投资理念融合催生基本面量化方法 [page::4]

• 基本面研究深度大但覆盖面窄，量化投资覆盖广但多短线操作，两者融合产生基本面量化策略，实现优势互补、提升策略稳定性和规模化可能。

- 基本面量化有助提升量化模型的精细度，缓解超额收益压力，推动市场更好适应低频因子策略。

多维数据集群分类与特征 [page::6][page::7]

• 投研数据涵盖投研流程数据、行情数据、财务数据、基本面数据及另类数据五大类，数据形态和标准化程度差异大。

- 特别强调非结构化和低信息密度数据对投研的挖掘，需结合具体投资场景采用技术手段完成指标抽取。

基本面数据治理流程及行业配置指标体系 [page::6][page::8]

| 维度 | 指标类型 | 指标名称 | 逻辑概述 | 数据类型 |
|------------|----------|--------------|------------------------------------------------------------------------------------------|----------------|
| 基本面 | 景气度 | 宏观景气度 | 宏观-行业映射，预测宏观因子走势，构建行业轮动投资时钟策略 | 标准化，易处理 |
| | | 中观景气度 | 行业经济数据视角的景气指标，判断高景气或反转行业 | 非标准化，难处理 |
| | | 微观景气度 | 企业经营状态刻画行业景气度，截面比较构建指标 | 标准化，易处理 |
| | 估值与预期 | 分析师一致预期 | 通过分析师共识估计ROE、EPS，反映行业市场预期 | 标准化，易处理 |
| | | 财务指标 | 营收同比、净利润增速、ROE等历史财务指标 | 标准化，易处理 |
| | | 估值指标 | 分行业选择有效估值指标，与业绩和预期结合评估配置机会 | 标准化，易处理 |
| | 政策 | 政策热度 | 利用NLP对政策文本进行情绪、强度等量化指标构建 | 文本数据，难处理 |
| 技术面 | 流动性 | 成交量 | 从成交量、机构行为、融资融券入手，聚合形成行业流动性指标 | 标准化，易处理 |
| | | 机构行为 | 观察机构买卖动向 | 标准化，易处理 |
| | | 两融资金 | 反映资金面流动情况 | 标准化，易处理 |
| 拥挤度 | 动量 | | 动量高意味着交易过热风险 | 标准化，易处理 |
| | 波动性 | | 波动率和峰度衡量波动水平 | 标准化，易处理 |
| | 上涨比例 | | 行业内上涨及涨停股占比 | 标准化，易处理 |
| | 换手率 | | 行业成分股换手率的分布特征 | 标准化，易处理 |
| 投资行为 | 机构行为 | 研报热度 | 反映机构关注方向及情绪 | 文本数据，难处理 |
| | | 机构持仓 | 机构持股情况 | 标准化，易处理 |
| | | 机构调研 | 机构调研行为 | 文本数据，难处理 |
| 资金流向 | 北向资金 | | 北向资金动向 | 标准化，易处理 |
| | 两融资金 | | 融资融券资金流动 | 标准化，易处理 |
| | ETF | | ETF持仓资金变动 | 标准化，易处理 |

政策文本量化分析及示例 [page::9][page::10][page::11]

• 利用政策文本的标签构建与监督式文本分类，挖掘政策与产业的相关性，构造政策引用网络并计算政策重要性。

- 以新能源汽车政策为例，动态跟踪中央及地方政策力度及情绪分布，辅助行业配置策略形成。

行业景气度模型构建与机器学习应用 [page::12][page::14][page::15][page::16]

• 构建覆盖54个中信一级行业的指标库，超过500个高频指标采集与预处理（季节调整、平滑、缺失插值）。

- 采用XGBoost机器学习算法完成行业景气指数建模，采用网格搜索与交叉验证优化参数，提升预测能力与非线性特征挖掘。

• 观测汽车行业重要性因子包括新能源汽车保有量等，模型对周期性行业拟合度高（相关系数约0.9），成长行业拟合效果相对较弱。

行业流动性指标体系及构建 [page::17]

