• C-Rank 构建方法与分布特点 [page::5][page::6]

- 利用1995-2017年间约12万份10-K财报中的竞争模块，记录各公司被其他公司提及为竞争对手的次数，建立月度公司竞争网络。
- 采用Google的PageRank算法计量每月公司的竞争排名C-Rank，衡量一家公司的竞争地位由其他竞争对手的竞争力共同决定。
- C-Rank指数存在明显正偏态分布，约60%公司在某月没有被提及，少数公司拥有很高竞争排名。

• C-Rank 与公司规模及其它基本特征相关性分析 [page::7][page::8]

- C-Rank 与公司规模存在正相关（0.24至0.58），但它捕捉了规模无法完全代表的竞争信息。
- 高C-Rank公司通常盈利能力较强，波动率较低，且大公司的排名与规模排名并非完全重合（如通用电气、埃克森美孚市值最大但竞争力不高）。

• C-Rank 与未来股票收益的预测能力 [page::8][page::9][page::10]

- 基于控制公司规模后的C-Rank残差分组构建多空投资组合，最高组买入、最低组做空的月度对冲组合产生0.77%~1.35%的统计显著收益，年化约16%。
- 跨行业C-Rank的预测能力与全市场C-Rank相似，且稳健性较好；行业内C-Rank的收益预测不显著。

• FM回归及双重排序稳健性检验 [page::11][page::12]

- 采用Fama-MacBeth横截面回归，标准化后的C-Rank对未来收益有显著正向影响，且不仅在有竞争力公司群体间，内部差异也具有解释力。
- 结合公司规模、市盈率、盈利能力、投资强度、市场β等控制变量后，C-Rank依然是显著预测因子。
- 分析师跨行业覆盖度较高的公司，C-Rank对其股票收益的正向影响显著减弱，表明信息传递效率影响错误定价程度。

• 分析师覆盖对C-Rank 效应的调节作用 [page::12][page::13]

- 通过分析师的行业集中度和共享覆盖情况，发现分析师跨行业覆盖能有效减缓高C-Rank带来的超额收益。
- 共享分析师的竞争公司，其C-Rank所带来的超额收益显著降低。

• 对风险补偿假说的检验 [page::13][page::14][page::15]

- 跨行业C-Rank变化显著时，对冲组合股票价格短期出现3%左右的负向反应，表明市场视其为风险信号。
- 基于过去36个月滚动回归估计C-Rank贝塔，C-Rank贝塔高的股票获得更高收益，但该风险因子仅解释C-Rank水平收益的一小部分。
- 双重排序显示C-Rank水平在解释收益时比贝塔更具显著性，支持绝大部分C-Rank收益源于错误定价而非风险补偿。

• 结论与投资启示 [page::16]

- 本文利用文本分析和PageRank算法创新构建竞争排名指标C-Rank，成功捕获了企业竞争力的市场共识。
- 高C-Rank股票具备显著的预测收益能力，尤其是跨行业竞争视角更具重要性。
- 投资者对财报文本信息反应滞后，导致市场存在长期错误定价机会。
- 融合分析师覆盖数据验证信息流转机制，体现实务研究与投资应用价值。

报告详尽分析 ——《基于财报文本的竞争关系与股票收益——“学海拾珠”系列之一百一十九》

---

一、元数据与概览（引言与报告概览）

报告标题： 基于财报文本的竞争关系与股票收益——“学海拾珠”系列之一百一十九
分析机构： 华安证券研究所
发表日期： 2022年12月7日
报告作者： 分析师炜（执业证书号：S0010520070001），分析师吴正宇（执业证书号：S0010522090001）
报告主题： 通过文本分析技术，构建财报中的竞争对手网络，探究竞争关系（C-Rank）对未来股票收益的预测作用及其背后机制。

核心论点：
本文创新性地应用谷歌PageRank算法对企业年报中提及的竞争对手构造一个公司层面的竞争排名指标（C-Rank），结果显示C-Rank显著正向预测企业股票回报。以多空组合策略——买入高C-Rank股票、做空低C-Rank股票，可实现约1.35%月度超额收益（年化约16%）。该收益主要源于市场对竞争关系信息的反应迟缓，构成定价错配。文中还分析了跨行业竞争对股票收益的影响更强，以及该效应与竞争性系统风险无关，进一步借助分析师覆盖率探讨其信息传递机制。[page::0]

