• 供应链动量因子的理论基础与数据来源 [page::0][page::2]

- 供应链动量溢出效应基于市场非完全有效性，信息及基本面通过供应链传导存在时滞，导致股价收益关联且具预测能力。
- 秩鼎公司提供的供应链数据覆盖4000+A股，数据质量依托AI抓取与人工复核，交易金额加权计算供应链关联度权重。

• 供应链动量因子构建与单层级测试结果 [page::3][page::5][page::6]

- 通过RankIC测试显示，客户动量因子比供应商动量因子更具稳定性和显著性，最佳交易日窗口约80日。
- 客户关联度加权动量因子分位数测试结果表明，Top组合年化收益达18.73%，Sharpe比率达0.67，分位收益和多空组合表现优异。
| 组别 | 总收益 | 年化收益 | 年化波动率 | 最大回撤 | 平均换手 | 夏普比率 | 卡玛比率 |
|-------|----------|-----------|------------|------------|------------|-----------|-----------|
| Bottom| 10.88% | 2.62% | 23.99% | -44.52% | 246.35% | 0.0257 | 0.0587 |
| Top | 98.71% | 18.73% | 25.00% | -39.42% | 268.44% | 0.6691 | 0.4751 |
| L-S | 79.48% | 15.74% | 6.41% | -6.46% | / | 2.1428 | 2.4387 |

• 双层供应链动量因子提升预测效果 [page::6][page::7][page::8]

- 引入第二层供应链后，因子RankIC的t统计量提升，所有客户动量指标t统计量均超过2，IC均值明显改善。
- 双层客户动量分位数测试显示Top组合年化收益19.46%，Sharpe比率0.70，最大回撤低于单层模型。
| 组别 | 总收益 | 年化收益 | 年化波动率 | 最大回撤 | 平均换手 | 夏普比率 | 卡玛比率 |
|-------|-----------|-----------|------------|------------|------------|-----------|-----------|
| Bottom| 11.90% | 2.85% | 23.97% | -41.99% | 267.55% | 0.0355 | 0.0679 |
| Top | 103.68% | 19.46% | 24.79% | -37.25% | 273.10% | 0.7044 | 0.5225 |
| L-S | 81.75% | 16.11% | 6.87% | -5.71% | / | 2.05 | / |

• 供应链动量因子与传统动量及大类因子的相关性分析 [page::8][page::9]

- 供应链客户动量因子与传统动量因子相关性约20%，与其他大类因子相关性低于5%，显示其独立性和补充性。
- 短期内（80个交易日内）供应链动量因子IC值大幅优于主体公司自身动量因子。
| 指标名称 | 40 | 60 | 80 | 120 | 160 | 200 |
|--------------------|-------|-------|-------|-------|-------|-------|
| 主体公司动量 | 1.45 | 1.26 | 1.22 | 1.41 | 1.48 | 1.41 |
| 客户关联度加权动量 | 2.02 | 1.96 | 2.79 | 1.21 | 0.88 | 0.83 |
| 双层级客户动量 | 2.02 | 2.44 | 2.73 | 1.50 | 1.00 | 0.87 |
| 供应商关联度加权动量| 1.26 | 1.00 | 1.86 | 0.70 | 0.33 | 0.96 |
- 相关系数矩阵显示客户动量与成长因子稍正相关，与其他因子均负相关，适合组合降低风险。
| 因子 | 客户动量因子 | 双层级客户动量因子 | 动量因子 | 成长因子 | 情绪因子 | 价量因子 | 价值因子 |
|-----------------------|-------------|------------------|----------|----------|----------|----------|---------|
| 客户动量因子 | 1.0000 | 0.8589 | 0.1800 | 0.0406 | -0.0081 | -0.0196 | -0.0477 |
| 双层级客户动量因子 | | 1.0000 | 0.2087 | 0.0368 | -0.0114 | -0.0160 | -0.0406 |
| 动量因子 | | | 1.0000 | 0.2569 | -0.0699 | 0.0435 | -0.2016 |

