股票关联网络构建与多维关联关系定义 [page::5][page::6]

• 股票之间存在多维度关联关系：包括基本面相似度、风格特征相近、收益率和成交量相关性、文本信息共现、机构持股重合及公司治理结构等。

- 以不同关联关系构成不同股票网络，反映不同层面的市场联系和联动性。

• 采用边稀疏化（取强关联的前3%边）保持网络“复杂网络”特征，突出网络模块性和核心节点结构。

复杂网络中的关键结构特征指标及经济意义 [page::7][page::8][page::9][page::10]

• 中心性指标：度中心性、接近中心性、调和中心性、中介中心性、PageRank等，反映股票在市场联动中的重要性和信息传播地位。

- 邻近性及特征向量中心性：衡量节点及邻居整体影响力。

• 聚集性指标：聚类系数揭示行业或板块集群效应。

- 结构洞指标：有效规模和约束度反映节点在信息桥梁和依赖程度的作用。

• 以上指标为构建选股因子的基础。

不同关联网络中的结构因子选股能力测试 [page::11-20]

• 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。

综合因子构建及回测表现 [page::19][page::20][page::21]

• 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。

风险提示 [page::22]

• 结论基于历史数据统计及模拟回测，未来效果存在不确定性。

- 因子构建参数选择影响结果，需适当调研与风控。

• 回测未充分考虑交易成本等现实因素，实际投资需谨慎评估。

金融工程深度报告：《股票关联网络中的拓扑结构》详尽解析

---

1. 元数据与概览

• 报告标题：《股票关联网络中的拓扑结构》

- 发布机构：长江证券股份有限公司研究所

• 发布日期：2024年11月15日

- 分析师：覃川桃、鲍丰华

• 主题：基于复杂网络理论的股票关联网络结构特征及其选股因子构建与实证研究

- 报告类型：金融工程深度研究报告

• 核心论点：

- 传统选股因子往往从个体股票自身特征出发，忽略了股票间的关联关系；
- 通过构建多维度的股票关联网络，揭示股票在网络中的结构特征，发现结构特征具有显著的选股能力；
- 不同网络构建方式（如基于风格暴露距离、收益率相关系数、成交量相关系数等）对应的结构特征，其选股预测能力存在明显差异；
- 综合多个有效结构特征构建的网络结构综合因子，在历史回测中展现了良好的选股能力，收益稳定且超额显著；

• 主要投资点评：关联网络分析为量化选股开辟了新视角，通过网络层面的股票关系，捕捉传统因子难以识别的定价信息，为策略创新提供基础。[page::0,1,2]

---

2. 逐节深度解读

2.1 选股因子研究背景与动机（第1-2页）

• 论点总结：

- 传统因子以单一股票为分析单元，随着市场“风格化”加剧，alpha衰减明显；
- 股市中股票之间存在复杂关联，如产业链、股权关系、风格相似性等，这些关系形成本质上的“股票网络”；
- 该网络结构位置可能蕴含股票的定价信息，复杂网络理论可以辅助提取深层次结构信息；

• 推理依据：

- 股票位置的中心性、桥梁作用等网络指标从系统性角度体现个股潜在价值；
- 依托领域中已有的“动量与反转”关联网络研究，进一步拓展网络结构特征的全局意义；

• 数据基础：

- 时间区间涵盖2009—2024年，使用多种维度数据（收益率、成交量、风格暴露等）构建网络；

• 结论点：

- 股票关联网络是量化选股中极具潜力的新方向，结构特征信息相比传统个体因子更具丰富定价解释能力。[page::2,5,6]

---

2.2 股票关联关系定义与网络构建（第5-6页）

• 关联关系多维度构建方法：

- 基于基本面（如市值、净利润等）、风格特征（估值、市值、动量等）、收益率相关性、成交量相关性、文本共现、机构持股关系与治理关系等；

• 关联网络转换：

- 由两两股票间的关联上升到整体网络结构分析，揭示股票的综合互动及市场结构；
- 降低网络密度，通过“边稀疏化”保留数据中最高强度的前3%边，构建近似“复杂网络”的拓扑结构；

• 经济解释：

- 关联网络不仅反映直接联系，还反映间接影响和系统风险传导机制；
- 关联网络凸显系统核心节点及潜在波动传染路径，为风险管理和投资组合优化提供工具；

• 核心假设：

- 股票间的经济关联能够通过多维度相关性体现，并以图论指标量化股票的重要性[page::5,6]

---

2.3 关联网络的复杂网络性质及结构特征指标（第7-10页）

• 复杂网络基本特性：

- 小世界效应：网络节点平均最短路径短，即市场中股票彼此关联紧密；
- 无标度特性：节点度数分布遵循幂律，少数枢纽股票连接度极高；
- 聚集性：节点形成紧密集群，反映行业或风格板块群聚；

