1. 另类数据定义与价值体现 [page::0][page::4]

• 另类数据指传统财务与量价数据之外的第三方提供的新型信息，具备更及时且海量的特点。

- 品牌忠诚度被视为无形资产，反映消费者为品牌支付溢价的意愿，对投资选股具有alpha价值。

2. 网络抓取与字典化技术介绍 [page::4][page::5]

• 通过网页抓取技术与字典化方法，转化网页上的品牌引用频率数据，规避版权风险。

- 利用大规模工业带宽和工程设计，提取公开数据形成稳定的品牌曝光信号。

3. 引用率与市值及行业关系实证分析 [page::6]

• 全市场中公司引用率与市值相关性弱，但消费者服务行业内两者正相关显著。

4. 网络曝光度与信号相关性以及行业差异 [page::7]

• 可选消费品等服务行业网络曝光度与营收强相关，信号稳定性高。

- 技术类产品多为售后支持曝光，信号相关性较弱。

• 表1和表2显示高引用率公司引用率与营收高度相关，低引用率公司相关性较低。

5. 品牌忠诚度因子实证及组合表现 [page::8][page::9]

• 将股票按品牌引用率增速分五等分，构建前1/5与后1/5组合，长期累计净值差异显著。

- 网络曝光度信号具有持续14-90天的alpha效应。

6. BrandLoyalties 500增强组合构建与业绩表现 [page::9]

• 以美国市值最大500只股票构建基准组合SN 500，权重下调50%。

- 对网络曝光度排名前五等分股票分别调整权重至2倍、1.5倍及原权重，季度再平衡。

• 2012年5月-2017年9月，BrandLoyalties 500组合实现年化超额收益138bps（17.66% vs.16.28%），累计超额收益101美元。

7. 风险提示 [page::10]

• 市场系统性风险、模型失效风险及跨市场结构差异风险需重点关注。

报告详尽分析报告

——《量化研究新思维（十八）——另类数据在投资中的运用》
分析师：冯佳睿
发布机构：海通证券研究所
日期：2020年2月14日

---

1. 元数据与报告概览

标题： 《量化研究新思维（十八）——另类数据在投资中的运用》
作者及联系方式： 冯佳睿，海通证券研究所，电话(021)23219732，邮箱 fengjr@htsec.com
日期： 2020年2月14日
主题： 探讨基于“另类数据”尤其是网络抓取（web scraping）技术所获得的品牌忠诚度等信息，用于提升投资决策效率和产生超额收益的研究。

核心论点：
报告强调“另类数据”作为传统财务报表及量价数据之外的新兴数据源，尤其以网络曝光度（引用率、品牌忠诚度）为核心信号，能够为投资者提供预示公司未来营收的领先信息，进而提升选股的alpha收益。文中详细论述通过网络抓取技术结合字典化方法避免版权问题，实时捕捉品牌引用率变化，形成高效投资因子以及具体投资策略，展示其在实际投资组合中的超额收益表现。
评级与目标价： 本报告为专题研究文章，未涉及具体评级及目标价。作者旨在传达另类数据可为投资带来差异化信号，强调方法、实证与应用示范。

---

2. 逐节深度解读

2.1 引言与另类数据定义

报告首先明确“另类数据”定义为除传统数据外由第三方生产的、更加及时的大数据，来源于互联网、传感器、卫星、GPS等，通常具备庞大的数据量及结构复杂性，需要高端自动化采集与解析系统。
这部分为下文建立基础场景，说明数据获取与处理的挑战性，为选择网络曝光度这一信号主题铺垫。[page::0][page::4]

2.2 品牌忠诚度（章节2）

品牌忠诚度被强调为早期被认可的无形资产，反映消费者支付溢价的意愿，代表公司竞争壁垒及顾客粘性，且具有显著的商业价。这一点由富达彼得·林奇管理的麦哲伦基金历史案例支撑——品牌忠诚度被视作选股的核心指标，基金年化收益超过29%。此外，Jack Treynor将品牌忠诚度转化为经济学上的顾客溢价意愿指标，使用竞争对手销售额变动作为代理变量。
投资者由此意识到品牌忠诚度的动态变动可能领先财报并成为alpha来源，因此需要高效统计工具。[page::0][page::4]

2.3 网络抓取与字典化技术（章节3和4）

网络抓取海量品牌引用数据面临版权合规风险，投资经理倾向长期数据以便趋势把握及回测策略。字典化技术（通过反汇编、合并、排序等处理将原始网页数据转化为公开可用的词频统计）有效规避版权争议，同时具备数以千亿计数据的检索能力。
该技术有助精准捕捉品牌关键词出现频率，避免语义情绪分析的噪声及法律风险。该技术需要强大IT资源，确保样本统计的无偏估计及纠偏网络带宽波动带来的采样误差。此外，维护品牌映射的实时更新是保障数据时效性的关键。报告提及20ZB级网络数据规模，突出原始数据的海量和抓取挑战。[page::0][page::4][page::5]

