• 移动大数据具备海量、高频、全面和准确特点，通过手机、iPad等移动终端数据采集，覆盖线上线下多维度用户行为，能够真实还原市场交易场景 [page::2][page::3].

• 杭州数行科技基于移动大数据通过构建用户画像，实现工业企业、消费场所等多种应用场景，推出包括员工指数、顾客指数、金融活动指数等多种指标，为投资提供丰富数据支持 [page::4][page::6].

• 机构调研是打破信息壁垒的常用方法，2021年机构调研数量及被调研公司数创新高，主要受深市业绩说明会增长推动；调研形式上，现场调研虽占比下降但仍具有更高的事件效应和超额收益，表明实地调研获取信息更有效 [page::8][page::9][page::10][page::11].

• 机构现场调研间隔时间长，每月被调研公司较少，存在数量不足限制，影响基于调研数据构建选股策略的覆盖广度和连续性 [page::12].

• 金融活动指数以去重后的人流量数据描绘机构投资者到访上市公司情况，覆盖超过2000家公司，数据频率和完整性明显优于机构调研数据，能更全面反映调研活动强度 [page::13].

• 量化因子构建及策略回测：

- 以金融活动指数的边际增长量作为核心因子，分组测试表明金融活动指数增长明显的公司未来表现优异，边际增长公司表现优于有指数无增长公司，后者又优于无金融活动指数公司，具备较强的选股效力 [page::15].



- 构建基于金融活动指数边际增长的多头组合（月末调仓，市值加权）选取中证1000指数成分股，Top30组合年化收益率达62.16%，Top50组合年化48.84%，显著超越基准23.17%，最大回撤控制在20%以内，表现稳健 [page::16].


- 结合多因子指数增强策略，利用金融活动指数构建中证1000增强组合，2019年至今年化超额收益达22.63%，信息比3.61，增强组合表现较基准更稳健且收益显著 [page::17].

金融研究报告详尽分析：移动大数据应用——基于金融活动指数的量化选股策略

1. 元数据与概览

报告标题： 移动大数据应用：基于金融活动指数的量化选股策略
作者： 曹春晓、杨国平
发布机构： 华西证券研究所
发布日期： 2021年9月26日
主题： 本报告聚焦移动大数据在资产管理和金融领域的应用，通过杭州数行科技提供的金融活动指数数据，探讨基于该指数的量化选股策略，尤其针对中证1000指数成分股构建增强组合。

核心论点与目的：
报告认为，移动大数据尤其是基于金融活动指数的用户画像数据，提供比传统机构调研数据更丰富、及时和连续的信息，有助于更准确地反映金融投资者行为和动态，从而优化选股策略。利用该指数的边际变化，构建量化多头策略和中证1000指数增强组合，已显示出显著超额收益，具备较强的实用价值和市场应用潜力。

---

2. 逐节深度解读

2.1 移动大数据在资产管理行业的应用场景（章节1.1、1.2）

本节论述移动大数据依托于手机、iPad等移动终端与基站、WiFi热点的数据交换，通过脱敏处理，挖掘用户行为信息。移动大数据的特点包括：

• 海量数据基础： 国内数十亿部移动设备产生大量线上和线下活动数据。

- 高频率和实时性： 数据更新频繁，能精准反映场景变化。

• 多样的用户标签和广泛的时空覆盖： 融合物理和虚拟空间相关数据，构建详细用户行为和社交活动画像。

这些特征使移动大数据更贴近市场交易实际，领先传统公开财务和机构调研数据，尤其在捕捉市场行为动态和投资决策信息方面，有更高的时效性和丰富度。移动数据能够近乎实时纪录投资者行为，涵盖时间、地理位置信息和用户多维度行为特征，具有重要投资价值。[page::2,3]

2.2 杭州数行科技的数据应用（章节1.3、1.4、1.5、1.6）

杭州数行科技基于移动大数据构建用户画像体系，采集逾千万线下POI（兴趣点）人流统计及超过十亿设备的APP用户行为指标。通过深度分析用户行为，建立宏观行业研究指标、高频投资衍生指数（如员工指数、顾客指数、物流指数、游客指数及金融活动指数）。以陆家嘴人流强度、员工指数等案例，展示数据细节包括时间序列的人流数值、性别比例和年龄分布，体现数据的颗粒度和多维度特征。

金融活动指数则精准识别金融投资人群到访企业地点，反映投资调研活跃度，补足传统调研数据覆盖率不足的问题，可覆盖市场中2000多家上市公司。金融活动指数以其广泛覆盖和实时性，为后续构建量化策略奠定基础。[page::4,5,6]