• 从成交量、机构行为与两融资金三维度聚合多原始指标，采用主成分分析（PCA）方法提炼综合流动性指标，动态刻画行业市场热点。

数据库标准化存储与指标调用 [page::18][page::19]

• 采用关系型数据库进行标准化存储与调用，实现多维度数据资产共享、灵活访问及安全管理。

- 存储格式包含政策文本及相关情绪、行业景气度指标历史数据，支持快速查询及因子库标准化输出。

行业配置策略与回测结果 [page::20][page::21]

• 基于政策、景气度及流动性三个维度的中观因子构建行业打分模型，选取排名前三的行业进行等权配置。

- 回测区间为2018年至2022年7月，策略在2020年以后表现显著提升，个股超额收益与风险控制能力良好。汽车及有色金属行业表现突出。

• 策略操作通过月末调仓实现。

风险提示

• 数字化政策落地不确定性及政策解读偏差。

- 模型高度依赖行业基本面稳定的逻辑，行业环境剧变可能导致模型失效。

金融研究报告详尽分析报告

一、元数据与报告概览

• 报告标题：立足数据标准化框架，挖掘基本面量化通用指标

- 作者：张若海（数据科技首席分析师），伍家豪（数据科技分析师）

• 发布机构：中信证券研究部

- 发布日期：2022年10月22日

• 主题：以机器学习为技术支撑，探讨基本面量化策略中的数据治理方法，重点在于构建标准化数据框架与通用指标，助力行业配置及量化投资策略的实现。

核心论点与目标：报告围绕当前量化投资中的基本面量化发展，特别是在多模态、大数据环境下面临的非标准化数据难以直接应用问题，提出通过机器学习技术和数据治理手段，实现数据的标准化、指标的自动化挖掘与更新，构建行业级量化指标库。该机制支持投资应用场景导向，尤其是中观行业配置，提升量化策略的有效性和复用价值，帮助实现主动管理和量化投资的优势叠加。[page::0] [page::1]

---

二、逐节深度解读

1. 概述与投资趋势背景

• 数据量快速增长与投研困境：随着智能手机、传感器和AI技术的普及，全球数据量正爆炸式增长（2020年64.2ZB预计到2025年增至175ZB），给投研带来丰富信息输入，但同时面临“低价值密度”和“数据真实性”等问题。数据类型多样，包括财务数据、舆情、卫星图片、交易记录、政策文本等，且多为非结构化，难以直接转化为策略因子。此外，投资者缺乏对这些大数据的有效解读和处理路径容易陷入“数据陷阱”——分析结果与实际偏差较大。[page::3]
• 主动管理与量化投资的融合趋势：从报告图1显示，两者在交易主体、投资维度、观察视角及换手率上存在明显区别。主动管理更加依赖行业深度研究、低换手频率、企业风险分析；量化投资则注重模型和统计规律、高换手频次及覆盖面广。当前两者融合催生了“基本面量化”，即基于丰富基本面数据的量化策略，既有助于数量化选股提高效率，也有望扩展量化投资资金容量，提高超额收益潜力。[page::4]

2. 基本面量化面临非标准化数据挑战

• 非结构化数据形式多样，需匹配相应分析技术，传统技术难完全适用，需引入人工智能、NLP等技术辅助，处理维度提升可能导致维数灾难和模型过拟合风险。

- 投资背景知识介入不可缺失，数据在投资应用中需持续优化调整，对市场行情和行业逻辑的变化保持敏感。

• 数据原始质量不一，覆盖范围、行业分布不均等会导致偏差，同时数据完整性与历史回溯深度也影响因子质量。

- 归纳提出实现路径：从原始数据梳理到指标挖掘清洗，再到因子标准化，到策略构建及投资回测的完整流程。[page::4] [page::5]