• 网络结构特征指标：

- 中心性指标：
- 度中心性：直接连接邻居数，体现股票联动广度；
- 接近中心性：节点到其他节点平均路径的倒数，反映网络传播效率；
- 调和中心性：改进接近中心性，保障非连通网络中的稳健性；
- 中介中心性：桥梁作用，间接连接节点间的影响力；
- 邻近性指标：
- 特征向量中心性：考虑邻居重要性，揭示更深层次影响；
- PageRank：结合方向性与权重，衡量广泛的关键节点重要性；
- 枢纽与权威值：信息流中节点的供给者与受信任者作用；
- 聚集性指标：
- 聚类系数反映局部团簇密度，指示行业或板块集群效应；
- 同配性指标：
- 平均最近邻度，揭示核心股票是否偏向与高连通度节点聚集；
- 结构洞指标：
- 有效规模衡量连接的邻居独立性；
- 约束度反映节点依赖度和信息多样性；

• 技术解释：

- 采用图论传统定义和算法，对于金融网络精准描述节点角色和市场互动逻辑；

• 考虑风险：

- 高连接密度需边稀疏化，确保网络结构突出差异化，避免网络效应过强导致指标信息贫乏[page::7,8,9,10]

---

2.4 结构特征的选股能力实证分析（第11-18页）

2.4.1 风格暴露距离与相关系数网络

• 基于股票风格因子向量距离构建网络，边定义为欧氏距离小于一定阈值或相关系数最大取前3%；

- 风格暴露距离网络：
- PageRank是主要有效因子，月均RankIC 2.14%，年化ICIR 1.10，多空组合年化收益5.52%，最大回撤15.15%；
- 其他因子选股能力较弱，波动率或统计显著性不足；

• 风格暴露相关系数网络：

- 整体因子选股能力普遍偏弱，RankIC多为负值或接近无效，年化收益表现有限；

• 此表明风格暴露距离比单纯相关系数更能反映股票间的经济关联强度，进而影响收益预判能力。

2.4.2 收益率相关系数网络

• 基于过去63个交易日收益率的两两相关系数构建边，取前3%；

- 多数结构因子表现卓越：
- Closeness月均RankIC 6.30%，年化ICIR 2.28，多空年化收益18.23%，最大回撤19.46%；
- Harmonic、PageRank、Authority等因子均表现出显著的选股能力；
- Constraint因子表现为负相关（-6.30% RankIC），反向指标；

• 可见收益率相关网络能够有效反映市场内系统性风险与结构性机会。

2.4.3 成交量相关系数网络

• 基于成交量变动率的相关系数构建网络，体现交易行为关联；

- 选股能力较收益率网络弱，但部分因子（Harmonic）依然表现良好；

• 年化ICIR约1.37，多空组合年化收益约7.89%，最大回撤较低；

- Constraint表现同样为负，系反向选股因子；

• 成交量网络捕获资金流动与市场情绪的联动，提供价格之外的补充维度。

---

2.5 综合网络结构因子测试（第19-20页）

• 基于不同网络中相对有效的结构因子，构建综合网络结构因子；

- 综合因子表现优异：
- RankIC均值 5.54%，年化ICIR 2.23，多空组合年化收益约16.78%，最大回撤保持在13.74%;
- 行业市值中性化后，RankIC略降至5.26%，但ICIR提高到2.68，最大回撤显著降低到8.66%，多空年化收益达16.89%；

• 说明行业市值等风险因素中性化过程能进一步提升因子稳定性和风险调整表现；

- 综合因子融合不同网络信息，提升了泛化能力和策略稳健性；

• 图20-25等图表清晰反映了因子走势、分组超额收益以及多空组合净值增长，直观展现了策略的长期有效性。

---

2.6 总结与研究贡献（第21页）

• 传统选股忽略股票间关联关系，关联网络分析提供了更具层次性和系统性的选股因子构建视角；

- 不同类型的股票关联网络体现了不同市场信息，收益率相关性网络的重要性尤为突出；

• 构建网络结构综合因子显著提升了选股能力及稳定性，显示该方法可为量化选股策略提供切实有效的补充和创新；

- 研究扩展了量化投资范式，将网络科学方法引入金融领域，深化了股票间定价信息的解读；

• 网络关联视角帮助识别市场核心和桥梁节点，辅助风险管理和策略组合优化。[page::21]

---

3. 图表深度解读

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

- 展示了钢珠状密集多群簇结构，颜色区分不同社区，体现网络的聚集性和层次性；
- 说明股票市场关联网络往往呈现“小世界”和“无标度”特征，重要核心节点清晰可见。

• 图2-4（第11-12页）风格暴露距离网络PageRank因子

- RankIC图（图2）显示因子信息系数波动，累计IC稳步上升，体现累积收益；
- 十分组超额收益（图3）由负转正，顶端组合获得0.16%月超额收益，底部组合亏损较大；
- 多空组合净值（图4）表现较为稳健，波动幅度较小。

