• 供应链动量因子的理论基础和构建逻辑 [page::0][page::3][page::4]：

- 公司之间通过供应关系形成供应链网络，基本面和信息冲击沿供应链传导且存在时滞。
- 供应链关联公司（尤其是客户）的营收增长与主体公司具有很强的相关性，股价动量存在溢出效应。
- 信息面冲击案例显示客户股价变化引导供应商股价变化，滞后现象明显，投资者关注有限是主要原因。

• 秩鼎供应链数据介绍与处理流程 [page::2]：

- 数据覆盖A股4000+、港股2000+、美股100+等多层实体，借助股权穿透、反向披露技术大幅提升供应链关系数据覆盖度。
- 数据来源多样，采用爬取、人工复核等多环节严控保证数据质量。

• 供应链动量因子实证测试（单层）[page::5]：

| 分组 | 总收益 | 年化收益 | 最大回撤 | 夏普比率 | 卡玛比率 |
|------|---------|---------|----------|----------|----------|
| Top | 98.71% | 18.73% | -39.42% | 0.67 | 0.48 |
| Bottom | 10.88% | 2.62% | -44.52% | 0.03 | 0.06 |
| L-S | 79.48% | 15.74% | -6.41% | 2.14 | 2.44 |

- 客户动量因子IC值及t统计量显著高于供应商，且80交易日为最佳衡量期。
- 分位数测试中Top组合显著跑赢Bottom，显示强选股能力。

• 多层供应链动量因子提升效能[page::6][page::7]：

- 引入双层供应链关系后，IC均值和t统计量均显著提升，所有客户动量指标t统计量均超过2。
- 双层客户动量因子分组测试表现提升明显，Top组合年化收益达到19.46%，最大回撤降至-37.25%，Sharpe比率达0.70。

• 供应链动量因子与传统动量及其他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度约20%，与其他风格因子相关度低于5%，说明其独特性。
- 双层客户动量因子与单层动量因子相关性高（0.86），是较强的扩展。
| 因子名称 | 相关系数 |
|------------------|---------|
| 客户动量因子与传统动量 | 0.18 |
| 双层客户动量因子与传统动量 | 0.21 |
| 客户动量因子与其他因子 | <0.05 |

• 量化选股策略构建与跨样本池回测效果显著 [page::9][page::10][page::11]：

- 基于双层客户动量因子，在沪深300、中证800和中证1000中分别选取前30/80只股票构建组合。
- 策略表现优异，年化收益率分别达10.51%、11.08%、5.06%；夏普比率均大幅优于基准指数，且最大回撤更小。

• 风险提示及免责声明说明 [page::0][page::12][page::13]

报告深度分析 —《蓝海启航 系列研究之五：基于供应链动量溢出效应的选股策略》

---

1. 元数据与概览

• 报告标题：《蓝海启航 系列研究之五 基于供应链动量溢出效应的选股策略》

- 作者与团队：招商证券定量研究，任瞳团队

• 发布日期：2022年5月14日10:30

- 研究主题：围绕A股上市公司之间的供应链关系，基于动量溢出效应，构建供应链动量因子，并基于该因子设计选股策略。

本报告的核心论点是：通过深入挖掘上市公司之间供应链关联信息，构建基于客户及供应商的动量因子，特别是引入双层级供应链动量因子，能够有效提高股票收益的预测能力，进而实现显著的超额收益。报告强调供应链数据覆盖度的提升及对市场非完全有效性的利用，利用供应链动量因子的独特性和稳健性，构建具备较强选股能力的量化策略，演示其在沪深300、中证800及中证1000等主要股票池的超额收益表现，策略整体风险调整后收益表现优于基准。[page::0]

---

2. 逐节深度解读

I. 引言与研究背景

报告以“六度分隔理论”类比，将社会关系网类比于企业之间的供应链网络，指出上市公司并非孤立存在，而是通过供应商和客户关系形成紧密经济关系网。并结合波特五力模型，解释供应链上下游议价能力对公司竞争力的影响，提出供应链网络中蕴涵着可供投资挖掘的重要信息。文中引用学术研究 (如 Cohen 和 Frazzini 2008) 表明供应链上下游企业股价之间存在信息传导及价格调整的时滞，属性供应链动量溢出效应的理论基础。[page::0,1]

图1（波特五力分析框架图）以红色节点展示了主体公司与上下游客户、供应商以及行业竞争态势的关系，直观表明了供应链关系对于主体公司的战略意义和外部影响。

---

II. 供应链数据概述

1. 供应链数据介绍

报告首先强调供应链数据的采集难度，市场公开数据披露的局限性导致覆盖度较低且具有偏颇性。为克服这一痛点，报告引入秩鼎公司提供的供应链数据，说明其技术优势（如实体识别、股权穿透、反向披露）及数据覆盖度广泛（覆盖4000+ A股、2000+港股、130万非公众企业）。同时，秩鼎供应链数据的更新频率（日度）及数据质量保证（人工复核，提供原始披露来源）为后续量化研究提供基础保障。

