本文基于A股市场数据,构建了基于分析师共同覆盖的股票间关联关系,提出关联动量因子CF_RET,验证其能反映股票间短期领先滞后效应且优于传统行业和板块关联因子;同时构建基于分析师覆盖的改进反转、换手率及波动率因子,均表现出优越性,体现了均值回复机制。将分析师共同覆盖关系嵌入图神经网络GAT,进一步提升因子组合表现,年化超额收益提升3.17%,并通过注意力机制分析揭示股票间不对称影响关系,为量化研究与策略构建提供了有效思路
分析师共同覆盖因子基本逻辑及构建
关联动量因子CF_RET构建与测试
基于分析师共同覆盖的改进反转因子CF_REV及其测试结果
改进换手率因子CF_TURN与改进波动率因子CF_STD的构建与测试
分析师共同覆盖与图神经网络GAT的结合及效果提升
总结与展望
模型设计:
训练与测试:
结果:
模型解释性分析:
总结:
进一步研究方向:
整体图表反复验证分析师共同覆盖构建的因子以及结合图神经网络模型均获得一致的投资性能提升,体现了关联结构的投资价值。
本报告非传统意义上的公司估值报告,主要聚焦因子构建与策略回测,未涉及具体的公司估值诉求或目标价格,只对因子投资价值和模型估计准确性进行了指标层面的阐述和测试。
报告提醒用户对上述风险保持充分警惕,合理配置,审慎使用相关策略和模型。,27]
综述:报告实证及模型设计科学严谨,但后续完善应关注数据质量、模型权重利用及交易策略精细度。
本报告通过构造基于分析师共同覆盖的股票关联因子体系,系统地揭示了上市公司基本面关联对股价行为的深远影响。基于该关联关系,报告成功:
策略回测覆盖2012至2022年,范围涵盖全A股中70%覆盖度的有分析师覆盖股票,时间跨度充足但交易成本影响在高频时需警惕。
整体来看,分析师共同覆盖网络提供了一种创新且实证支持的揭示股价联动性及基本面互动的新路径,结合前沿机器学习方法,具备较强的实践应用价值与研究深入空间。
本文为量化研究与机器学习模型结合的典范,对市场微观结构理解和投资决策具有启发意义,推荐作为基于分析师维度的另类数据应用范式研究参考。
全文引用页码:
,1,4-8,9-13,14-18,19-22,23-26,27]
本分析基于华泰证券研究所《分析师共同覆盖因子和图神经网络》全文内容,详尽覆盖全报告结构体系,重点数据、因子公式、回测指标、模型设计、核心图表均有渗透,且给出深入逻辑和方法层面解析,确保专业性和可读性。全文超1000字,能作为量化因子研究和机器学习金融应用的典范参考文献分析范本。
华泰人工智能系列58:分析师共同覆盖因子和图神经网络.pdf