• 供应链动量选股策略实证回测 [page::9][page::10][page::11]

- 在沪深300、中证800和中证1000不同股票池中，采用双层客户动量因子选股策略，均显著跑赢基准指数。
- 策略表现（样本外）：
- 沪深300年化收益10.51%，超额收益约9.65%，夏普比0.38，最大回撤显著小于基准。
- 中证800年化收益11.08%，超额收益约10.54%，夏普比0.40，风险控制良好。
- 中证1000年化收益5.06%，超额收益约5.97%，夏普比0.12，表现稳定。
| 区间 | 类型 | 总收益 | 年化收益 | 年化波动率 | 最大回撤 | 夏普比率 | 卡玛比率 | 换手率 |
|--------|----------|----------|-----------|------------|------------|-----------|-----------|------------|
| 沪深300| 策略收益 | 54.18% | 10.51% | 22.11% | -23.28% | 0.38 | 0.45 | 216% |
| | 指数收益 | 3.76% | 0.85% | 20.84% | -31.40% | -0.05 | 0.03 | / |
| 中证800| 策略收益 | 57.70% | 11.08% | 22.49% | -19.59% | 0.40 | 0.57 | 233% |
| | 指数收益 | 2.38% | 0.54% | 20.68% | -26.92% | -0.07 | 0.02 | / |
| 中证1000| 策略收益| 23.87% | 5.06% | 25.82% | -41.11% | 0.12 | 0.12 | 246% |
| | 指数收益 | -3.86% | -0.90% | 24.47% | -42.27% | -0.12 | -0.02 | / |

【招商定量 深度报告巡礼之二十三】基于供应链动量溢出效应的选股策略——详尽分析报告

---

一、元数据与报告概览

• 报告标题： 《基于供应链动量溢出效应的选股策略》

- 作者及发布机构： 招商定量研究 招商定量任瞳团队

• 发布时间： 2024年9月20日

- 研究主题： 利用供应链关联度数据，在A股上市公司间构建供应链动量因子，挖掘供应链动量溢出效应，并基于此构建量化选股策略。

核心论点总结

报告在A股市场通过秩鼎公司提供的高覆盖度供应链数据，构建单层级和双层级供应链动量因子，深入验证其对股票未来收益的预测能力，特别强调客户动量因子的预测表现优于供应商动量因子。通过RankIC和分位数测试等多维度指标，对供应链动量溢出效应及其稳定性进行了严谨分析，最终设计了基于双层客户动量因子的选股策略，在沪深300、中证800、中证1000等多个样本池的回测中取得显著超额收益，表现出模型的稳健性及广泛适用性。

报告提示风险包括政策和市场环境变化可能导致模型失效，不构成直接投资建议。[page::0,11,12]

---

二、逐节深度解读

1. 研究背景（页0-1）

• 核心观点： 公司间通过供应关系等非完全独立存在，供应链网络构成了公司间的经济纽带。供应链中产品、价值和信息的流动决定了公司基本面和股价表现间存在内在联系。引用历史学术成果（Cohen和Frazzini 2008、Shahrur等 2010、Yamamoto等 2021）进一步支持供应链关联股价存在滞后传导的动量效应，投资者由于注意力有限，供应链动态没被立即完全反映到价格，产生alpha机会。
• 数据痛点说明： 供应链数据因信息敏感性披露不足，存在覆盖度低、偏倚风险。报告重点介绍秩鼎公司通过反向披露、股权穿透等技术提升数据质量和覆盖度，提供大量覆盖A股及其他市场企业的供应链关联数据。[page::0,1]