---

二、逐章节深度解读

1. 引言

引入传统财报信息与文本分析研究的背景，指出投资者无法充分利用竞争对手财报中隐含的协作与替代性信息。作者提出用PageRank算法整合竞争对手联动和提及强度，生成综合竞争实力指标C-Rank。提出C-Rank不仅反映公司规模，更强调集体市场视角对竞争力的评估。假设高C-Rank代表较多商业机会，但因信息复杂性导致市场滞后反应，产生高未来股票回报。本文通过实证验证C-Rank的预测能力，控制规模等因素，并区分跨行业和行业内的竞争贡献，发现股价主要受跨行业竞争驱动，展现了投资者未及时响应外部认可的商业潜力的错配机理。[page::3 page::4]

2. 构建竞争排名指标

本文选用1995-2017年期间超过11,000家公司共计119,785份10-K年报，研究其中约58%含有竞争模块，进行文本提取并建立公司相互提及网络。
基于PageRank算法的思想，C-Rank通过迭代联立方程，结合“被强竞争者提及更为重要”的理念，构建企业竞争力综合指标。算法保证每家公司的竞争力由自身及被提及企业整体竞争地位共同决定。区分三类指标：全市场C-Rank、跨行业C-Rank（剔除本行业竞争对手）以及行业内C-Rank。C-Rank由过去12个月最新报告数据计算以保证连续性，从而形成动态月度指标。
这是首个将竞争关系网络视角引入金融资产定价领域的方法，对理解市场如何消化竞争信息提供了新思路。[page::5]

3. C-Rank 分布和相关性

图表1（上下两个柱状图）反映大多数报告未提及任何竞争对手（约61%），大部分公司也未被其他公司作为竞争对手广泛提及（69%无人提及）。极少数公司（如IBM、微软）频繁被提及，体现竞争环境的头部聚集特征。
图表2-a展示C-Rank的统计描述，全市场与跨行业C-Rank均表现为偏态分布（均值显著大于中位数），行业内C-Rank平均值更高，因涉及公司范围较小（竞争面较窄）。约60%的公司在某月获得最低C-Rank（无竞争提及）。
图表2-b列出1995-2017年C-Rank排名前五公司与同期最大市值公司的对比。经典科技巨头如IBM、微软、谷歌等多次领跑C-Rank，但部分最大市值公司（如通用电气、埃克森美孚）在竞争排名中相对靠后，表明规模和竞争地位存在差异。
图表3以相关系数体现C-Rank与公司特征的关系。C-Rank和规模呈正相关（0.24~0.58），但对其他指标（市盈率、过去收益率、盈利能力等）相关度较低，意味着C-Rank独立于传统风险特征，为独特竞争信息的载体。[page::6 page::7 page::8]

4. C-Rank 和股票收益

4.1 投资组合分类

控制公司规模影响后，依据C-Rank残差分组，构建五个等权投资组合。结果显示，全市场C-Rank的五分位组合收益单调上升，多空组合产生显著月超额收益0.77%~1.35%不等（CAPM与6因子模型均显著），累计收益超过253%，年化阿尔法约16%。
跨行业C-Rank股票表现类似，超额收益0.78%~1.30%，统计显著。相对而言，行业内C-Rank未表现出显著预测收益能力，甚至有时负效应，凸显跨行业竞争对股票收益影响的主导作用。
进一步双重排序分析显示，不同股票传统特征间（规模、市盈率等），高C-Rank组仍保持较高收益，强化了C-Rank信息的独特性和稳健性。图表5、6呈现了收益曲线和稳健性测试，后者涵盖剔除1月、经济衰退期间，及不同回报期限（3、6、12、18月），结果一致且结论稳健。[page::8 page::9 page::10 page::11]

4.2 FM回归（横截面回归）

使用Fama-MacBeth回归进一步控制多种风险因子，C-Rank仍显著正相关于未来收益（t值3.05），对仅竞争性公司样本效果弱但仍显著（t约2.13）。跨行业C-Rank表现优于行业内C-Rank（后者效果微弱无显著性），支持市场竞争力需借助全市场及跨行业视角才能准确捕捉。此处C-Rank对收益的附加解释力，验证了投资者对竞争信息反应不完全。[page::11 page::12]

4.3 错误定价与分析师覆盖

文章进一步用分析师覆盖范围捕捉投资者信息获取渠道的作用，测试支持市场信息不充分反映竞争关系导致定价错配的假设。利用IBES数据库中分析师行业集中度指标（HHI），结果显示：

• 行业分散覆盖的分析师研究的公司，其C-Rank组合回报更高。跨行业C-Rank多空组合月α在高覆盖度组为1.10%，低覆盖度仅0.30%，差异统计显著（t=2.48），表明跨行业分析师能较快反映市场认可的商业机会，降低价格低估。

