• 技术相似性领先于产品市场关联，技术关联公司更可能成为未来的产品市场同行，而产品市场同行反向预测技术相似性能力较弱，验证技术创新先于产品商业化[page::8]

• 技术关联公司间的盈利能力（ROA）和研发强度（研发支出/总资产）存在显著的同期和滞后相关性，证明技术关联背后存在真实经济联系[page::9][page::10]

- 技术关联公司股票回报表现出显著的同期协同变动，且技术同行的滞后回报对目标公司股票收益具有显著预测能力，优于产品相似性同行，且传统基于引用和分类的技术相似性指标预测能力较弱[page::10][page::11][page::12][page::13]

• 基于文本的技术相似性度量过滤了传统引用和分类方法中的噪声，捕获了传统指标未能覆盖的重要信息[page::13]

- 构建零成本量化交易策略：每月做多前一个月技术关联公司回报率最高的股票，做空回报率最低的股票，策略平均月度超额收益1.28%，经CAPM、Fama-French三因子到六因子模型风险调整后仍显著，说明策略异常收益不来自已知风险因子[page::14][page::15]

• 该交易策略的累计回报在1997-2014年呈稳健增长趋势，验证了技术相似性回报预测的持久性和实用价值[page::15]

- 投资者有限注意力假设获得横截面支持：高共同分析师覆盖的技术关联公司股票具有更强的同步性及更弱的收益可预测性，说明市场更快吸收细节信息，低相似度技术关联公司因信息处理难度更大而具有更强的可预测性[page::4][page::5][page::15]

技术相似性对股票收益的预测能力报告详尽分析

---

1. 元数据与报告概览

• 报告标题：《技术相似性对股票收益的预测能力——“学海拾珠”系列之一百一十七》

- 发布机构：华安证券研究所

• 报告日期：2022年11月23日

- 主要作者：炜、吴正宇（执业证书号：分别为S0010520070001、S0010522090001）

• 研究主题：基于技术相似性角度，构建企业间技术关联，并分析此技术关联信息对股票收益预测的能力，尤其关注其作为风险因子的拓展、股票收益预测和基于技术关联回报的交易策略表现。

核心观点摘要：

• 技术关联作为风险因子的补充，是投资收益预测中的有效维度，目标公司股票收益可通过技术关联公司回报来预测。

- 构造的零成本交易策略（买入技术关联公司回报率高的股票，卖空回报率低的股票）每月超额收益高达1.28%。

• 技术相似性度量基于文本分析的创新，克服传统引用/分类偏差，更精准揭示技术关联。

- 技术信息对股价的反映存在处理滞后和非充分性，显示投资者有限理解和处理能力的影响。

• 研究依托大量专利文本大数据和财务、回报数据，实证检验技术相似性的经济效应和交易策略表现。

该报告旨在传达技术相似性在资产定价和股票收益预测中的重要作用，强调文本分析在技术关联识别上的优势，并提出了基于技术关联的有效交易策略。[page::0]

---

2. 逐节深度解读

2.1 引言

• 核心内容：

- 技术创新是经济增长和企业盈利的关键驱动力，创新相关信息对公司价值有深远影响。
- 市场对应创新的资产定价反应存在误差，原因与投资者有限的信息处理能力相关。
- 创新关联与产品市场关联不同，表现出复杂的新经济联系。通过企业间专利文本分析，构建“专利宇宙”，更精准衡量公司技术空间与创新联系。
- 技术创新领先于产品商业化，技术相似度可预测未来产品相似度，产品相似度反向预测效果差。
- 投资者处理技术相关信息的能力受限，导致股价对技术关联信息反映存在可预测的滞后性。

• 推理依据与分析：

- 利用770万份专利文本及400千兆字节数据，自动化文本挖掘形成技术相似性衡量，避免专利引用和分类固有偏误。
- 案例分析谷歌与福特、本田、Oshkosh的自动驾驶技术关联，文本分析优势明显。
- 技术相似性反映了更为深层和前瞻的创新联系，解释了对股价反映的预测潜力。