2. 供应链数据介绍（页2-3）

• 数据源说明： 秩鼎公司利用AI、机器学习和NLP技术从公告、招中标文件、审计报告等多渠道抓取并人工复核，保证数据真实性及溯源。
• 覆盖规模： 覆盖4000+ A股、2000+港股、100+美股等企业，日度更新，数据包含交易标的、时间、金额、币种、收入/支出比例等丰富字段。
• 供应链关联度计算方法： 根据主体公司与供应商或客户间披露的年度交易金额，结合权益比例加权并引入时间折算系数计算关联度，具体计算体现供应链上下游关联强度权重，最大支持多年度数据累积，赋以不同比重，反映交易金额时效性和对主体公司的实际影响程度。年度折算系数：当前年100%，逐年递减，体现信息时效性。
• 图表说明：

- 图2展示了供应链数据的六大特性模块，包括实体识别、股权穿透、精准溯源、反向披露及丰富字段等。
- 图3描述数据采集自动抓取—人工复核—指标合成的完整流程，保障数据质量。[page::2,3]

3. 供应链动量因子的构建与测试（页3-7）

3.1 理论基础

• 基于供应链动量溢出效应的两大核心条件：

1. 供应链关联企业股价收益存在相关性，基于Ali和Hirshleifer（2020）方法实证，展示主体公司营收的季度同比增长率与其供应商及客户的营收增长率显著正相关，体现供应链上下游基本面联动。
2. 信息冲击沿供应链传导存在时滞，投资者有限注意力导致供应链相关公司股价对信息反应滞后。通过历史案例说明供应链信息从客户公司传导到供应商公司涉及时间延迟，体现动量溢出效应的现实逻辑。

3.2 RankIC测试与分位数测试（单层级）

• RankIC测试（表3）解读：

- 多个交易日窗口（40至140日）下，客户关联度加权动量因子表现出较好正相关性，t统计量多数超过2，均值IC约2%-3.5%。
- 供应商动量因子表现略弱，t统计量较少且幅度较低，显示客户对主体公司的动量溢出贡献更强。
- 市值最大的关联公司动量因子与加权动量效果接近，暗示市值越大投资者关注度越高，信息传导越有效。

• 分位数测试（表4 & 图15）解析：

- 将客户关联度加权动量因子分为5组，Top组年化收益达18.73%，远高于Bottom组2.62%，多空组合收益率达15.74%，夏普高达2.14，表示因子具备较强的选股能力及收益区分度。
- 净值曲线清晰体现组合收益差异，Top组合持续跑赢Bottom组合，说明动量因子具备稳健的市场表现。

3.3 多层级供应链动量因子（双层级）

• 理论引入Lee等(1997)牛鞭效应现象，订单信息逐层传导并产生波动放大和延迟，强调多层供应链信息对股价的影响有其经济学基础。

- 参考Yoshino(2020)、Yamamoto(2021)等实证研究，双层级动量因子优于单层级，原因依然是投资者有限关注加剧了层级间信息的滞后。

• RankIC测试（表5）解读：

- 双层客户动量因子较单层增加了IC平均值与t统计量，所有指标t统计量均超过2，显著提升了预测能力和稳定性。
- 双层供应商动量因子IC及t值也有所提升，但整体仍弱于客户动量因子。

• 双层客户动量分位数测试（表6 & 图19）解读：

- Top组合年化收益19.46%，多空组合收益16.11%，显著高于单层，最大回撤也有改善，显示多层级因子带来更强和更稳定的alpha能力。

4. 大类因子的相关性分析（页8-9）

• 与传统动量因子对比（表8）：

- 短期内（40至80交易日），供应链动量因子（尤其客户关联度加权）表现优于传统主体公司自身动量。
- 长期动量效果下降，主体公司自身动量稳定，表明供应链动量捕捉了短中期的信息传递动态。

• 与其他风格因子相关性（表9）：

- 客户动量因子与双层客户动量相关性高（约0.86）。
- 与传统动量因子相关性约20%，与成长、情绪、价量及价值因子相关性均不足5%。
- 该低相关性表明供应链动量因子不能被大类风格因子解释，具备独特性，有利于组合多样化和风险分散。