- 公司分析师与其竞争对手共享与否的测试亦表明，共享分析师的公司C-Rank效应大幅减弱，进一步支持信息传递机制中存在“注意力或覆盖”缺陷致定价错配。
这为C-Rank解释市场收益部分来自投资者信息不足提供实证支持。[page::12 page::13]

5. 风险补偿解释的测试

作者探讨C-Rank效应是否包含系统性风险补偿成分。假设高C-Rank公司面临更大竞争压力，被更多强竞争对手关注，可能带来更大业绩波动性和风险溢价。

• 通过研究C-Rank变化（当C-Rank意外大幅升高时视为风险增加），发现跨行业竞争对手的C-Rank突然增加导致相关股票平均回报在随后数月内显著下降超3%。这种负面反应反映竞争压力的风险溢价性质。

- 利用36个月滚动回归估计每家公司对市场C-Rank因子收益的Beta，发现高Beta股票表现显著优于低Beta股票（6因子alpha约0.52%，t=2.47），且该风险效应主要由跨行业竞争贡献。

• 双重排序与横截面回归进一步表明Beta解释了部分但有限的收益差异，C-Rank的超额收益更多源于市场的错误定价而非完全风险补偿。

综上，投资者对竞争相关信息的反应迟缓为主因，但风险溢价机制也有一定贡献。[page::13 page::14 page::15]

---

三、图表深度解读

图表1 提及竞争对手分布

图表上下两幅柱状图分别展示了：

• 第一幅显示每份报告中提及竞争对手数量的分布，近61%报告无竞争对手提及；

- 第二幅展示每家公司每年被作为竞争对手提及的报告数分布，约69%公司无人提及。
这反映出竞争提及的高度稀疏性，竞争关系集中在少数头部企业，印证了市场结构的寡头特征。图表强调竞争力量不均衡，是PageRank算法应用的基础。[page::6]

图表2 C-Rank统计与历年排名对比

• 图表2-a展示C-Rank的统计量说明，包括均值偏态、三个维度的相关性，突出跨行业与全市场C-Rank的高度相关。

- 图表2-b收录了1995-2017年全市场C-Rank排名前五企业（如IBM、微软、谷歌）与同期市值最大公司（GE、苹果等）。对比显示企业规模不等同竞争实力，大型龙头不必然是头部竞争者，因而C-Rank提供了对市场竞争格局的补充描述与洞察。[page::7]

图表3 相关性矩阵

以皮尔逊相关系数形式列出C-Rank与市值、投资强度、盈余等财务指标的关系。虽与公司市值存在一定正相关，但与其他风险因子相关较小，指示C-Rank捕捉了市场传统视角以外的竞争信息。[page::8]

图表4 投资组合收益排序

分三种C-Rank维度展开，显示月度不同分位组合的超额收益和做多高C-Rank做空低C-Rank对冲组合的收益。显著的跨行业和全市场正向梯度，行业内不显著，验证了文章核心假设。各统计量显示显著性和稳健性。[page::8-9]

图表5 累积收益表现

两条曲线分别表示对冲组合的累计超额收益和6因子alpha均呈稳步上升，验证长期有效性。时间上，C-Rank收益影响力早期更强，后期依旧稳健。[page::10]

图表6 多维稳健性检验

• 子图6-a：双重排序结果确认C-Rank对收益的持久贡献；

- 子图6-b：分子样本（剔除1月、非衰退期、不同年代）和持有期(3-18个月)多样性下收益效果均稳健。[page::10-11]

图表7 FM回归结果

系统地体现C-Rank对未来收益的回归系数和显著性，跨行业和全市场C-Rank表现稳健，行业内作用弱化。[page::11-12]

图表8 分析师覆盖影响

分为两面板：

• Panel A显示分析师跨行业覆盖度高的公司，C-Rank效应更强；

- Panel B展示分析师共享竞争对手公司时，C-Rank对冲组合表现显著下降，体现覆盖度对定价效率的促进作用。[page::12-13]

图表9 C-Rank变化与价格反应

时间序列展示月度围绕C-Rank大幅变化的超额收益，跨行业组合显著负面反应，符合风险溢价效应。[page::14]

图表10 C-Rank Beta排序收益

• 按滚动估计的C-Rank风险敞口排序投资组合，表现出高Beta组合有超额回报；

- 双排序图显示Beta解释力有限，C-Rank本身的水平更为显著。揭示收益的风险与非风险成分。[page::14-15]

图表11 双重排序6因子alpha

综合前述排序，揭示不同C-Rank水平和Beta组合的超额收益，支持之前结论。[page::15-16]