2.4 引用率与行业、市值关系（章节5）

引用率（品牌网络被搜索或浏览频率）与公司客户互动程度及客户规模密切相关，从而与行业及市值高度绑定。

• 图1中“所有行业散点图”显示整体引用率与市值间关系非常微弱且平坦，暗示各行业间引用率差异大。

- 图2消费者服务行业独立绘制，则显著看出引用率与市值正相关，表现为客户规模扩展带来的网络曝光度增长。
作者推断：引用率的主要决定因素是公司业务领域，行业内客户数量则影响引用强度，因此投资者使用该指标时须行业细分。[page::5][page::6]

2.5 网络曝光度与营收信号相关性（章节6）

网络曝光度随行业不同，和营收的相关性也差异明显。作者引入“信号相关性”指标，即最近8个季度引用率和营收的相关系数。

• 图3展示各行业日引用量与信号相关性的散点关系，反映不同板块曝光度是否成为营收的强信号。可选消费品行业（餐饮、零售、服装等）曝光度与营收高度相关，而科技硬件（因售后支持引用多）与重工业等行业相关较弱或为负。

- 表1列举引用率与营收相关系数高（>80%）的行业代表企业，如DSW、诺德斯特龙、赫兹等主要零售及服务型企业，体现品牌曝光率可作为营收的前瞻指标。

• 表2显示低相关系数的企业多为医疗保险、制药及计算机服务行业，说明这类企业的网络引用度不能有效预测营收。[page::7][page::8]

2.6 另类数据因子的实证及组合构建（章节7-8）

作者利用“品牌忠诚度”网站（BrandLoyalties）的滚动91天引用率增长数据，将股票分为五等分，按季度更新，检验其前后五分之一组合的累计净值差异（图4）。
结果显示，前1/5组合净值显著优于后1/5和Russell 3000指数基准，表明高引用率增速股票具有持续alpha。alpha效应可持续约14-90天，说明数据在短期交易中有效。
在实际大盘股组合中，作者创建SN 500指数（美国市值最大500股，市值加权）作为基准，设计了BrandLoyalties 500增强组合：将所有股票权重减半，再对得分排名前35%（前三五分之一）股票权重依次乘以2、1.5并还原权重，季度再平衡以避免幸存者偏差。
图5显示2012年5月至2017年9月5年期间，该增强组合实现138bps年化超额收益（17.66%对比16.28%），累计超额收益101美元，明确体现了另类数据因子的实际应用价值。[page::8][page::9]

2.7 总结与风险提示（章节9-10）

报告总结，随着市场有效性的提升，传统信息优势减弱，另类数据成为未来重要的alpha来源。尽管数据采集分析工程复杂且带来版权及噪声挑战，基于网络曝光度的品牌忠诚度信号通过规范的数据字典、映射更新和大数据工程技术，能提供领先信息，产生实质 alpha收益。该研究树立了从海量数据中提取战术性投资信号的典范。
风险提示涵盖：市场系统性风险、模型失效风险、以及海外和国内市场结构差异风险，警示读者需警惕模型适用边界和环境变化对结果的影响。[page::9][page::10]

---

3. 图表深度解读

图1 引用率 vs. 市值（所有行业）

• 说明：展示不分行业的所有公司每日引用率（千次）与市值（十亿美元）关系，散点图加回归线。

- 解读：数据点广泛分布，无明显趋势，回归线斜率近乎平坦，表明所有行业综合下引用率与规模相关性不显著。主要由于高引用行业与低引用行业混杂。

• 连结文本：呼应行业显著影响引用率的主张，暗示投资者在用引用率做分析时必须细分行业。[page::6]

图2 引用率 vs. 市值（消费者服务行业）

• 说明：取自消费者服务行业，仅限服装零售和餐饮等子板块，展示引用率与市值关系。

- 解读：显著正相关，回归线斜率明显且向上，说明在同一行业内，公司越大（客户群越多），品牌被引用频率越高。展示行业属性主导引用率。

• 连结文本：支持作者论断，行业分类助力甄别信号质量，是因果关联成立的前提条件。[page::6]

图3 引用曝光度 vs. 信号相关性（按行业）

• 说明：纵轴为平均日引用量（引用率），横轴为8季度引用率-营收的相关性（信号相关性）。图上标注各行业。

- 解读：可选消费品行业（餐饮、服装、特产食品、百货等）处于右上方，意味着高引用和高营收相关。计算机制造业尽管引用量高，但相关性为负，因多引用为售后技术支持，无助于营收预测。银行、电信等行业属于中间。农药化学等行业处于左下方，引用量低且相关性小。

• 连结文本：图示行业差异根源于业务模式和客户互动程度，影响网络指标的经济信号质量。[page::7]