• 假设：

- 市场存在有限理性，投资者难以即时充分处理复杂技术相似信息，导致股价缓慢、滞后反应。

• 意义：

- 技术相似性作为一种新型经济联系，补充传统风险因子，具有资产定价应用的潜力。[page::3]

2.2 数据和统计方法

• 专利数据：

- 采用1976-2015年USPTO专利及2001-2015年专利申请数据，去重并通过Levenshtein距离校正名称拼写，匹配CRSP公司回报数据。
- 利用专业术语集合构建专利间相似性，结合Wikipedia和专业词典词汇，赋予专利“专利要求”部分更高权重。
- 计算公司间技术相似度为对数加权余弦相似性，突出新专利权重，体现公司创新历史和更新互动。

• 产品相似性数据：

- 利用Hoberg和Phillips的动态TNIC数据，捕捉公司产品市场的相似程度，作为对照变量使用。

• 股票回报及财务数据：

- 来源CRSP和COMPUSTAT，剔除价格低于5美元股票。
- 计算基于文本技术关联公司回报加权平均、基于引用技术关联和产品市场相似性投资组合回报，数据时间映射采用一年延迟窗口，保证信息公开时间同步。

• 分析师覆盖数据：

- 来自I/B/E/S，定义为年内至少一次发布EPS预测的分析师数量，用于衡量信息关注度。

• 意义：

- 数据全面、规范，技术相似性通过自动化文本分析量化，具有创新性和实用性，为后续实证分析提供坚实基础。[page::5][page::6][page::7]

2.3 实证分析核心章节

3.1 技术相似性领先产品市场关联

• 发现：

- 技术相似性显著预测下一年的产品市场相似性，产品相似性预测技术相似性的能力较弱且负相关。

• 解释：

- 技术创新先于产品开发，技术联系更早形成，是未来产品关联的领先指标。

• 图表说明（图表2）：

- 回归系数显示技术相似性对未来产品市场同行概率正向且显著，逆向关系为负，支持技术领先产品市场。

• 经济意义：

- 通过技术相似性识别创新驱动的产业演进路径，帮助把握产业格局变化，增强投资判断前瞻性。[page::8]

3.2 技术相似性的经济效应

• 盈利能力相关性：

- 目标公司ROA与其技术关联同行同期ROA呈正相关，并且技术关联同行ROA能预测目标企业下一期ROA。

• 研发强度相关：

- 企业自身研发强度与技术关联同行的研发强度有显著正相关，且具有预测关系。

• 图表说明（图表3）：

- 面板回归显示技术关联同行ROA和RD对目标公司未来对应指标均显著，控制了公司规模及账面市值比，行业和年份固定效应。

• 含义：

- 经济联系真实且深层，验证技术相似性度量的有效性，为回报联动和交叉预测提供坚实的经济基础。[page::9][page::10]

3.3 同期协同变动

• 分析设定：

- 使用Fama-MacBeth月度横截面回归，测试目标公司股票收益与技术关联同行收益的同步性。

• 控制变量：

- 控制产品相似性组合收益、行业组合收益、引用重叠及专利分类相似组合，以及短期反转、中期动量、规模和账面市值比。

• 发现：

- 目标公司收益与基于文本技术相似度加权的同行收益存在显著正向同步变动。

• 图表说明（图表4）：

- 系数均为正且显著，说明技术关联信息部分已经反映上市值中，但仍存在剩余信息可预测后续回报。

• 经济意义：

- 投资者部分认知技术关联，价格反应存在，但反应不完全，导致同步效应明显。[page::10][page::11]