---

四、估值分析

报告侧重于竞争力指标和股票收益预测的实证分析，未直接涉及公司估值模型和目标价等传统估值内容。其核心估值逻辑为：C-Rank作为市场尚未充分定价的非传统因子，通过信息不对称及投资者反应滞后产生超额收益。这与经典金融资产定价中的异象解释相符，但未应用具体的DCF模型、PE倍数或EV/EBITDA等量化工具。

---

五、风险因素评估

报告明确风险提示主要包括：

• 本文结论基于历史数据和美国市场文献，可能受限于样本和市场特性，尤其无法直接映射至中国市场；

- 文本提及量和分析师覆盖的动态性质可能随市场环境变化；

• PageRank模型自身对输入数据和算法参数敏感，存在模型风险；

- 定价错配机会可能因市场效率提升及信息技术发展减少；

• 本报告不构成投资建议，实际投资需结合更多因素分析。[page::0 page::16]

---

六、批判性视角与细微差别

• 模型依赖性与效用的局限性：

C-Rank指标虽创新，依赖企业财报中竞争模块的提及，然而非所有公司均详述竞争情况，且竞争对手的涵盖范围和标准可能存在主观选择偏差。此外，PageRank对数据缺失及提及频率异常敏感，可能导致竞争力评估失真。

• 跨行业竞争的定义及实际影响：

虽实证指出跨行业C-Rank更具预测能力，但某些行业可能本身边界模糊或存在多重产品线，行业划分的僵硬可能影响结果解读。

• 信息传递机制假设的间接性：

文章通过分析师覆盖度间接证实信息不对称及市场反应不足，但缺乏对投资者行为具体路径的直接观察。分析师可能既是信息接受者也是传递者，彼此作用复杂。

• 风险补偿解释的相互作用：

风险补偿机制虽得到一定支持，但回报的解释力有限且较弱，暗示市场部分修正能力，尚需更细致模型解构非系统风险与行为因素的交织。

• 样本时间跨度与市场变化的影响：

研究跨23年涵盖多个经济周期及技术变革，期间信息技术进步可能影响投资者对文本信息的处理效率，应考虑结构性变化对结果的稳健性影响。

• 未涉及中文市场的适用性和差异：

结论基于美股与其监管环境，对中国市场文本财报的透明度、投资者行为差异及监管环境存在差异，需谨慎外推。

整体来看，文章采用严谨学术方法，结合丰富数据和多维检验，较为全面论证竞争文本网络与投资收益的内在关系，但受限于模型假设与数据，解读需附加市场与方法局限考量。

---

七、结论性综合

本报告首次系统应用PageRank算法剖析企业在年报中相互提及的竞争关系，建立公司层面的C-Rank指标，为研究企业竞争力与股票超额收益提供创新思路。核心发现是C-Rank显著正向预测公司未来股票收益，尤其基于跨行业竞争的C-Rank效应明显，而行业内竞争对收益影响有限。该效应不仅在多个子样本、持有期限和风险控制模型下稳健存在，还与分析师跨行业覆盖度显著相关，表明信息不充分传播导致的市场错配是驱动因子之一。

进一步的风险补偿测试表明，虽然竞争地位也意味着系统性风险的增加（如C-Rank大幅上升引发股价下跌），但这一风险因素解释的超额收益比例有限，大部分超额回报源于投资者对竞争文本信息的缓慢反应。

图表和数据明确阐释了竞争对手提及的稀疏结构、C-Rank分布特征以及其与传统公司财务指标的弱相关性，确保该因子独立信息价值。投资组合绩效和FM回归结果证实了因子的稳健性和经济意义。

总体上，报告展现了利用企业间文本信息网络结构探寻上市公司竞争地位及其对投资表现影响的前沿研究成果，指出基于另类文本数据的因子构建是未来市场分析和量化研究的重要方向。文末强调该研究基于历史及海外数据，供投资者研究参考，不构成实操建议。

---

参考

内容核心摘选自 Assaf Eisdorfer, Kenneth Froot, Gideon Ozik, Ronnie Sadka，《Competition Links and Stock Returns》，刊于 The Review of Financial Studies。并由华安证券研究所翻译解读整理。[page::16]

---

结束语

此篇“学海拾珠”报告系统梳理了通过文本分析量化公司竞争地位对股票收益率的影响机制，结合丰富图表数据和严谨统计方法提出了令人信服的新因子框架。报告的信息含量高，数据详实，逻辑清晰，可为研究金融文本信息挖掘及因子投资策略提供有效参考。投资者和学者可据此检验竞争网络在其他市场的适用性及发展空间，推动文本数据在投资决策中的更深入应用。

---

注：以上分析所有关键结论均明确溯源至报告相应页面，确保内容可追溯及客观准确。

报告