本报告基于北向资金中外资券商持仓行为,构建股票关联网络并开发关联网络牵引因子Traction-NS。该因子通过衡量股票与其关联股票涨跌的锚定效应,表现出良好的多空收益和稳定性,年化收益最高达23.75%,最大回撤仅5.33%,并在不同选股域中均有稳健表现,且与主流传统因子相关性较低,显示其独特的选股能力和信息含量。
| 年份 | 年化收益率 | 年化IR | 最大回撤 |
|---|---|---|---|
| 2017 | 26.85% | 4.81 | 1.61% |
| 2018 | 14.94% | 2.33 | 3.28% |
| 2019 | 26.75% | 5.20 | 1.61% |
| 2020 | 22.26% | 2.90 | 5.33% |
| 2021 | 29.58% | 3.14 | 4.00% |
| 全期2017-2021 | 23.72% | 3.45 | 5.33% |
| 因子类型 | 年化收益率 | 年化IR | 最大回撤 |
|---|---|---|---|
| 所有北向持仓(唐1) | 17.34% | 2.10 | 9.53% |
| 外资券商持仓(Traction-NS) | 23.75% | 3.45 | 5.33% |
| 外资银行持仓(Traction-NB) | 10.77% | 1.36 | 13.08% |
报告标题:《从北向资金持仓行为到股票关联网络》
发布机构:开源证券研究所金融工程研究团队
发布日期:2021年11月7日
主要作者与联系方式:魏建榕(首席分析师,S0790519120001)、张翔、傅开波、高鹏、苏俊豪、胡亮勇、王志豪、盛少成、苏良
研究主题:利用北向资金(主要指外资券商)持仓数据构建股票关联网络,探究股票间的关联关系,并基于此开发股票选股因子——Traction-NS因子。
核心论点:
该报告创新地从外资券商持仓行为出发,通过构建股票间关联网络,提出股票涨跌的“牵引”关系,构造因子Traction-NS。文章发现外资券商的持仓行为对股价表现的关联信息量更大,通过关联网络能够有效捕捉股票之间的联动效应,从而提升选股策略的表现。报告通过细致的数据分析与因子测试,得出Traction-NS因子表现稳健,多空组合年化收益优异,且在多种股票池选股域均表现出较强的预测能力。
关键论点:
北向资金中托管机构主要分为外资银行和外资券商。自陆股通开通以来,北向托管机构数量稳定在约150家,其中外资券商约130家,外资银行约10家。外资券商在北向资金中交易活跃,成交占比约为5%,而外资银行成交占比约为2%。因此,外资券商是更具代表性的交易资金来源,对股票的定价和市场动向影响更大;而外资银行则偏配置型资金。报告据此聚焦外资券商持仓数据,认为其持仓行为包含了更丰富的股票关联信息,是构建股票关联网络的理想对象。,2]
数据与图表:
关键论点与方法论:
关联网络由股票节点和节点间连线构成,连线粗细代表股票间关联强弱。构建流程包括:
构造逻辑细节:
因子构建逻辑:
基于股票关联网络,提出“牵引效应”假设:某股票的关联股票当月整体上涨会提高市场对该股票涨幅的预期,若该股票本月涨幅不足,则次月有望补涨。
具体构建流程(详见表1):
因子参数优化:
通过不同的网络“留存比例”参数测试,发现40%的稀疏比例令因子信息效用最大,RankIC达到6.09%,IR超过2.6,显示良好的因子预测能力。留存比例过低导致网络稀疏信号损失,过高引入过多噪音均不利于因子表现。,图9]
因子实证表现:
2017年1月至2021年9月期间,Traction-NS因子等权月度调仓策略:
图1(北向托管机构数量)
通过时间序列展示外资券商、外资银行和其他托管机构的数量构成,外资券商数量始终占据绝对优势,约130家,对比10家左右的外资银行,凸显分析重心合理性。图表体现数据样本的代表性保障为后续网络构建提供扎实基础。
图2(成交占比)