3.4 回报交叉可预测性

• 方法：

- 使用Fama-MacBeth回归，依赖前一期技术关联同行回报预测当前目标公司回报。

• 主要结论：

- 技术相似公司滞后回报显著预测目标公司回报，预测系数大于产品市场相似性回报系数。
- 基于文本度量的技术关联预测能力更强，传统分类和引用方法预测力较弱。

• 图表说明（图表5）：

- 统计显著，且控制各种风险因子和行业动量后依然显著，表明技术相似性带来的预测能力并非行业效应或传统风险因子所致。

• 含义：

- 技术关联回报的溢出效应为股票收益预测提供新维度，且说明投资者对技术相关信息处理存在延迟。[page::12]

3.5 产品和技术相似性的区别

• 方法：

- 构建三个非重叠组合：仅技术相似、仅产品相似、两者均相似，分别对同期和预测回报进行回归。

• 结果：

- 产品相似组股票回报高同期同步性但预测能力低。
- 仅技术相似组回报同期同步性低但预测能力高。

• 意义：

- 技术相似性信息相对复杂，反映更细微的经济联系，导致更多滞后反映效应。
- 支持有限投资者处理能力假说，即复杂信息反映速度慢，产生有价值的预测。

• 图表说明（图表6）：

- 明晰地显示不同相似性对股价行为的不同影响，强调技术相似性的独特价值。[page::12][page::13]

3.6 文本 vs 传统技术相似性比较

• 基于文本的技术相似性度量与传统引用和分类度量相比，能更有效地捕捉关键经济联系。

- 只有基于文本技术相似性的公司组合表现出显著的预测力和同期联动。

• 传统度量更多捕捉噪声，弱化预测能力。

- 这突出文本分析技术的创新性及优越性。

---

3. 图表深度解读

图表1 样本描述性统计

• 描述了研究样本的规模和结构，平均每年涵盖约903家公司，平均82项专利申请，专利技术相似度同行约70个，提供了样本的基本规模和行业结构铺垫。

- 行业分布中电子设备、制药、软件行业专利密集，反映创新主要集中行业。

图表2 技术相似性的持续性分析

• 两个核心回归：第一以未来一年产品相似性为因变量，第二以未来一年技术相似性为因变量。

- 显示技术相似性积极领先产品市场，产品市场关联对技术相似性反向甚至负面，体现技术创新先于产品商业化。

• 该图表支持投资者应关注技术信号而非仅限产品关联。

图表3 技术关联经济效应

• 面板回归显示技术关联同行的ROA和研发强度分别显著正相关并能预测自身ROA和研发强度。

- 反映经济联系实质性，创新活动和盈利表现穿透行业界限互相关联。

图表4 股票收益的同期协同变动

• 显示技术相似公司的股票回报存在同步性，尽管控制了产品相似性、行业效应及各种回报因素。

- 同期协同变动表明技术相关信息部分被市场即时消化。

图表5 股票收益的可预测性

• 技术相似同行滞后回报对目标公司当前回报有正向预测力，超过产品市场和传统度量水平。

- 强调文本技术相似性度量的预测能力优越，具备实战投资参考价值。

图表6 非重叠组合的可预测性及共同变动

• 细分技术与产品相似的互斥组合，技术相似单独部分显示预测能力，产品相似单独部分则主要表现为高同期复合性但预测能力弱。

- 提醒投资者技术和产品关联属性需分开分析，更细致的信息处理可形成投资优势。

图表7 替代策略表现

• 展现基于技术相似公司回报率分层构建投资组合，随着同伴回报率提高，投资组合月度超额收益也单调升高。

- 做多高回报技术关联股票组，做空低回报组构建零成本策略，月平均超额收益1.28%，经CAPM及Fama-French多因子调整后异常收益依然显著，说明收益不由常规风险因子解释。

图表8 零成本交易策略累积回报

• 显示1997年至2014年期间零成本交易策略的累积回报稳健攀升，波动不大。

- 反映策略在时间维度具备持续有效性，且风险调整绩效良好。



---

4. 估值分析

• 报告核心不涉及具体单个公司的估值模型，但构建了基于技术相关回报的零成本交易策略，用风险调整模型（CAPM、Fama-French多因子、MOM因子等）检测其风险暴露，发现策略超额收益无法由现有风险因子所解释。