2.3 机构调研与金融活动指数的数据对比（章节2.1至2.6）

报告详尽阐述了机构调研活动的现状与局限性：

• 机构调研数量和被调研公司数量近年来显著增加，2021年机构调研总次数及被调研公司数量达到新高（被调研公司首次超过2000家）。[page::8]

- 今年机构调研的增长主要由深市上市公司业绩说明会数量激增推动，而特定对象调研数量未见显著增长。[page::9]

• 调研形式上，疫情促使2020年以来非现场调研次数超过现场调研，2021年非现场调研占54%，但剔除业绩说明会后，现场调研仍占主流57%。[page::10]

- 事件分析显示，现场调研公司股价在调研后表现出超额收益且较为稳定，而非现场调研公司则在调研后第4个交易日出现股价回撤，反映现场调研信息更具价值和可靠性。[page::11]

• 机构现场调研间隔时间较长，中位数约93天，每月平均现场调研的公司不足350家，难以形成高频且覆盖广的调研数据，限制了调研数据的广泛应用。[page::12]

- 相比之下，金融活动指数数据覆盖更广且更为丰富，全市场范围覆盖超过2000家上市公司，并且数据的连续性和完整度远优于机构调研数据。两者在个案上（鲁西化工、博腾股份）表现出金融活动指数与调研次数高度相关，且该指数同步或领先股价走势。[page::13]

综上，金融活动指数弥补了传统机构调研数据在频率、覆盖面和数据连续性上的不足，为构建高频量化投资策略提供了坚实的数据基础。

2.4 基于金融活动指数的选股策略构建（章节3.1至3.3）

• 报告认为，金融活动指数的“边际变化”（即短期内指数的增减）是重要的投资信号。指数边际增长通常预示机构投资者调研活动增多，市场对该公司前景更加关注和看好，但指数下降不一定意味着看空，因指数变化非严格单调性因子。实证数据显示，金融活动指数边际增加的公司表现明显优于仅有金融活动记录的公司，而后者又优于无金融活动的公司。

- 具体策略为：每月末在中证1000指数成分股中，选取最近两周金融活动指数边际增长最大的前N家公司组成多头组合（N分别取30、50、100），按市值加权构建。历史回测显示，2019年以来，前30家公司组合年化收益率为62.16%，前50家公司年化收益48.84%，明显超越同期中证1000指数23.17%的年化收益，并且波动率处于合理范围，最大回撤控制在约20%。[page::15,16]

• 进一步结合多因子增强策略，利用金融活动指数筛选出的股票构建中证1000增强组合，获得较为稳健的超额收益表现：2019年至今组合年化超额收益22.63%，信息比高达3.61，表明策略有较强的信息比提升能力和风险调整后收益优势，2021年超额收益约20.61%。[page::17]

这显示出金融活动指数不仅作为单一指示器具有预测力，结合多因子模型可打造稳健的量化投资组合。

2.5 风险提示（章节19）

报告指出量化模型均基于历史数据进行设计，未来可能存在失效风险，即过去有效的关系或因子在未来可能不再适应市场变化，需投资者持续关注模型有效性和数据更新。[page::19]

