本报告基于复杂网络理论,从整体视角构建多维度股票关联网络,提取节点结构特征作为选股因子。实证发现基于收益率相关性构建的网络中多个结构指标(如中心性、邻近性、结构洞)具备显著选股能力。综合多个网络结构指标构建的复合因子,体现了较高的预测能力和稳定的超额收益,因子月均RankIC约5.5%,多空年化收益近17%。该方法拓宽了传统个体视角选股因子的研究,为量化策略提供了新的潜在应用空间。
风格暴露距离网络中PageRank因子表现最好,月均RankIC约2.14%,年化ICIR 1.10,年化多空收益约5.5%,其他结构因子选股能力弱。
风格暴露相关系数网络结构因子整体表现较弱,多数指标无显著选股能力。
历史收益率相关系数网络中的中心性(Closeness、Harmonic、PageRank)、结构洞(Constraint)、权威性(Authority)等指标均显示较强选股能力,月均RankIC可达6.30%,年化ICIR超过2,多空年化收益可达18%。
成交量相关系数网络中Harmonic、Closeness、Constraint等指标亦表现出一定选股能力,月均RankIC约3%左右,年化多空收益约7%左右。
将不同网络中相对有效的结构指标合成复合网络结构因子。
综合因子月均RankIC约5.54%,年化ICIR 2.23,多空年化收益16.78%;行业市值中性化后因子表现进一步提升,月均RankIC为5.26%,年化ICIR 2.68,多空年化收益达16.89%。
关联网络因子为量化选股提供了结构化视角,有助于捕捉传统因子未能涵盖的系统性信息和风险,具备广泛的策略开发潜力。
该报告包含多张关键图表和表格,详细描绘了因子表现及网络特征:
图1(第7页)复杂网络结构示意图
图2-4(第11-12页)风格暴露距离网络PageRank因子
表1与表2(第12页)风格网络结构指标测试
图5-7(第13-14页)收益率相关系数网络Closeness选股能力
图8-10(第14-15页)PageRank因子表现类似Closeness,强劲有效
图11-13(第15-16页)Constraint因子
表3(第16页)
图14-16(第17页)成交量相关性网络Harmonic因子
图17-19(第17-18页)成交量Constraint因子
表4(第18页)成交量网络结构因子表现总结
图20-22(第19页)网络结构综合因子
图23-25(第20页)行业市值中性网络结构综合因子
表5(第20页)综合因子数据详情
整体图表充分支撑了作者的实证研究,突显结构指标在不同网络构建中的表现差异及综合提升效应,清楚体现了网络因子在实际选股中的应用价值。
报告未涉及对单个股票或行业的估值分析,主要集中在因子构建与策略回测层面,应用统计指标(RankIC、ICIR、多空组合超额收益、最大回撤)衡量因子有效性。
本报告通过系统构建和分析了基于多维股票关联关系的复杂网络,深刻揭示了网络结构特征在股票选股中的重要作用。以下为关键发现总结:
总体而言,报告明确表明股票关联网络拓扑结构的指标为量化选股提供了强有力的辅助工具,开拓了传统因子研究的新方法论空间,对量化投资策略创新具有较高参考价值和实际应用潜力。
附:部分关键图表示意
此份长江证券金融工程深度报告,结合多领域研究方法及海量市场数据,系统地阐述并验证了股票关联网络拓扑结构在量化策略中的价值和应用,标志着选股因子研究从“个体视角”迈向“系统网络视角”的重要进展。投资者和研究者可依此为基础,探索更广泛的网络型因子体系及其在不同市场环境下的表现,以提升量化投资的稳健性和超额收益能力。
金融工程深度报告:股票关联网络中的拓扑结构.pdf