3. 投资应用导向的数据标准化方法论

• 投研对数据的依赖越来越强，数据中台模式缺乏对投资逻辑和场景理解，需“结果导向”严格定义数据标准，明确投资应用场景。

- 投资场景不同，对指标、数据格式和频率需求多样化，因子框架设计必须由具体投研场景定义，且要考虑行业和策略特质差异。

• 数据分为量价数据、财务数据、基本面数据、另类数据以及投研流程数据五大类，多维度筑建系统化投研分析基础。[page::5] [page::6]

4. 多维数据集群与技术手段

• 混合结构化和非结构化数据，尤其是低信息密度文本、图片等，需要技术手段辅助指标提取，例如NLP对研报文本中的盈利预期进行统计构建因子。

- 图3清楚分类了投研流程数据（研报、机构持仓）、行情数据、财务数据、基本面数据和另类数据，例示数据丰富且多样。[page::6][page::7]

5. 中观行业配置指标体系与技术路径

• 详细展示面向月度行业配置的多维指标体系，涵盖基本面（景气度、估值预期、政策）、技术面（流动性、拥挤度）、投资行为（机构行为、资金流向）等，指标数据类型覆盖标准化和文本难处理两类。

- 表1展示各维度相关指标逻辑、类别、数据类型及其处理难易，既考虑统计指标又纳入文本指标，突出政策文本挖掘的必要性。[page::8]

6. 维度一——政策文本量化指标

• 构建政策相关量化因子，通过对政策文本进行标签化、关键词词典构建、文本分类模型训练，实现对政策与产业相关性的预测（图5）。

- 利用政策间引用关系网络及PageRank算法评价政策重要程度，示例如集成电路产业政策引用网络（图6-8）。

• 结合财经新闻报道频次，反映市场对政策的关注热度（图9）。

- 案例：对新能源汽车产业政策发文强度、部门分布、主题构成进行量化跟踪及情绪分析（图10），并对中信证券一级行业每年政策情绪进行统计（图11）。[page::9] [page::10] [page::11] [page::12]

7. 维度二——行业景气度模型

• 基于超过500个行业指标数据（涵盖财务、特色行业数据及投研流程数据），构建中观景气指数。指标预处理包括季节性调整、数据标准化、插值处理，消除系统偏差，增强数据模型适用性。

- 指标筛选采用解释性评估（通过指标对营收同比的线性拟合$R^2$）、滞后期优化（选不同滞后期相关系数最大者）、缺失值评估，保证输入数据有效且稳定。

• 利用机器学习（以XGBoost为主）构建有监督学习模型，捕捉行业盈利变化的非线性关系，利用交叉验证网格搜索最优参数（表3，图13-14）。

- 以汽车行业为例，保有量等非强线性指标在XGBoost模型中体现重要性（图15）。

• 景气度模型对周期性行业（钢铁、煤炭等）拟合度高，相关系数达0.9以上（图16-17），对成长性行业拟合较低，体现行业逻辑变化难度。[page::12] [page::13] [page::14] [page::15] [page::16] [page::17]

8. 维度三——行业流动性指标

• 分层次聚合成交量、机构行为、融资融券数据，通过主成分分析（PCA）多次降维得到综合月度行业流动性指标。

- 表格详述多个行业在不同维度流动性指标的历史分位值，体现行业资金关注和交易活跃度的动态，支持捕捉市场热点（图18）。[page::17]

9. 数据资产存储与技术实现

• 利用关系型数据库（Oracle）存储多维度非结构化及结构化数据，如政策文本（图19）与行业景气度指标（图20）均通过规范化表格形式高效存储。

- 举例展示程序代码示例，说明自动化调用与数据更新流程，支持投研快速分析和再利用（图21）。

• 行业中观因子定义为“中信一级行业+月频”双维度，采用状态化打分消除不同行业间指标非可比性，实现跨行业可比性（图22）。

- 关系数据库存储方案兼顾安全、共享和高效查询，支持后续策略回测和指标扩张应用。[page::18][page::19][page::20]