---

3. 图表深度解读

• 陆家嘴地区人流数据（图5页）：展示2019年1月至2021年5月陆家嘴人流强度趋势及环比变化，反映金融中心热点地段人群活动波动，配合性别、年龄分布柱状图，显示不同时间段人群结构变化。说明移动数据对区域经济活动的细粒度监测能力。[page::5]
• 机构调研数量和被调研公司数量（图8页）：柱状图清晰显示2013年至2021年机构调研和被调研公司逐年变化。2021年机构调研总量增至2463次，调研公司数量创新高，反映机构调研活跃度的大幅提升背景。[page::8]
• 调研形式变化（图10页）：分柱状图展示现场调研和非现场调研数量走势，自2020年疫情爆发后非现场调研激增，超越现场调研，饼图说明2021年剔除业绩说明会后现场调研占比57%，依然主导有效调研。[page::10]
• 调研事件效应（图11页）：用累积异常收益(CAR)曲线对比现场与非现场调研事件影响，现场调研后股价表现持续超越对比组，非现场调研调研日后第4个交易日开始回撤，表明现场调研信息对股价影响更积极且持续。[page::11]
• 机构调研间隔（图12页）：柱状图和累计分布说明同一公司相邻现场调研间隔分布，中位数约93天，且每月调研公司数量不足350家，限制调研覆盖频率。[page::12]
• 金融活动指数与机构调研数对比（图13页）：以鲁西化工和博腾股份具体个股为例，显示金融活动指数（金色柱状）与机构现场调研次数（红色柱状）随时间变化，并标注股价走势，说明指数数据的丰富、高频和市场反应能力。[page::13]
• 金融活动指数选股因子表现（图15页）：分组累积表现测试图显示指数增长组明显示正超额收益，且长期表现优异，支持指数边际增长作为投资因子有效性。[page::15]
• 金融活动指数多头组合回测（图16页）：自2019年以来Top30/Top50/Top100个股组合的累积收益相较中证1000指数显著超额收益，Top30组合年化62.16%，说明金融活动指数筛选的组合具备强劲的收益能力和风险控制水平。[page::16]
• 中证1000指数增强组合表现（图17页）：过去三年增强组合累计收益显著优于基准指数，表明引入金融活动指数的多因子策略具有较强的稳健性能和持续超额能力，年度超额收益均较为稳定，信息比高。（3.61）[page::17]

---

4. 估值分析

本报告主要聚焦于数据源分析和量化策略回测，未涉及传统的企业估值模型（如DCF、市盈率等）。其“估值”部分为量化组合的回测表现及超额收益分析，表现为收益率、波动率、最大回撤及信息比指标的披露。结果表明金融活动指数增强策略组合整体表现优于中证1000及其多因子版本，具有较强的投资吸引力。

---

5. 风险因素评估

报告明确提示量化因子基于历史数据统计，未来市场变化可能导致模型失效或性能下降。尽管数据量大且覆盖广泛，金融活动指数也存在潜在噪声和外部环境依赖风险。此外，移动大数据的隐私合规及数据采集脱敏处理也是持续监管风险。报告并未具体披露缓解策略，建议投资者持续关注数据质量、合规性及策略动态调整。[page::19]

---

6. 批判性视角与细微差别

• 数据依赖性： 报告重度依赖杭州数行科技提供的金融活动指数数据，数据来源合规性、覆盖完整性和数据更新机制对结果有效性至关重要，潜在的样本偏差或数据更新不及时可能影响策略表现。

- 因子解释力： 金融活动指数边际增量反映机构调研活跃度，但指数减少无法直接解释为看空，公司负面信息是否能有效捕捉尚不明确，因此策略可能存在非对称信息风险。

• 市场环境适应性： 量化策略基于2019年以来市场表现，疫情特殊环境可能影响非现场调研和投资行为，未来宏观调控和市场结构变化可能削弱模型效用。

- 样本表示与扩展性： 本报告精选中证1000成分股，是否同样适用于其他市场板块缺乏充分讨论。

• 风险提示较简略： 仅提及模型失效风险，缺乏对数据合规、模型过拟合、市场突变等多元风险的深入阐述。

整体而言，报告在数据应用和策略验证上逻辑缜密、数据详实，但对潜在不足及外部风险考虑较为简略，读者应结合自身投资策略审慎应用。

---

7. 结论性综合

本报告系统介绍了移动大数据，尤其是杭州数行科技的金融活动指数在资产管理行业深度应用的背景、数据优势与具体案例，深化了对传统机构调研数据的理解与补充。通过丰富的移动端用户数据构建的金融活动指数，不仅在数据覆盖面和连续性上优于传统调研数据，更通过实证研究证明该指数的边际增量指标对上市公司股价表现有显著的正面预测能力。

基于金融活动指数边际变化，该报告成功构建多头选股组合和中证1000指数增强组合，均表现出远超市场基准的稳定超额收益，且风险指标维持在合理范围，体现了移动大数据与金融活动相关因子在量化投资中的巨大潜力。

伴随着资本市场对数据驱动投资的需求提升，本报告提供了一个具备前瞻性和实践价值的量化框架，展示了移动大数据如何实质性地改进资产管理和投资决策效率。在未来，金融活动指数的持续优化及与多元因子的深度融合，将可能为市场带来更丰富的信息维度与更精细化的投资策略。

本报告保持客观严谨，同时提醒投资者关注模型基于历史数据的潜在失效风险，合理评估数据质量与策略可持续性，为移动大数据在金融领域的实际应用提供重要参考依据。

---

（全文内容引用均基于报告页码标注，格式如[page::N]，以保证分析的准确和溯源性。）

报告