图2清晰展示了秩鼎供应链数据的优势：

• 实体识别支持全球供应链覆盖；

- 股权穿透提高数据完整性；

• 精准溯源保证数据可靠；

- 反向披露增强覆盖深度；

• 丰富字段方便定量分析。

图3示意了数据采集和处理流程，兼具自动抓取及人工复核，确保数据质量。

2. 供应关系权重计算

报告详尽介绍了供应商与客户关联度的计算方法，主要基于两家公司之间实际交易金额的权重分布，配合持股比例加权折算和年度折算系数的应用，提升数据时效性和代表性。表2通过示例演示了年度交易金额权重的计算及递减折现处理，保障了供应链关联强度的动态适配和时间价值调整。[page::2,3]

---

III. 供应链动量因子的构建与测试

1. 理论基础

报告从两个核心方面阐述供应链动量溢出效应的合理性：

• 基本面相关性：引用Ali和Hirshleifer (2020) 研究回归结果，说明主体公司营收增长与其供应商和客户营收增长具有显著正相关关系（调整后R²约20%），支持基本面沿供应链传导的逻辑。数据显示客户及供应商的营收同比增长对主体公司营收增长均有显著的影响，且控制了行业平均水平。
• 信息冲击传导：引用Cohen和Frazzini (2008) 及A股实例，展示当客户公司发布正面业绩预告时，供应商股价也出现滞后上涨，体现信息冲击沿供应链传导的特征，并指出投资者有限注意力导致信息到主公司股价的反应会出现时滞。

图12及图13以案例曲线清晰体现了客户股价上涨带动供应商股价滞后反应的逻辑，强化了供应链动量效应的市场现实基础。[page::3,4]

2. 供应链动量因子RankIC测试

运用2017Q1-2020Q4全部A股样本，报告构建以供应链关联公司过去一段时间收益为驱动的动量因子，采用RankIC衡量因子预测未来收益能力。表3给出客户与供应商动量因子在多交易日窗口下的IC表现及t统计量。

主要发现：

• 供应链关联公司过去收益与主体公司未来收益正相关，且客户动量因子IC更高，t统计量更显著（多项指标t>2），说明向上游传导的动量影响较供应商动量更强。

- 交易窗口N=80表现最佳，体现了中短期市场信息和关注度特点。

• 公司市值较大的关联企业的动量指标表现与关联度加权动量相近，表明大市值公司信息较市场关注更充分，更有效传导。

这表明客户公司动量比供应商动量对主体公司未来收益更具有预测能力。[page::5]

3. 因子分位数测试

以客户公司80个交易日加权动量因子为例，报告对因子分位数组合进行了回测。表4显示，top 20%组合收益 (年化18.73%) 显著优于bottom 20% (年化2.62%)，多空组合Sharpe比率达2.14；图15净值曲线分化明显，印证了该因子的有效选股能力。另外，因子具有较高的风险调整收益和较低的换手率，表明策略实现了稳健的收益获取。[page::6]

4. 多层级供应链动量因子

通过引入双层供应链关系，考虑供应链多个层级，报告验证了多层供应链结构引入后动量因子信号的增强。图16通过“啤酒游戏”和牛鞭效应说明供应链需求信息在多层传递中时滞放大的机制。表5的双层供应链动量因子RankIC测试显示：

• t统计量普遍高于单层，客户双层动量因子t值全部超过2，显著提升预测能力。

- 以市值最大客户80日动量为例，IC均值由3.26%升至3.56%，t值由2.77提升到3.04。

• 供应商侧动量也有提升，但整体效果不及客户侧。

分位数组合测试（表6，图19）显示，双层客户动量因子top组年化收益达19.46%，多空组合Sharpe达2.05，表现较单层进一步优化。[page::7,8]

5. 与传统动量及大类因子相关性分析

报告比较供应链动量因子与主体公司自身动量因子：

• 短中期(交易日小于80)客户关联度加权动量因子IC显著高于主体公司自身动量，双层客户动量略胜单层，有效性表现突出。

- 长期动量中，供应链动量因子有效性减弱，主体公司自身动量相对稳定。

表8详细显示不同交易窗口下t统计量差异。

相关性分析表9显示：

• 双层客户动量与单层客户动量相关性高 (~0.86)，与传统动量相关性较低 (~0.2)。

- 供应链动量因子与成长、情绪、价值等大类因子相关性极低（不超过5%），体现其独特性。

• 与其他因子组合有助于分散风险，提高组合稳健性。

这种低相关性说明供应链动量因子提供了不同于传统风格因子的有效信息。[page::8,9]