• 表1与表2（第12页）风格网络结构指标测试

- PageRank因子是唯一显示明显正向选股能力的指标；
- 其他因子IC和收益率低，甚至负值，反映风格相关系数网络有效性不足。

• 图5-7（第13-14页）收益率相关系数网络Closeness选股能力

- RankIC图（图5）和累计IC显示高稳定性；
- 十分组月均收益（图6）表现梯度分明，最高组月超额达0.63%；
- 多空净值（图7）持续走高，年化收益显著。

• 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

- 显示负向相关性，低约束股票表现更优，反向构建该因子有助于选股。

• 表3（第16页）

- 多数因子表现均优于风格网络，显示收益率网络结构特征潜力巨大。

• 图14-16（第17页）成交量相关性网络Harmonic因子

- 虽表现不及收益率网络，但仍实现正向选股能力，分组收益率幅度适中。

• 图17-19（第17-18页）成交量Constraint因子

- 负值趋势，确认负约束度因子在成交量网络中作用。

• 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

- RankIC和累计IC展现稳定正相关；
- 十分组月超额收益和多空净值体现组合优异表现。

• 图23-25（第20页）行业市值中性网络结构综合因子

- 中性化后表现更稳健，峰值累计IC及分组收益率表现均优。

• 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。

---

4. 估值分析

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。

---

5. 风险因素评估

• 历史数据局限性：因子构建和绩效均基于截至2024年10月底的历史数据，未来市场环境变化可能导致结论失效；

- 参数选择影响：关联网络构建中的阈值和网络结构参数对因子表现有显著影响；

• 模拟回测局限：回测未充分考虑交易费用、市场冲击等实际交易成本，存在过度乐观风险；

- 系统性事件风险：虽然网络结构可以映射风险传递路径，但异常市场波动和黑天鹅事件可能导致模型失效；

• 模型稳健性：需要关注因子在不同市场环境和样本区间的稳健表现；

- 上述风险披露明确且审慎，未提供具体缓解策略，强调投资者应结合自身风险偏好审慎运用[page::22]

---

6. 批判性视角与细微差别

• 数据样本及网络阈值选择敏感性：

- 选取前3%极强边限可能捕捉高质量关联，但也可能忽略边缘关系；
- 不同稀疏化参数及时间窗口可能导致网络结构大变，影响因子稳定性；

• 模型假设：

- 假定股票间关联且定价信息完全反映在网络结构上，忽视市场外部因素；
- 部分结构指标（如Constraint）呈现负相关，表明非线性关系复杂；

• 收益率相关网络效果优于风格网络，是否说明因子仅在价格信息维度中有效？是否忽略某些基本面/风格信息？；

- 成交量相关性网络表现中规中矩，未来是否能提升？或结合更多市场行为分析变量更佳；

• 潜在过拟合风险：

- 多维度综合因子可能提高历史表现但降低未来泛化能力；

• 图表部分，部分表格呈现格式略显混乱（如12页部分HTML样式不完整）可能影响阅读体验；

- 报告明确指出模拟回测不代表真实收益，提醒投资者警惕模型局限性；

• 总体观点严谨，但作为学术/策略研究更适合后续实际应用细化与指标优化。---

7. 结论性综合

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：

• 传统选股方法局限于个股特征，缺乏系统视角，关联网络为选股策略提供全新视角；

- 多维关联关系（风格距离、收益率相关、成交量相关等）分别构成不同股票网络，反映各异市场信息维度；

• 收益率相关系数网络的结构特征（如接近中心性、PageRank、约束度等）对股票收益预测表现最优，显著超越传统因子预测能力；

- 风格暴露距离网络中的PageRank因子具备一定选股能力，风格相关系数网络则效果较弱；

• 成交量相关性网络捕获市场情绪和资金联动，为选股提供独特信息支撑；

- 网络结构综合因子整合多维网络中有效结构特征，带来策略多空年化收益16%以上，月均RankIC稳健且显著，表现出优异的风险调整收益能力；

• 行业市值中性化进一步增强因子稳健性和选股表现，减少行业配置偏差带来的影响；

- 图表清晰展示因子表现及策略净值增长，直接支持实证结论；

• 报告风险提示充分，强调数据截止点、参数敏感性及模拟结果假设限制，提醒投资者谨慎参考。

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

• 复杂网络特点示意图

- 风格暴露距离网络PageRank因子RankIC和累计IC

• 收益率相关系数网络Closeness因子RankIC和累计IC

- 网络结构合成因子RankIC和累计IC

• 行业市值中性网络结构合成因子RankIC和累计IC

---

结束语

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。[page::0-21]

报告