5. 选股策略构建与回测（页9-11）

• 多样本池适用性测试：

- 选取沪深300、中证800、中证1000三个不同代表性股票池，分别使用基于双层客户动量因子的选股模型。
- 每期分别选择因子值最高的30/80只股票，等权持仓，季度调仓。

• 回测结果亮点：

| 股票池 | 策略多头年化收益 | 基准指数年化收益 | 夏普比率(策略) | 最大回撤(策略) | 超额收益 |
|---------|----------------|--------------|-------------|--------------|---------|
| 沪深300 | 10.51% | 0.85% | 0.38 | -23.28% | +9.65% |
| 中证800 | 11.08% | 0.54% | 0.40 | -19.59% | +10.54% |
| 中证1000 | 5.06% | -0.90% | 0.12 | -41.11% | +5.97% |

- 策略的年化波动率与基准相当或略高，但最大回撤明显优于基准，表明风险控制有效。
- 多样本池的样本内外均表现出策略的稳定性和显著的超额收益，说明因子及策略具有较强的泛化能力。
- 图20、21、22显示策略净值曲线连续向上，超额收益累积稳健，回撤有限。

---

三、图表深度解读

• 图1 波特五力分析框架（页1）

展示主体公司与供应商及客户的议价能力在行业竞争格局中的作用，直观体现供应链经济协调的重要性，以及动量可能沿供应链传导的理论基础。

• 图2 秩鼎供应链数据特征（页2）

多维度展示数据覆盖、识别能力和数据处理能力，强化数据质量保障，提高因子构建基石稳固性。

• 图3 数据处理流程（页2）

自动抓取—人工复核—指标合成，体现科学严谨的交叉验证及人工把控机制，保证研究结果的准确和可复现。

• 表2 供应链关联度计算方法（页3）

深入解析供应商和客户关联度的权重计算公式与处理规则，体现模型背后的严谨定量方法。

• 图11 基本面相关性回归结果（页3）

回归系数显示主体公司营收增长与供应商和客户的增长高度相关，R²约0.2，表明经济基本面在供应链中有显著传导。

• 图12-13 信息面冲击的传导案例（页4）

以境外和A股的实际案例，直观展示客户公司业绩预增后供应商股价相应上涨的动态，验证信息滞后传导存在。

• 表3 RankIC测试（页5）

定量呈现客户动量因子优于供应商动量，交易窗口以80个交易日表现最佳，关键指标显著。

• 表4 & 图15 分位数测试（页6）

客户加权动量因子分组表现突出，多空组合夏普高达2.14，展示因子的较强挑选能力和风险调整后收益。

• 图16 牛鞭效应示意图（页6）

显示订单信息在供应链各层级传递时放大与延迟，为多层级动量因子构建提供理论支持。

• 表5 双层RankIC测试（页7）

双层动量因子多项指标超过单层，客户动量双层效果显著提升，显示多层级供应链信息容纳更多alpha。

• 表6 & 图19 双层客户动量分位数测试（页7-8）

组合性能较单层更优，年化收益及夏普均提升，体现多层级因子增强选股实用性。

• 表8 传统动量与供应链动量对比（页9）

短期内供应链动量因子显著优于传统动量，强调其短期信息挖掘能力。

• 表9 相关性矩阵（页9）

客户动量与其他大类因子相关性极低，突出其独立贡献价值。

• 表10-12 沪深300、中证800、中证1000回测指标（页9-11）

系统展示不同样本池中策略收益、波动率、回撤及夏普指数，验证策略的风险调整后优越性。

• 图20-22 净值曲线与超额收益图（页9-11）

形象表达策略与基准指数的绝对与超额收益走势，特别强调样本外的稳定表现。

---

四、估值分析

本报告主要聚焦于因子构建及选股策略回测，未涉及详细估值模型（如DCF、市盈率法等），重点体现供应链动量因子的统计预测能力与实证表现。报告强调因子在量化选股框架下的策略收益及风险特征，估值层面留待后续深入研究和应用。