---

IV. 选股策略构建与回测

基于双层客户动量因子，报告设计选股策略，分别在沪深300、中证800、中证1000三个主要股票样本池进行回测。

• 沪深300样本池（选择30只股票）

表10显示，策略全区间收益54.18%，显著优于沪深300的3.76%；夏普比率0.38远高于基准负值；最大回撤23.28%小于基准31.4%。样本内样本外均表现稳定，尤其样本内夏普提升显著。图20净值曲线显示策略收益明显跑赢基准，且样本外数据延续收益优势。

• 中证800样本池（选择80只股票）

表11展示策略全区间收益57.7%，远超基准2.38%；样本外年化9.08%收益显著高于基准负12.31%；风险指标表现优良，波动率和最大回撤均控制较好，夏普达到0.35。图21曲线同样体现稳健超越基准特征。

• 中证1000样本池（选择80只股票）

表12结果表明策略全区间年化收益5.06%，优于指数负0.9%；样本外年化收益6.06%明显领先。风险指标相近，夏普比率显著正向，最大回撤较指数略优。图22净值曲线显示稳定超额收益，波动与最大回撤控制得当。

整体而言，双层供应链动量选股策略在不同规模和风格的股票池中均显著跑赢基准，表现稳健且可复制。[page::9,10,11]

---

V. 总结与结论

报告最后总结了核心发现：

• 供应链关联度数据覆盖度显著提升，基于秩鼎等数据服务商的新技术支撑，供应链数据足以支撑量化因子研究；

- 供应链动量溢出效应源于市场非完全有效及投资者有限关注，信息和基本面冲击沿供应链传导且存在时滞；

• 构建的客户和供应商动量因子对未来股票收益具有显著预测能力，尤其客户动量强于供应商动量；

- 引入双层供应链关系的动量因子进一步增强预测稳定性和效力，t统计均值及胜率明显提升；

• 供应链动量因子与传统风格如动量、成长、价值等因子相关性低，具备因子独特性，有助于风险分散；

- 基于双层客户动量的选股策略在沪深300、中证800、中证1000样本均表现显著优于相应基准指数，风险调整后收益优异。

风险提示部分说明模型基于历史数据，可能会因政策、市场环境的变化面临失效风险，报告不构成具体投资建议。[page::11,12]