以百分比形态反映外资券商成交占比普遍高于外资银行,长期维持在5%左右,外资银行仅2%左右。显示外资券商资金参与市场交易活跃度更高,作用更显著,支持其持仓行为更能反映市场动向和关联信息。
图3(持仓股票池与基金重合度)
柱状与折线结合,蓝色柱为外资券商持仓股票数随时间增长趋势,折线代表与基金持仓重合比例约50%,显示外资券商持仓与主流基金持仓存在较大交集,增强网络分析对市场代表性。该重合度说明外资券商的持仓信息不孤立,融入主流资金视角。
图4(股票池覆盖度)
曲线图显示外资券商持仓对沪深300、中证500、中证1000覆盖度,沪深300维持在99%以上,中证500约95%,中证1000提升至85%。覆盖范围广泛,充分体现外资券商持仓信息对大部分市场有体现,有利于构建广泛且有效的关联网络。
图5(关联网络局部结构)
示意图形象地表现股票节点间通过连线连接,连线的粗细象征不同程度的关联强度,方便直观了解网络结构和核心股票的关联聚集情况。比如五粮液、贵州茅台等核心股票的密集连接体现其市场影响力和关联关系的强度。
图6(关联关系示意)
用四个托管机构不同持仓的股票局部结构拼接,合并为综合网络,直观展示各托管机构间共有持仓带来股票间多重关联关系,凸显网络聚合过程。
图7(关联强度计算示意)
细化联线的权重计算过程,体现持仓市值占比对关联强度的限定,通过最小值筛选两股票间共享定价权,最后跨机构求和体现多方影响累加,量化了不同股票间共持仓的强弱关系。
图8(Traction-NS因子构建示意)
展示因子由关联度指标与关联股票Alpha收益的乘积求均值,经行业和自身收益中性化,统计形成因子值的流程图,图形化理解因子为何能反映股票的关联“牵引”效应,帮助理解背后逻辑。该图重要连接了关联网络与实际异动信号。
图9(留存比例参数测试)
横轴为网络留存比例,纵轴为RankIC与IR。展示因子有效性随网络稀疏化程度变化规律,峰值在40%留存,指示关联网络保留信息与剔除噪声之间的最佳平衡点。
图10-11(因子表现及多空表现)
分组净值曲线及多空净值趋势图显示因子分组盈利的分化性及多头空头策略长期盈利能力,图中收益率、IR及回撤均被清晰标注,显示因子对市场趋势和股票绩效的预测力。,7]
图12(选股域多空表现)
多选股域均表现良好,选股池规模与收益成正比,说明因子对不同市场层次均有适用性,多样性强。
表3(因子相关性分析)
列出Traction-NS因子与主流选股因子的低相关性,体现其新颖的信息维度,具备与传统因子形成互补的潜力。
图13-14(不同托管机构因子对比)
表格+图形对比外资券商、外资银行及所有托管机构因子表现,外资券商明显最强,数据真实体现资金性质与市场影响力的差异,强化报告核心结论。
图15(剔除持仓占比因子表现)
显示剔除持仓占比因素后Traction-NS因子依旧表现稳健,支撑因子非单一因子叠加的复合指标,增强因子解释力。表现差异明显,凸显其选股alpha价值。
报告本身不涉及传统估值模型(如DCF、市盈率法等),而着重于通过量化构建股票间的关联网络与关联强度指标,进而以此开发选股因子,从复杂网络理论结合资本市场行为的视角,通过量化限制持仓比例、留存比例等关键参数,构造了创新的、多层次的资产定价信号。其方法论的核心在于:
整体设计论证严谨,创新性强,切合市场实际,所有关键假设(如资金持仓定价权的代表性、关联股票涨跌的锚定效应)均有背后数据支撑,并且通过多维度回测验证有效性。
本报告围绕北向资金中以交易型资金为主的外资券商持仓行为,创新构建了基于共同持仓关系的股票关联网络,提出了体现股票间牵引效应的Traction-NS因子。该因子基于资金定价权重加权关联股票的超额收益,剔除行业和自身表现后,能够稳健反映关联股票群体涨幅对个股未来表现的预测能力。实证结果显示:
综上,该报告是北向资金研究与关联网络结合领域的重要探索,定量逻辑清晰、实证分析详尽,为量化投资尤其是关联投资因子开发提供了有益参考。
量化评论(44):从北向资金持仓行为到股票关联网络.pdf