---

五、风险因素评估

• 模型风险： 由于基于历史数据建立模型，政策调整、市场结构变化或数据披露变动均可能导致模型失效。

- 数据风险： 尽管采用严谨的数据采集与复核流程，供应链数据本身受限于上市公司披露意愿及数据完整性，仍存在偏差风险。

• 投资执行风险： 报告明确不构成投资建议，实际操作需进一步结合投资者风险承受能力和市场环境分析。

报告未详细说明缓释策略，但对模型边界和适用性有较为充分的风险提示。[page::0,11,12]

---

六、批判性视角与细微差别

• 数据样本偏差可能存在： 尽管秩鼎数据覆盖广泛，部分中小企业供应链信息披露可能不足，可能导致样本偏倚影响模型泛化。

- 时间窗口选择敏感性： IC测试显示交易日窗口对模型效果影响较大，可能需要动态调整不同市场阶段窗口参数。

• 双层供应链数据进一步扩展的潜力未充分体现： 报告主要聚焦双层供应链，未来增加层级及交叉关联分析可能进一步增强预测能力。

- 策略样本外表现出现部分负收益或波动： 回测期间样本外成交回撤有所放大，提醒投资者实际使用时需警惕策略回撤风险与市场极端环境。

总体来看，报告保持了严谨的研究态度，逻辑充分，数据和实证检验充分，且对潜在风险有清晰识别。[page::3,6,7,11]

---

七、结论性综合

本报告基于秩鼎公司提供的高覆盖度供应链数据，系统揭示了供应链动量溢出效应，并具象化为单层与双层供应链动量因子，特别强调了客户侧供应链动量因子在预测上市公司股价未来收益中的重要作用。实证分析显示：

• 上游供应商和下游客户间的基本面和信息传导机制，导致供应链关联企业间存在显著的股价收益相关性，并且存在投资者注意力不足导致的价格调整滞后。

- 双层级供应链动量因子较单层因子在IC测试中组成了更稳定有效的信号，减少模型对参数波动的敏感性，提升统计显著性。

• 供应链动量因子与主流大类因子相关性低，具有独特的市场信息和alpha来源。

- 通过在沪深300、中证800、中证1000股票池的系列回测，基于双层客户动量因子构建的选股策略表现优异，超额收益显著，且夏普比率、最大回撤均优于各基准指数，证明了其投资应用价值。

• 报告明确提示模型依赖历史数据和政策环境稳定性，具体个股推荐不构成投资建议。

重点图表视觉回顾

• RankIC测试表（表3与表5）直观量化了单层和双层客户动量因子在不同交易日窗口下的显著性和稳定性提升。

- 分位数净值曲线（图15与图19）形象区分了动量因子的强、中、弱组合，展现高分位组合持续跑赢市场的趋势。

• 收益风险表（表10-12）结合净值曲线（图20-22）突出了策略的稳健性和超额收益，尤其在样本外表现仍优于基准。

报告展示的供应链动量选股框架为量化投资开拓了新的alpha来源，尤其适合于关注产业链关系和节奏传导的投资者，是连接基本面与量价动量的重要桥梁。

---

参考报告页码标注

本文所引用报告内容或图表，均标注对应页码以便溯源，引用格式为[page::x]，多个页码均标注于句末。

---

总结

本报告以严谨的数据基础与理论传导为驱动，结合丰富的统计分析和多市场回测验证，详细说明了基于供应链动量溢出效应的选股策略设计思路、实施效果及风险提示，体现了供应链数据对投资决策的深远意义。其提出的双层供应链动量因子不仅丰富了动量策略的投资因子库，也彰显了产业链信息在量化投资中的独特价值，为投资者提供了精准且稳健的策略工具。

---

如需获得本报告更多细节或完整报告正文内容，敬请参照招商证券官方网站或招商定量研究相关渠道获取原文。

报告