---

3. 重要表格与图表深度解读

图1：波特五力模型示意图

• 主要展示主体公司在上下游客户供应商以及行业竞争者之间的竞争及议价能力关系。

- 强化了报告主题中供应链结构对公司竞争力及信息传导的重要影响。

图2：秩鼎供应链数据优势展示

• 列明了实体识别、股权穿透、精准溯源和反向披露等技术能力，说明数据丰富度和质量。

- 支持后续因子构建的强数据基础。

图3：数据处理流程图

• 体现数据的自动采集与人工复核结合，保证数据的完整性和准确性。

表2：供应链关联度权重计算方法举例

• 采用交易金额加权，结合报告期间年度折算系数，动态计算供应商和客户的关联度权重。

- 通过示例展示了计算方法的逻辑和应用。

图11：主体公司与供应链关联公司基本面关联性回归结果表

• 相关系数显著，且调节后的R方约0.2，显示供应链基本面联动较强。

- 统计显著性高，支持供应链动量因子的基础假设。

图12 & 图13：信息面冲击在供应链传导示例（国外与A股）

• 曲线明显呈现客户信息发布后，供应商股价出现滞后上涨，体现了信息传递的时滞和动量溢出效应。

表3：单层供应链动量RankIC测试

• 客户动量因子平均IC最高达3.64%，t统计量高达2.79，显著预测未来收益。

- 供应商动量因子IC较低，t统计量弱于客户动量。

• 市值最大的关联公司动量接近加权指标表现，反映大型客户的信息传递更有效。

表4 & 图15：单层客户动量因子分位数测试

• top组合收益远超bottom组合，卡玛比率与夏普比均表现优异。

- 净值曲线清晰呈现因子选股能力，中高分位保持领先趋势。

图16：牛鞭效应示意图

• 显示订单需求在供应链多层中的放大及滞后效应，理论支持多层供应链动量因子的设定。

表5 & 表6、图19：双层供应链动量因子测试与分位数测试

• 双层因子表现均较单层显著提升，t统计量、大部分指标均超过2。

- 多层信息强化了动量因子的稳定性和预测能力。

• 分位数测试中top组合年化收益达19.46%，远高于底部组合，效果强劲。

表8：供应链动量与传统动量因子t统计量比较

• 供应链动量因子在中短期更具预测力，超过主体公司动量，说明附加的供应链信息丰富了因子信号。

表9：客户动量因子与其他大类风格因子相关性

• 供应链动量因子与传统因子相关性极低，确保了因子的独特增益性质。

表10-12 & 图20-22：沪深300、中证800、中证1000样本池策略回测

• 多个不同规模的指数样本均显著跑赢基准，夏普比率均明显提升，最大回撤减少。

- 回测结果稳健，支持策略的实际操作价值。

• 净值曲线均显示策略有效捕捉了超额收益且风险可控。

---

4. 估值分析

本报告未涉及以传统估值方法（如DCF、市盈率等）直接给出目标价或估值模型，重点聚焦于因子构建和策略回测，属于因子研究与量化选股策略开发报告，强调基于供应链信息的收益预测能力和策略表现。[page::0-12]

---

5. 风险因素评估

• 模型风险：基于历史数据与建模，若未来政策、市场环境有重大变化，模型可能失效。

- 数据风险：供应链数据虽覆盖度提升，但仍可能存在披露偏差及信息不对称影响。

• 市场风险：因子作为统计信号，在极端市场条件或结构调整时，表现可能波动。

- 操作风险：策略换手率较高，存在交易成本及流动性影响。

报告未详述风控策略，但充分提示以上风险及模型局限，强调不构成投资建议。[page::0,12]

---

6. 批判性视角与细微差别

• 报告依赖秩鼎供应链数据覆盖度和质量的提升，若数据缺失或披露延迟，或结构性偏误，因子信号可能受限。

- 动量效应本质上是基于历史价格走势的统计规律，受宏观经济、行业轮动影响，短期有效性可能波动。

• 虽然引入双层供应链提高了因子稳定性，但未探讨更深层级相关性递减效应及潜在噪声放大风险。

- 报告重点强调客户动量优于供应商动量，推测市场需求端对价格传导更灵敏，但不对行业或周期性差异进行细分分析。

• 未见直接对交易成本、滑点、手续费等现实执行层面的深入讨论，真实策略收益或受到侵蚀。

- 由于采用等权重排序，未详细考虑个股流动性、规模限制等因素对策略实盘可操作性的影响。

以上均属正常研究范畴，建议后续研究持续完善多维度风险控制和策略微观执行分析。[page::0-12]

---

7. 结论性综合

本报告系统阐述了基于供应链信息，特别是客户与供应商之间动量溢出效应的投资逻辑，创新性地引入了双层级供应链关系，从而增强了动量因子的预测力和稳定性。依托秩鼎数据优势和先进的数据处理技术，报告构建了多种动量因子，实证验证了其相关性和有效性。通过全面RankIC及分位数测试，尤其是客户动量因子的强效表明，下游客户的表现是未来主体公司收益的重要领先指标。

深度的相关性分析体现了供应链动量因子与传统风格因子之间的互补性，展现了该因子独特的Alpha捕获能力。基于此因子设计的选股策略经沪深300、中证800、中证1000等不同股票池回测，均显著跑赢对应基准，风险调整后收益稳健，提供实用的量化投资工具。

总结起来，供应链动量溢出效应的挖掘不仅丰富了因子投资的维度，也为市场参与者提供了新的投资洞察，尤其在信息不完全和投资者注意力有限的背景下，其独特性和系统性收益价值凸显。报告高屋建瓴，结合理论与实证，兼具创新和可操作性，为量化选股领域提供了重要的研究参考和实践路径。

---

附录部分图示

• 图1：波特五力分析框架

• 图2：秩鼎供应链数据特征

• 图3：供应链数据处理流程

• 图12：信息面冲击沿供应链传导示意（国外案例）

• 图13：A股信息冲击传导示例

• 图16：订单信息多层级传导（牛鞭效应示意）

• 图15：客户关联度加权动量因子分位数测试

• 图19：双层级客户动量因子分位数测试

• 图20：沪深300股票池回测净值曲线

• 图21：中证800股票池回测净值曲线

• 图22：中证1000股票池回测净值曲线

---

总体评价

报告结构清晰、数据详实、论证环节完备，对供应链动量效应的理论依据、数据来源、因子构建、有效性验证及策略实现均做了系统阐释。结合高质量供应链数据与严谨统计方法，为A股市场提供了创新且实用的量化投资策略，具备较强的借鉴与推广价值。

---

参考溯源

所有结论和数据均来源于《蓝海启航 系列研究之五 基于供应链动量溢出效应的选股策略》及附图表[page::0-13]。

报告