本报告基于秩鼎供应链数据,构建了单层及双层供应链动量因子,验证了供应链上下游股价动量对主体公司未来收益的预测能力。多层级供应链动量因子较单层表现出更高的预测稳定性与显著性,且客户动量因子优于供应商动量因子。基于双层客户动量因子的选股策略在沪深300、中证800及中证1000不同样本池均显著跑赢基准,且客户动量因子与传统大类因子的相关性较低,具备独特投资价值
供应链动量因子的理论基础和构建逻辑 :
秩鼎供应链数据介绍与处理流程 :
供应链动量因子实证测试(单层):
| 分组 | 总收益 | 年化收益 | 最大回撤 | 夏普比率 | 卡玛比率 |
|---|---|---|---|---|---|
| Top | 98.71% | 18.73% | -39.42% | 0.67 | 0.48 |
| Bottom | 10.88% | 2.62% | -44.52% | 0.03 | 0.06 |
| L-S | 79.48% | 15.74% | -6.41% | 2.14 | 2.44 |
多层供应链动量因子提升效能:
供应链动量因子与传统动量及其他大类因子的相关性分析:
量化选股策略构建与跨样本池回测效果显著 :
风险提示及免责声明说明
本报告的核心论点是:通过深入挖掘上市公司之间供应链关联信息,构建基于客户及供应商的动量因子,特别是引入双层级供应链动量因子,能够有效提高股票收益的预测能力,进而实现显著的超额收益。报告强调供应链数据覆盖度的提升及对市场非完全有效性的利用,利用供应链动量因子的独特性和稳健性,构建具备较强选股能力的量化策略,演示其在沪深300、中证800及中证1000等主要股票池的超额收益表现,策略整体风险调整后收益表现优于基准。
报告以“六度分隔理论”类比,将社会关系网类比于企业之间的供应链网络,指出上市公司并非孤立存在,而是通过供应商和客户关系形成紧密经济关系网。并结合波特五力模型,解释供应链上下游议价能力对公司竞争力的影响,提出供应链网络中蕴涵着可供投资挖掘的重要信息。文中引用学术研究 (如 Cohen 和 Frazzini 2008) 表明供应链上下游企业股价之间存在信息传导及价格调整的时滞,属性供应链动量溢出效应的理论基础。,1]
图1(波特五力分析框架图)以红色节点展示了主体公司与上下游客户、供应商以及行业竞争态势的关系,直观表明了供应链关系对于主体公司的战略意义和外部影响。
报告首先强调供应链数据的采集难度,市场公开数据披露的局限性导致覆盖度较低且具有偏颇性。为克服这一痛点,报告引入秩鼎公司提供的供应链数据,说明其技术优势(如实体识别、股权穿透、反向披露)及数据覆盖度广泛(覆盖4000+ A股、2000+港股、130万非公众企业)。同时,秩鼎供应链数据的更新频率(日度)及数据质量保证(人工复核,提供原始披露来源)为后续量化研究提供基础保障。
图2清晰展示了秩鼎供应链数据的优势:
图3示意了数据采集和处理流程,兼具自动抓取及人工复核,确保数据质量。
报告详尽介绍了供应商与客户关联度的计算方法,主要基于两家公司之间实际交易金额的权重分布,配合持股比例加权折算和年度折算系数的应用,提升数据时效性和代表性。表2通过示例演示了年度交易金额权重的计算及递减折现处理,保障了供应链关联强度的动态适配和时间价值调整。,3]
报告从两个核心方面阐述供应链动量溢出效应的合理性:
基本面相关性:引用Ali和Hirshleifer (2020) 研究回归结果,说明主体公司营收增长与其供应商和客户营收增长具有显著正相关关系(调整后R²约20%),支持基本面沿供应链传导的逻辑。数据显示客户及供应商的营收同比增长对主体公司营收增长均有显著的影响,且控制了行业平均水平。
信息冲击传导:引用Cohen和Frazzini (2008) 及A股实例,展示当客户公司发布正面业绩预告时,供应商股价也出现滞后上涨,体现信息冲击沿供应链传导的特征,并指出投资者有限注意力导致信息到主公司股价的反应会出现时滞。
图12及图13以案例曲线清晰体现了客户股价上涨带动供应商股价滞后反应的逻辑,强化了供应链动量效应的市场现实基础。,4]
运用2017Q1-2020Q4全部A股样本,报告构建以供应链关联公司过去一段时间收益为驱动的动量因子,采用RankIC衡量因子预测未来收益能力。表3给出客户与供应商动量因子在多交易日窗口下的IC表现及t统计量。
主要发现:
这表明客户公司动量比供应商动量对主体公司未来收益更具有预测能力。
以客户公司80个交易日加权动量因子为例,报告对因子分位数组合进行了回测。表4显示,top 20%组合收益 (年化18.73%) 显著优于bottom 20% (年化2.62%),多空组合Sharpe比率达2.14;图15净值曲线分化明显,印证了该因子的有效选股能力。另外,因子具有较高的风险调整收益和较低的换手率,表明策略实现了稳健的收益获取。
通过引入双层供应链关系,考虑供应链多个层级,报告验证了多层供应链结构引入后动量因子信号的增强。图16通过“啤酒游戏”和牛鞭效应说明供应链需求信息在多层传递中时滞放大的机制。表5的双层供应链动量因子RankIC测试显示:
分位数组合测试(表6,图19)显示,双层客户动量因子top组年化收益达19.46%,多空组合Sharpe达2.05,表现较单层进一步优化。,8]
报告比较供应链动量因子与主体公司自身动量因子:
表8详细显示不同交易窗口下t统计量差异。
相关性分析表9显示:
这种低相关性说明供应链动量因子提供了不同于传统风格因子的有效信息。,9]
基于双层客户动量因子,报告设计选股策略,分别在沪深300、中证800、中证1000三个主要股票样本池进行回测。
沪深300样本池(选择30只股票)
表10显示,策略全区间收益54.18%,显著优于沪深300的3.76%;夏普比率0.38远高于基准负值;最大回撤23.28%小于基准31.4%。样本内样本外均表现稳定,尤其样本内夏普提升显著。图20净值曲线显示策略收益明显跑赢基准,且样本外数据延续收益优势。
中证800样本池(选择80只股票)
表11展示策略全区间收益57.7%,远超基准2.38%;样本外年化9.08%收益显著高于基准负12.31%;风险指标表现优良,波动率和最大回撤均控制较好,夏普达到0.35。图21曲线同样体现稳健超越基准特征。
中证1000样本池(选择80只股票)
表12结果表明策略全区间年化收益5.06%,优于指数负0.9%;样本外年化收益6.06%明显领先。风险指标相近,夏普比率显著正向,最大回撤较指数略优。图22净值曲线显示稳定超额收益,波动与最大回撤控制得当。
整体而言,双层供应链动量选股策略在不同规模和风格的股票池中均显著跑赢基准,表现稳健且可复制。,10,11]
报告最后总结了核心发现:
风险提示部分说明模型基于历史数据,可能会因政策、市场环境的变化面临失效风险,报告不构成具体投资建议。,12]
本报告未涉及以传统估值方法(如DCF、市盈率等)直接给出目标价或估值模型,重点聚焦于因子构建和策略回测,属于因子研究与量化选股策略开发报告,强调基于供应链信息的收益预测能力和策略表现。
报告未详述风控策略,但充分提示以上风险及模型局限,强调不构成投资建议。,12]
以上均属正常研究范畴,建议后续研究持续完善多维度风险控制和策略微观执行分析。
本报告系统阐述了基于供应链信息,特别是客户与供应商之间动量溢出效应的投资逻辑,创新性地引入了双层级供应链关系,从而增强了动量因子的预测力和稳定性。依托秩鼎数据优势和先进的数据处理技术,报告构建了多种动量因子,实证验证了其相关性和有效性。通过全面RankIC及分位数测试,尤其是客户动量因子的强效表明,下游客户的表现是未来主体公司收益的重要领先指标。
深度的相关性分析体现了供应链动量因子与传统风格因子之间的互补性,展现了该因子独特的Alpha捕获能力。基于此因子设计的选股策略经沪深300、中证800、中证1000等不同股票池回测,均显著跑赢对应基准,风险调整后收益稳健,提供实用的量化投资工具。
总结起来,供应链动量溢出效应的挖掘不仅丰富了因子投资的维度,也为市场参与者提供了新的投资洞察,尤其在信息不完全和投资者注意力有限的背景下,其独特性和系统性收益价值凸显。报告高屋建瓴,结合理论与实证,兼具创新和可操作性,为量化选股领域提供了重要的研究参考和实践路径。
报告结构清晰、数据详实、论证环节完备,对供应链动量效应的理论依据、数据来源、因子构建、有效性验证及策略实现均做了系统阐释。结合高质量供应链数据与严谨统计方法,为A股市场提供了创新且实用的量化投资策略,具备较强的借鉴与推广价值。
所有结论和数据均来源于《蓝海启航 系列研究之五 基于供应链动量溢出效应的选股策略》及附图表。
“蓝海启航”系列研究之五:基于供应链动量溢出效应的选股策略.pdf