- 这意味着技术相似性回报为市场风险因子之外的独立收益来源，是对现有风险因子的有益拓展。

• 该策略月度1.28%的超额收益在资产配置和风险管理中具备潜在价值。

---

5. 风险因素评估

• 研究明确指出结论基于历史数据和海外文献汇总，风险提示强调本报告不构成任何投资建议。

- 研究本身讨论风险解释的局限性，提及技术相似股票间未观察到的共性风险因子可能导致回报交叉预测，但通过横截面分析发现难以用风险解释全面说明，反而与有限投资者处理能力假设更为契合。

• 风险点包括：

- 历史数据驱动的实证结果存在未来不确定性。
- 投资者认知能力可能随技术进步和信息处理工具改善而变化，影响研究适用性。
- 数据采集与处理方法尽管创新，但仍可能受到专利文本本身内容和时间滞后的限制。

---

6. 批判性视角与细微差别

• 报告清晰揭示技术相似性信息的预测力，但应关注研究假设对市场信息效率的挑战：要求承认市场信息不完全即时反映，投资者存在认知限制，这与完全有效市场理论存在差异。

- 文本分析方法虽然优于传统度量，但仍存在对专利文本多义性和解释偏差风险，尤其行业性术语随时间变化可能影响相似度衡量一致性。

• 技术关联预测效果依赖于大量数据支持和模型合理性，实际应用中信息处理成本和模型维护难度较大。

- 报告主要基于美国市场样本，跨市场适用性和文化差异未充分探讨，投资者应谨慎推广至A股市场。

• 文中强调分析师覆盖对信息反应速度的影响，表明信息传播机制中非公开因素仍可能掩盖技术关联的全部效应。

---

7. 结论性综合

综上所述，报告通过创新性地基于专利文本大数据构建技术相似性指标，揭示了技术关联对公司股票收益预测的重要信息含量。技术相似性不仅是对传统风险因子的有效补充，而且提供了超出已有行业和产品市场联系的经济信息维度。实证结果坚定支持技术相似公司的股票收益存在显著的同期协同变动与滞后可预测性，体现了投资者有限处理能力对信息价值折现的时间滞后效应。

通过构建零成本交易策略，依靠技术关联公司过去回报率进行买卖组合，实现了稳定且显著的超额风险调整收益，表现优于传统模型解释。这表明技术相似性信息为投资决策提供了被低估的资源，具备实际应用价值。

全面稳健性检验表明结果非小市值个股流动性驱动，且使用的文本分析方法优于传统引用和分类度量，过滤噪声并提取了隐含的经济联系。

图表8清晰展示了零成本策略自1997年以来累积稳定收益的趋势，验证了技术相似性作为资产定价因子的实用性。

最后，报告强调技术创新信息对市场影响虽日益增长，但由于其高复杂度和专业性，价格反应存滞后，彰显了投资者有限认知与注意力限制对资产定价的深远影响，提示未来应持续关注技术信息处理对市场效率的结构性挑战。

该研究不仅丰富了因子定价理论，还为大数据和机器学习技术在金融市场的应用开辟新的方向，具备较高学术价值和实践指导意义。[page::0,3,4,5,6,7,8,9,10,12,13,14,15]

---

参考文献

• Ron Bekkerman，《Technological similarity and stock return cross-predictability: Evidence from patents’ big data》，The Review of Asset Pricing Studies

- 本报告由华安证券研究所基于上述文献内容编制。

---

免责声明与风险提示

本报告由署名分析师独立、客观完成，数据来源公开合规，内容仅供参考，不构成投资建议。报告中结论基于历史数据与文献总结，投资行动需结合自身风险承受能力，谨慎决策。华安证券及关联机构不对因使用本报告产生的任何损失承担责任。[page::0,16]

报告