10. 行业配置策略构建与实证结果

• 以行业中观因子为基础，构建基于政策、景气度、流动性三大维度的行业配置打分策略，等权买入排名前三行业，进行月度调仓。

- 回测时间2018年至2022年7月，表现显示2020年后策略有效显著提升，更适应当期市场风格。重点行业如汽车和有色金属表现突出，回撤控制有较好效果（图23-25）。

• 行业轮动策略基于标准化因子，有助于对资金策略提供实质辅助，未来引入更多维度因子预期增强模型表现。[page::20] [page::21]

11. 风险因素

• 数字化政策落地推迟影响因子构建及模型有效性。

- 行业理论逻辑变化可能导致模型结构失效、信号弱化。[page::0] [page::21]

---

三、图表深度解读

图1：主动管理与量化投资主要特征对比与基本面量化融合

• 直观列举主动管理侧重行业深度、未来预期、低换手频率，而量化投资注重行业宽度、历史规律与高换手频率。

- 表明基本面量化作为融合两者的策略，旨在发挥二者优势，实现更稳定和长期的超额收益。

• 图表增强了文本中主动管理与量化投资各自优缺点及融合必要性的直观认知。[page::4]

图2：基本面数据治理流程示意

• 展示从底层数据（量价数据、财务数据、基本面数据、另类数据、投研流程数据），经过数据处理，标准化因子挖掘，最终实现行业分析和量化策略应用的闭环关系。

- 案例为汽车行业，展示映射字典关系及指标间关联，突出指标标准化和层级管理重要性。

• 形象体现数据治理复杂流程和多维度原始数据向因子转化过程。[page::6]

图3：投研数据分类

• 树状结构形式，展示投研数据分为投研流程、行情、财务、基本面和另类数据，每项进一步细分。

- 清晰刻画数据爆炸背景下的多元数据结构体系，辅助界定下一步数据整合与分析范围。[page::7]

图4-11：政策文本量化示意与应用

• 图4显示政策文本结构化的数据示例，包括政策发布时间、部门、文号、产业相关性等多个标签。

- 图5政策产业相关性机器学习流程表明数据预处理及模型训练步骤。

• 图6-8展示政策引用网络和细节，体现政策影响力量化逻辑。

- 图9财经新闻对政策报道，测试政策关注度。

• 图10-11以新能源汽车政策强度为例，展示量化指标时间序列、部门构成、主题分布及全年政策情绪分布。

- 此系列图表直观反映政策文本量化的实操细节和交易情绪影响，为行业景气度提供政策维度输入。[page::9-12]

图12-17：行业景气度模型关键步骤与实证

• 图12流程图完整呈现数据集群构建、预处理、筛选及指数合成全流程，突出多数据源整合和机器学习应用。

- 表2列出标准财务、特色行业、投研流程三大数据集群及数据来源、更新频率。

• 图13-14详述XGBoost算法结构及交叉验证流程，强调机器学习优点和模型调优方法。

- 图15以汽车行业为例，显示近三年重要非线性指标。

• 图16-17钢铁、煤炭拟合指标与营收同比高度相关（r=0.94），说明模型在周期性行业效果显著。

- 以上图表体现景气度因子构建的严谨性与机器学习贡献，支持行业配置精细化。[page::12-17]

图18：行业流动性指标构建及状态展示

• 表格展示包括成交量、机构行为、两融资金在内的多个流动性指标及其月度行业分布，利用PCA聚合反映交易热点。

- 该指标补充基本面和政策维度，为行情面提供交易情绪辅助指标。[page::17]

图19-22：数据存储结构与调用示例

• 图19结构化存储政策文本数据，图20展示景气度行业指标存储细节，涵盖多个部门及频率。

- 图21示例Python代码展示指标标准化调用接口，体现自动化与开放性。

• 图22行业中观因子存储结构展示多维因子月频数据表格式，实现跨行业标准化操作。

- 图表反映数据治理对实操的支持，数据资产化思路。[page::18-19]

