xì)展示。

1. 整體表現(xiàn)

整體來看，6種地理相關(guān)系數(shù)類因子在選股方向上與構(gòu)建的交易策略保持一致， 即個(gè)股與地理關(guān)聯(lián)公司股票的整體相關(guān)性越高，股票未來收益表現(xiàn)越好。各因子的 IC表現(xiàn)、多空對(duì)沖策略表現(xiàn)與因子分檔測(cè)試結(jié)果一致，因子具有最高的 IC均值與多空年化收益，其次為因子與因子，但 因子由于回測(cè)期的最大回撤相對(duì)更低，信息比率高于其他因子。多頭 相對(duì)基準(zhǔn)策略表現(xiàn)出現(xiàn)分化，上述兩種地理相關(guān)系數(shù)拆解因子表現(xiàn)優(yōu)于地理相關(guān)系 數(shù)因子。各因子的多頭平均換手率在80%左右。具體來看，、?與共3個(gè)因子在IC分析、多空策略績效、多頭相對(duì)基準(zhǔn)策略績效上總體 表現(xiàn)較好。

1. GEOGCORR因子具體表現(xiàn)

在全市場(chǎng)選股中，GEOGCORR因子的選股區(qū)分度較高，因子IC均值為0.074， 正IC占比88.00%，除2017年外，分年度IC均在0.05以上。在多頭相對(duì)中證500指數(shù) 的回測(cè)中，策略整體的年化超額收益率為13.21%，信息比率為1.55。在2015年市場(chǎng) 趨勢(shì)較大時(shí)表現(xiàn)相對(duì)較好，除2017年外，其余年份均可取得超額收益。整體換手率 保持在77.77%左右。

2. GEOGCORRP因子具體表現(xiàn)

在全市場(chǎng)選股中，GEOGCORRP因子表現(xiàn)出較好的選股區(qū)分度，因子IC均值為 0.069，正IC占比90.00%，分年度IC均值最小出現(xiàn)在2017年，為0.052。在多頭相對(duì) 中證500指數(shù)的回測(cè)中，策略整體的年化收益率為13.98%，信息比率為1.706。

3. GEOGCORRIP因子具體表現(xiàn)

在全市場(chǎng)選股中，因子表現(xiàn)出較好的選股區(qū)分度，因子IC均值為 0.063，正IC占比88.67%，。在多頭相對(duì)中證500指數(shù)的回測(cè)中，策略整體的年化超 額收益率為13.48%，信息比率為1.659。整體換手率保持在84.62%左右。 綜合上述3個(gè)因子的實(shí)證分析結(jié)果，因子整體表現(xiàn)優(yōu)于 因子與因子。由于該因子對(duì)地理相關(guān)系數(shù)進(jìn)行拆解，僅考慮了研究個(gè) 股與地理關(guān)聯(lián)股票在日度收益不為負(fù)情況下的相關(guān)關(guān)系，因此，更能精確地度量多 頭策略所需要的基于地理共性挖掘的正向共同基本面信息。因此該因子在因子分檔 測(cè)試、多頭對(duì)沖策略方面都具有更好的表現(xiàn)。

五、地理關(guān)聯(lián)度因子與 BARRA 因子相關(guān)性分析

CNE6版本的BARRA因子模型將股票因子劃分為市場(chǎng)、價(jià)值、成長、盈利、波 動(dòng)等大類因子。傳統(tǒng)BARRA因子已經(jīng)在市場(chǎng)中得到驗(yàn)證，能夠較有效地刻畫股票特 征。本節(jié)將對(duì)因子、因子、因子與BARRA因 子進(jìn)行相關(guān)性分析。

（一）BARRA 因子說明

在CNE6版本的BARRA因子模型中，共詳細(xì)闡述了數(shù)大類因子。本報(bào)告僅在各 大類因子中選取其中一個(gè)因子進(jìn)行相關(guān)性說明。

（二）地理關(guān)聯(lián)度因子與 BARRA 相關(guān)性分析

本小節(jié)將數(shù)據(jù)預(yù)處理（MAD法去極值、Z-Score標(biāo)準(zhǔn)化、行業(yè)市值中性化）后 的因子、因子、因子與BARRA因子進(jìn)行 Spearman秩相關(guān)性分析，相關(guān)性結(jié)果見下表16。如表所示，地理相關(guān)系數(shù)因子與 HBETA、BTOP因子存在10%左右的正相關(guān)性。與STOM、HALPHA、HSIGMA因 子之間存在12%-22%的負(fù)相關(guān)性。整體而言，地理相關(guān)系數(shù)類因子能夠挖掘傳統(tǒng)因 子外的增量信息，具體為股票之間的地理關(guān)聯(lián)信息。

六、地理關(guān)聯(lián)度因子敏感性分析

（一）敏感性分析-選股范圍

本報(bào)告在實(shí)證分析部分，僅在全市場(chǎng)選股范圍內(nèi)，詳細(xì)展示了因子、 因子、因子的選股策略表現(xiàn)。但是因子特征分析部分也 表明，地理相關(guān)系數(shù)類因子與股票的市值大小存在顯著關(guān)系，小市值股票往往具有 更高的地理相關(guān)系數(shù)因子。因此，本節(jié)將重點(diǎn)分析上述3種因子對(duì)于選股范圍的敏感 性。具體而言，測(cè)試了滬深300、中證500、中證800、中證1000、創(chuàng)業(yè)板選股范圍 內(nèi)，各因子的多空對(duì)沖策略、多頭相對(duì)基準(zhǔn)指數(shù)策略與換手率的整體表現(xiàn)。

實(shí)證結(jié)果顯示，多空策略方面，3種因子在中證1000、創(chuàng)業(yè)板選股范圍中存在 較好表現(xiàn)，因子與因子年化收益率均高于全市場(chǎng)選股范圍 同策略表現(xiàn)。多頭相對(duì)基準(zhǔn)指數(shù)策略方面，因子與因子在 中證1000選股范圍內(nèi)的年化收益率、信息比率均優(yōu)于全市場(chǎng)選股范圍同策略表現(xiàn)。

（二）敏感性分析-手續(xù)費(fèi)費(fèi)率

盡管上述分析表明，基于因子、因子、因 子的選股策略能夠在全市場(chǎng)表現(xiàn)相對(duì)較好，但是在整體與分年度換手率分析中，兩 類因子都呈現(xiàn)出高換手率的特征，這將使得策略對(duì)于手續(xù)費(fèi)的設(shè)定較為敏感。因此， 本節(jié)將重點(diǎn)分析3種因子對(duì)于手續(xù)費(fèi)的敏感性。具體而言，測(cè)試了全市場(chǎng)選股范圍內(nèi)， 因子在千一、千三、千五手續(xù)費(fèi)費(fèi)率設(shè)置下的多頭基準(zhǔn)(中證500)凈值走勢(shì)。

結(jié)果表明，3種因子策略扣除千五手續(xù)費(fèi)后，仍然能夠在長期獲得超額收益，但 隨著手續(xù)費(fèi)水平上升，策略凈值表現(xiàn)整體下降。因此，當(dāng)使用以上地理相關(guān)系數(shù)類 因子進(jìn)行選股，應(yīng)當(dāng)對(duì)手續(xù)費(fèi)費(fèi)率予以重點(diǎn)關(guān)注。

編輯：JACK