图4 BrandLoyalties的前后1/5组合累计净值

• 说明：将股票按引用率增速划分五等分，绘制最高1/5、全部、最低1/5以及Russell 3000指数的累计净值曲线，时间区间2008-2017。

- 解读：最高1/5组合净值明显优于其他组合及基准，收益差异稳定且显著，体现网络曝光度信号具持续alpha能力。整个株群表现也优于市场，表明该数据覆盖股票整体质量较好。

• 连结文本： empirically证明网络曝光度因子在传统量化框架中可被利用且价值显著。[page::8]

图5 BrandLoyalties 500 vs. SN 500

• 说明：美国市值最大500支股票构建SN 500指数，对其进行BrandLoyalties基于曝光度得分的权重调整后构成BrandLoyalties 500组合，时间为2012至2017年。

- 解读：BrandLoyalties 500表现优于SN 500，尤其后期收益差额扩大，成效显著。年化超额138bps，对应累计超额101美元，体现字典化映射数据成功转换为实用量化alpha因子。

• 连结文本：论证了即使数据覆盖度不全，通过门槛加权策略仍能实现明显超额收益，策略实用性强。[page::9]

---

4. 估值分析

本报告为方法论和量化因子研究报告，没有涉及传统估值（如DCF、PE等）模型构建和目标价。重点在于另类数据采集、指标构造和因子实证。组合构建主要运用市值加权调整权重及等分排名策略，体现量化投资方法的斜率调整和风险控制思想。

---

5. 风险因素评估

报告重点强调以下风险：

• 市场系统性风险： 无论信号多强，整体市场环境剧烈波动时，策略表现可能不佳。

- 模型失效风险： 数据和模型基于历史相关性，未来可能因市场结构等改变使模型失效。

• 海外与国内市场结构差异风险： 报告数据及策略主要基于美国市场，直接迁移到国内市场可能受限。

- 合规风险： 数据版权及隐私法律可能制约数据的持续采集和使用。

报告未详细列出缓解措施，但强调了符合法律及持续更新字典的必要性，有助降低部分风险。[page::0][page::10]

---

6. 批判性视角与细微差别

• 报告高度依赖网络采集的“引用率”作为核心指标，未涉及多维度数据融合或交叉验证，单一指标可能存在表征偏差。

- 数据字典和品牌映射的维护是核心瓶颈，任何滞后或错配均可能影响信号有效性，报告对此环节虽有提及但讨论有限。

• 报告强调“品牌忠诚度”对营收等财务数据的预测性，但某些行业（如科技、医药）因引用多为售后支持或政策相关，信号实际价值有限，说明信号适用范围有限。

- 组合超额收益虽明显，但年化超额仅约1.38%，在实际投资中需考虑交易成本和滑点。

• 由于分析由量化模型自动计算，缺乏主观审视，可能忽略市场环境变化对因子有效性的影响。

- 报告建议谨慎将此类模型应用于国内或其他不同市场，体现一定的自我限制意识。[page::9][page::10]

---

7. 结论性综合

本报告系统地展现了以“品牌忠诚度”为核心的另类数据研究框架及应用价值。通过IT大数据采集、字典化处理、品牌映射和信号提取，搭建起一个大数据至alpha因子的闭环。重要发现包括：

• 传统财务报表之外，网络曝光度能反映消费者行为变化，并且多数高信号行业（特别是可选消费品领域）中，引用率与公司营收高度相关，网络数据领先于财报数据给投资者带来时效优势。

- 行业属性是引用率差异的决定因素，在同一行业内客户规模带来引用率强正相关，提示投资者运用时应细分行业落实因果关系。

• 字典化技术有效规避版权风险，同时支持实时大规模数据抓取与处理，使基于大量非结构化数据提取信号的投资策略成为可能。

- 实证验证显示：基于引用率增长排序构建的股票组合，特别是前1/5组合获得显著领先的风险调整后收益，较标准市场指数表现稳定。

• 在美国市值最大500股票构建的组合中，基于品牌曝光度的权重调整策略实现了约138bps的年化超额收益，累计超额收益明确证明了该策略的实用性和投资价值。

- 报告提示存在市场系统性风险、模型失效等风险，且该模型结构和数据主要适用于美国市场，迁移风险需要谨慎对待。

综上，报告体现另类数据在量化投资中开拓的新方向，强调通过精细化的大数据工程方法实现传统信息体系之外的alpha捕获。图表逐步验证了从行业差异、信号相关性到实证组合的连贯逻辑，展示了从原始网络大数据到可交易策略的转化过程，具有较强的理论及实务参考价值。[page::0-10]

---

主要图表示意

---

综上，报告全面论述了“另类数据”尤其是网络曝光度作为品牌忠诚度指标的投资价值，彰显了通过高端大数据技术及量化策略设计，能够为投资管理带来区别于传统财务分析的新alpha来源，值得关注与借鉴。[page::0-13]

报告