• 招聘数据覆盖率分析 [page::1]

- 沪深300覆盖率最高，持续在80%以上；中证500和中证800覆盖率维持在70%-80%；全A覆盖率较低，疫情期间覆盖率整体下降。
- 行业分布上，新兴产业如大科技板块超配招聘信息，传统大周期板块存在负向偏离，大消费板块医药行业招聘比例较高，大制造板块化工行业招聘覆盖较低，大金融板块整体偏离不显著。

• 行业招聘信息偏离情况 [page::2]

- 各行业相对于全A基准的招聘信息发布比例存在正负偏离，体现了行业景气与招聘活跃度的差异。

• 招聘数量因子选股能力测试 [page::2]

- 招聘数量因子在中证500和中证800中表现优于沪深300，沪深300中无超额信息量。
- 全A股票池中因子存在首年负收益且波动大，因子直接应用风险较大。

• 分域分析：招聘数量因子在成长股中表现更优 [page::3]

- 利用多种成长指标分域测试因子，均显示高成长域内招聘数量因子的IC值远高于低成长域。

- 高成长股票池多空对冲净值稳定度提升，IR从1.15提升至1.46。

- 高成长股票池多头组合相对全池表现优异，测试期内超额收益约15%。

• 招聘数量因子在高成长股票池的策略表现 [page::4]

| 绩效指标 | 多空对冲-全部股票池 | 多空对冲-高成长股票池 | 多头-全部股票池 | 多头-高成长股票池 |
|------------|----------------------|------------------------|-----------------|-------------------|
| 年化收益率 | 5.15% | 5.34% | 8.09% | 12.92% |
| 年化波动率 | 4.41% | 3.66% | 23.71% | 22.73% |
| 收益波动比 | 1.17 | 1.46 | 0.34 | 0.57 |
| 最大回撤 | 3.74% | 1.75% | 20.91% | 18.31% |
| 胜率 | 55.88% | 61.76% | 50.00% | 55.88% |

- 在高成长股票池下，多空对冲及多头策略收益、稳定性均明显提升，最大回撤较小，胜率有所提高。

- 高成长股票池与全股票池行业招聘偏离显著，大制造（化工、机械、电气）及大消费（汽车）行业招聘覆盖率提升，大科技（传媒）与大金融（房地产）下降。

• 研究总结及风险提示 [page::4]

- 行业集中招聘活动可能预示行业景气回升，新兴产业招聘信息活跃与选股表现优异相关联。
- 本报告基于历史数据构建模型存在失效风险，未来效果不保证。

《上市公司招聘数据的选股能力》报告详尽分析

---

1. 元数据与报告概览

• 报告标题：《上市公司招聘数据的选股能力 | 开源金工》

- 作者及团队：开源证券金融工程首席分析师魏建榕及其团队（研究员胡亮勇、盛少成等）

• 发布日期：2021年5月8日，报告原稿更新时间2021年5月12日

- 研究机构：开源证券金融工程研究所

• 研究领域：本报告聚焦另类数据中“招聘数据”的选股能力，特别针对中国股市（涵盖沪深300、中证500、中证800、全A股票池等主流指数）进行实证分析。

- 核心内容与结论：
- 招聘数据的覆盖率较高，尤其在沪深300中覆盖超过80%。
- 招聘数量因子（上市公司每月新增招聘广告总量）在成长股池（中证500、中证800）中展现更优的选股信息价值。
- 招聘数据反映行业和企业景气度变化，尤其在高成长性板块表现突出。
- 但招聘数量因子在全A市场表现波动较大，存在较明显的失效风险，直接应用效果不佳。
- 行业招聘活跃度存在结构性偏离，新兴科技板块整体招聘活跃明显高于传统周期性行业。
- 报告通过因子IC值、多空对冲净值、多头表现及各项风险指标全面验证招聘因子的有效性。

---

2. 逐节深度解读

2.1 摘要与数据覆盖（第0-1页）

• 关键论点：

- 招聘数据覆盖率高，特别是沪深300达到80%以上，中证500和中证800维持在70%-80%，而全A股票池覆盖率较低且呈下降趋势，疫情期间招聘数据整体明显减少。
- 招聘活跃度在行业间的差异较为显著：新兴科技板块招聘信息占比超过行业基准，传统大周期板块和部分制造业（例如化工）招聘占比偏低，大消费板块内的医药生物业招聘比例较高，金融板块各行业偏离不明显。

• 推理与假设：

- 招聘数据的覆盖度代表该信息的普及和代表性，是判断该另类数据作为选股信号基础。
- 疫情导致招聘需求减少，为招聘数量的波动提供宏观背景解释。
- 不同行业招聘信息的相对超配或低配反映了行业的景气差异和投资者关注的重点。