图23-25：行业配置策略结果分析

• 图23展示行业月频配置打分排序，直观反映行业在不同时期的配置优先级及波动。

- 图24回测曲线显示行业配置策略收益超过沪深300，多头行情扩张期尤为显著。

• 图25以汽车和有色金属为例，具体买卖时点的信号标注及价格走势辅助验证买卖信号有效性。

- 图表使投资者能够直观理解策略实操表现与回测优势。[page::20-21]

---

四、估值分析

报告主题主要围绕基本面量化指标构建及机器学习模型支撑，未直接涉及具体企业的PE估值或DCF等详细估值分析，而是系统性地构建行业配置面向的多维量化指标库和方法框架。因此估值部分以行业配置策略打分及回测表现为核心，侧重指标和模型的投资有效性验证，未采用传统企业估值模型。

---

五、风险因素评估

• 数字化政策落地不及预期：政策指向性的数字化转型推进慢，会影响政策文本指标的及时性和有效性。

- 模型依赖行业逻辑稳定性：模型假设基于对行业逻辑的理解，如逻辑发生变化，尤其是成长性行业升级较快，会导致模型拟合能力下降，需及时调整和再训练。

报告未明确给出风险缓解策略，但体现出需要持续跟踪市场和数据变化，动态调整模型以维持有效性的原则。[page::0] [page::21]

---

六、批判性视角与细微差别

• 报告对非结构化数据的难题和机器学习的崇高期望均有详实论述，但对模型潜在过拟合风险及市场突变下模型失效风险提示有限，需加强动态模型健壮性和容错机制的设计。

- 虽然政策文本和另类数据指标创新显著，但数据采集与处理的实时性与完整性依旧是潜在风险源。

• 不同行业景气度模型表现差异突出（周期性高，成长性低），提示单一模型难以照顾全局，需组合多模型策略或纳入更多主观分析维度。

- 指标和策略端均依赖历史数据，未来市场结构性变革可能带来不确定性，应增加模型的适应性和多样化动态调整机制。

• 中观视角虽具实操意义，细化至公司层面因子缺乏展示，限制了深度选股能力的体现。

---

七、结论性综合

本报告围绕基本面量化投资领域，系统提出了基于机器学习和大数据技术背景下，构建多模态、标准化量化投资指标库的框架和具体实施路径。报告核心观点聚焦于：

1. 面对爆炸式增长的非结构化、多样化投资数据，必须建立明确的投资应用场景导向，采取系统化数据治理和清洗步骤，实现有效指标的自动更新和维护。
2. 报告以政策文本量化、景气度模型和行业流动性三大维度为切入，结合NLP、机器学习（XGBoost）等技术，实现政策影响力量化、行业盈利能力预估和资金流动监测，打造覆盖54个行业的综合量化指标库。
3. 量化策略基于上述指标实现行业配置，数据显示策略自2020年以来有效性显著提升，重点周期性行业拟合优良，具有较强的投资指导价值。
4. 数据存储采用关系型数据库结构化管理，接口自动调用，保障数据资产的重复利用和扩展，提升投研工作效率。
5. 风险主要包括政策数字化落地延迟及行业模型逻辑变动，需持续监测风险并调整策略。
6. 图表深度解析体现出报告技术严谨，数据涵盖广泛，模型设计合理且结果符合行业逻辑，尤其政策文本量化及机器学习在景气度预判中的应用，是本报告的亮点之一。

综上，报告为基本面量化投资领域提供了实用且前沿的指标挖掘及数据治理方法论，展现了中信证券研究部在AI与大数据技术赋能投资研究的综合实力，并为投资决策提供了科学量化支持，具有一定行业示范意义。[page::0] [page::1] [page::3] [page::4] [page::5] [page::6] [page::8] [page::9] [page::10] [page::12] [page::13] [page::16] [page::20]

---

以上为《立足数据标准化框架，挖掘基本面量化通用指标》报告的极其详尽和全面的分析解读，涵盖了报告的核心内容、数据图示、模型方法与策略构建，并结合风险评估及批判视角，帮助读者全方位掌握报告精髓。

报告