• 图1解读（招聘数据覆盖率曲线）：

- 图1呈现2018年4月至2021年2月不同股票池招聘数据的覆盖率趋势。
- 沪深300覆盖率稳定高位波动在80%-90%，中证500和中证800维持70%-80%，全A股票池从接近80%逐渐跌至60%以下，呈现下降趋势。
- 2020年初疫情尖峰期，各指数招聘覆盖率出现明显跌落，反弹后仍低于疫情前水平。此趋势说明宏观冲击对招聘数据影响明显。
- 数据来源为通联数据、Wind及开源证券研究所，确保了数据的权威性与可信度。

---

2.2 行业结构差异与招聘数据分布（第2页）

• 图2分析（行业分布比较柱状图）

- 图2对比了全A股票池中各行业的市占比（蓝色柱）和发布招聘信息的行业占比（红色柱）。
- 观察发现，机械设备、医药生物、汽车、电气设备等行业招聘信息占比出现正向偏离（红柱高于蓝柱），显示这些行业招聘更活跃。
- 反之，化工、钢铁、房地产等行业招聘比例低于基准，反映相对招聘冷淡。
- 新兴行业招聘数据呈现超配，传统周期行业招聘数量不足，符合技术和消费升级趋势。

• 招聘数量因子（定义与测试）

- 将每月新增招聘广告总量作为量化因子。
- 采用3分组（宽基指数）和5分组（全A）分组测试，做市值和行业中性化处理，剔除可能的规模和行业偏差。
- 调仓交易成本用双边0.3%，增加现实操作的严谨性。

• 图3解读（多空对冲净值曲线）

- 招聘数量因子在中证500和中证800表现较好，净值曲线走稳增长；
- 在沪深300和全A市场则表现不佳，尤其沪深300因子未来超额收益信息不足，全A市场甚至出现首年负收益。
- 此结果提示招聘因子选股能力受股票池及成长风格影响明显。

---

2.3 成长性分域分析（第3-4页）

• 分域假设与设计：

- 基于对成长性的理解，招聘需求反映企业扩张和生产资料需求，因此预期招聘数量因子在高成长企业中会有更好的选股表现。
- 使用多种成长指标（ROE、经营现金流、净利润、营业收入同比及环比增长等）进行分域测试，最终构建一个综合成长因子。
- 将股票池划分为高成长区和低成长区，验证招聘数量因子的差异化表现。

• 图4（不同成长指标下招聘数量因子的IC值）：

- 所有成长指标分域都显示高成长域IC值显著高于低成长域。
- ROE作为成长分域指标时，高成长区招聘因子呈正IC，低成长区呈明显负IC，信号分明。
- 这说明成长性越好，招聘数量因子对未来股价信息的预测力越强。

• 多空对冲净值（图5）与多头净值对比（图6）：

- 高成长股票池中招聘数量因子多空净值更为稳定，IR值由1.15升至1.46，反映信息比率提升。
- 多头净值曲线表明，高成长区多头组合持续跑赢整体多头组合，测试期内超额收益约15%。
- 这进一步验证招聘数量因子结合成长分域有较好的实用价值。

• 表1详细指标比较：

| 指标 | 全部股票池 | 高成长股票池 |
|----------------|------------|--------------|
| 多空对冲年化收益率 | 5.15% | 5.34% |
| 多空对冲年化波动率 | 4.41% | 3.66% |
| 多空对冲收益波动比 | 1.17 | 1.46 |
| 多头年化收益率 | 8.09% | 12.92% |
| 多头年化波动率 | 23.71% | 22.73% |
| 多头收益波动比 | 0.34 | 0.57 |
| 多头最大回撤 | 20.91% | 18.31% |
| 胜率 | 50.00% | 55.88% |

- 在高成长池中，多头策略收益率提升超过4个百分点，波动率略有下降，整体表现更优。
- 胜率升高，表明策略胜率及稳定性提升。
- 数据经过市值、行业中性化处理，剔除偏差影响。

• 图7（行业偏离柱状图）：

- 镜像呈现高成长域与全域相比，不同行业招聘信息覆盖度的相对差异。
- 显著表现为化工、机械、电气设备等大制造行业的招聘信息高覆盖；汽车行业招聘同比提升明显，反映互联网巨头积极进入造车领域的现实。
- 同时，传媒行业招聘明显减少，房地产行业招聘覆盖持续下降，契合政策调控和产业环境变化。
- 此图体现了招聘因子在行业分布上的动态变化及其投资潜力。

---

3. 图表深度解读

• 图1（招聘数据覆盖率走势图）

- 展示2018年至2021年不同股票池的招聘数据覆盖率动态。
- 体现招聘数据覆盖广度及疫情影响等宏观变化。
- 支撑招聘数据具有代表性，但全市场覆盖率较低限制了因子使用范围。

• 图2（行业结构招聘信息对比）

- 反映了招聘信息相对于市场基准在不同行业的溢价或折价。
- 明确指出了新兴行业超配，传统行业低配的行业招聘结构。

• 图3（招聘数量因子多空净值）

- 多空组合表现检验了招聘数量因子作为选股信号的有效性。
- 结果揭示行业和风格差异对因子的影响，表明需针对特定投资域做策略设计。

• 图4（成长性分域下招聘数量因子IC值）

- 量化展现了不同成长性分域下招聘数量因子的预测能力分布。
- 定量支持招聘因子在高成长领域的独特价值。

• 图5（招聘数量因子多空净值对比，高成长vs.全市场）

- 直观点展示了因子在高成长股票池的稳定性和信息比率提升。

• 图6（多头净值表现对比）

- 描绘招聘因子多头组合在高成长股票池实现的显著超额收益。

• 表1（详细策略表现指标比较）

- 数值清晰表明了高成长股票池招聘数量因子的优越表现，结合多指标评估策略风险收益平衡。

• 图7（高成长池行业招聘覆盖率偏离）

- 展现了策略覆盖下行业招聘活跃度的结构性变化，与实际产业动态吻合。

---

4. 估值分析

本报告不涉及传统的估值模型如DCF、P/E等，而是通过因子检验、多空组合回测、IC值和信息比率等量化指标来衡量“招聘数量因子”作为选股因子的有效性和投资价值。因子应用侧重于风格和行业分域以提升信号质量和超额收益，不同股票池的因子表现差异明确指导了策略应用范围。

---

5. 风险因素评估

• 因子失效风险：招聘数量因子在全A股票池和沪深300表现波动，特别2018-2019年出现负多空收益，提示因子可靠性在不同市场环境存在差异。

- 宏观经济影响：疫情等突发事件导致招聘数量剧烈波动，对因子信号产生短期干扰。

• 数据覆盖与质量限制：全市场招聘信息覆盖不足及部分行业招聘行为的稀缺性，可能影响因子的普适性。

- 行业结构变化风险：行业内招聘活跃度偏差随时间变化，且受政策调控（如房地产）影响显著。

• 缓解策略：通过成长性分域缩小样本范围，剔除行业与市值干扰，提高信号稳定性。策略多空对冲及市值行业中性化处理也有效缓冲波动。

---

6. 批判性视角与细微差别

• 报告整体逻辑严谨，实证数据充分，但招聘数量作为“单一维度”的因子仍有一定局限性，其信号的强度和稳健性依赖于市场环境及行业周期。

- 因子在不同股票池表现差异较大，说明模型应用需谨慎，不可盲目全市场使用。

• 报告未详细披露招聘数据获取的具体渠道及其数据清洗过程，可能存在数据偏差风险。

- 招聘信息的时效性与实际用工需求存在滞后和预期差，模型假设招聘增加直接映射未来业绩增长，存在一定简化。

• 图表多以IC值和净值表现为依据，缺少多因子联合比较，未充分剖析招聘因子与其他因子的关联性和独立信息量。

- 报告呼吁谨慎使用，强调历史数据不代表未来表现，体现科学态度。

---

7. 结论性综合

本报告系统评估了上市公司招聘数据特别是“招聘数量因子”在中国股市中的选股能力，得出以下几条深刻见解：

• 招聘数据覆盖度高，尤其在核心指数（沪深300、中证500、中证800）覆盖率超过70%-80%，但随着市场上市公司数量增加，全市场覆盖率下降且受疫情影响显著。

- 招聘信息的行业结构分布显著偏离，反映了新兴行业（科技、医药、汽车）招聘活跃度高于传统周期行业（化工、钢铁、房地产），显示招聘数据对行业景气度的潜在指示作用。

• 招聘数量因子具备基本选股能力，在成长性分域中表现更佳。高成长股票池内部该因子信息比率提升至1.46，纯多头策略测试期内累计超额收益达15%，表明招聘信息对高成长公司业绩预期具有较强的预测意义。

- 不同行业招聘覆盖的差异与当前产业动态及政策环境高度吻合，增加因子解释力和实用性。

• 全市场招聘因子表现波动较大，应结合成长性等分域指标使用，避免盲目广泛应用。

- 组合策略风险调整后表现稳健，回撤控制优异，胜率适中，体现招聘数据因子的潜在投资价值。

综上，报告主张在量化投资策略中，可借助招聘数据尤其是招聘数量作为另类数据维度，重点关注高成长企业和成长行业以挖掘潜在超额收益。报告图表丰富、数据详实（如图1至图7及表1），论证充分，体现招聘数据从单纯信息覆盖至深度因子挖掘的完整分析框架，是理解并打造基于另类招聘数据量化选股决策的重要参考。[page::0,1,2,3,4]

---

附录：关键图表及数据视觉溯源

• 图1 招聘数据覆盖率趋势

• 图2 行业招聘信息分布对比

• 图3 招聘数量因子多空净值表现

• 图4 成长分域下招聘因子IC值

• 图5 多空对冲净值（高成长vs.全域）

• 图6 多头净值对比（高成长vs.全域）

• 图7 高成长股票池行业招聘覆盖偏离

---

以上为报告的详尽剖析，结合文本和图表数据全面解读了招聘数据作为另类数据的选股价值与限制，供量化投资实务及学术研究参考。

报告