金融科技（Fintech）和数据挖掘研究（五） ——FactSet供应链数据在A股上的应用

重要提示：《证券期货投资者适当性管理办法》于2017年7月1日起正式实施，通过本微信订阅号发布的观点和信息仅供海通证券的专业投资者参考，完整的投资观点应以海通证券研究所发布的完整报告为准。若您并非海通证券客户中的专业投资者，为控制投资风险，请取消订阅、接收或使用本订阅号中的任何信息。本订阅号难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本订阅号推送内容而视相关人员为客户;市场有风险，投资需谨慎。
[h1]1.1FactSet供应链数据及A股相关因子[/h1][h1]1.1FactSet供应链数据简介
[/h1]供应链是另类金融数据中最为常用与有效的数据类型。它不仅直接刻画了上市公司各关联方的特征，展示了公司在市场中的重要程度，还可以帮助投资者及时获知各类信息在市场上的传递情况。
FactSet提供的供应链数据十分全面。它通过对不同关系的分类，使用户可以全面准确地透视公司间的关联性。如下图所示，同一供应链上的所有企业被分门别类，归入四大项总计13种关系中，实现了各公司的直连。

Supplier，传统意义上的上游供应商。包括报告供应商（Reported Suppliers）、制造（Manufacturing）、营销（Marketing）、在授权（In-licensing）和配送（Distribution）；
Customer，传统意义上的下游客户。包含报告客户（Reported Customers）和授权（Out-licensing）。
Competitor，竞争对手，在主营业务上有竞争关系的其它公司。
Partnerships，战略合作伙伴，区别于直接提供生产原材料的供应商，一般指与公司有战略合作关系，共同进行项目研发、收购其他公司的重要合作方。包括研究合作（Research Collaborations）、集成产品供给（Integrated Product Offerings）、合资公司（Joint Ventures）、股权投资/投资者（Equity investment/Investors）。

[h1]1.2FactSet供应链数据对A股的覆盖情况
[/h1]基于处理海外数据的长期经验，FactSet目前已将A股纳入其全球供应链体系。下图展示了A股历史覆盖率的变化。

从全市场维度来看，FactSet供应链数据的A股覆盖率从2014年中期开始显著提升。截止2019年7月底，已达75%。这足以反映出，海外数据供应商近年来对A股上市公司的重视程度。而75%的覆盖率，也基本保证了海外绝大部分从此类数据中衍生出的策略，均可以在A股市场得到有效验证。

上图展示了FactSet供应链数据在A股主流宽基指数中的覆盖情况。2014年以来，覆盖率都有所提升。其中，尤以中证800与沪深300的覆盖情况最优。2015年之后。便始终保持在90%以上。而在代表中小盘风格的中证1000指数中，覆盖情况则相对较差。这主要是由于小市值股票的信息披露不全，造成相关数据的获取难度大为增加。

上图显示了截止2019年7月，FactSet供应链数据在29个中信一级行业中的覆盖情况。一般认为，由于制造业的上下游清晰，理应有较高的覆盖率。但实际上，FactSet供应链数据在那些市值较大的行业中，如银行，反而有更高的覆盖率。而像建筑、轻工制造等标准制造业的覆盖率反而较低。我们猜测，这可能与数据的获取难度有关。
[h1]1.3基于FactSet供应链数据的A股相关因子
[/h1]在前期的报告中，我们提出了基于图网络的三大类因子——度，中心性，溢出效应。在供应链网络中，它们都有更加直观的定义和解释（见下图）。

下图展示了FactSet供应链网络中，和A股上市公司有直接关联关系的公司的类型占比。其中，同为A股上市公司的比例非常低，最新一期也仅为10%左右。海外上市公司的占比在50%-60%之间，剩余不到40%为非上市经济实体，包括政府、私人公司、分支机构等。

以上特征与我们之前试图通过Wind的应收账款数据，将A股上市公司连成关系网的结果一致。A股上市公司要形成直连是比较困难的，一般都需经过多个非A股上市公司，才能与另一家A股公司取得联系。[h1]1.3.1度[/h1]度是图网络因子中构建方式最为简单的。在FactSet的供应链数据中，度因子的计算步骤如下图所示。
根据关联关系的类型不同（供应商、客户等），度因子一般可被分为“入度”和“出度”。而对于这两种定义，因子值越大，都表示标的在这种关系上具有更高的分散度。如，供应链网络中，“入度”越高的公司往往代表它的供应商更为分散。理论上，该公司的运营也会更加稳健。

[h1]1.3.2中心性[/h1]在图论中，中心性表示图中的每个节点在这张图中的重要性。PageRank算法是较为常用的计算中心性的方法。
PageRank算法的第一步是依据连通图得到邻接矩阵（见下图）。

第二步，构建初始化得分矩阵P，并按以下公式迭代。
其中，A为上图的邻接矩阵。上述迭代直到满足：
或迭代次数超过预设最大迭代数为止。FactSet供应链网络中的节点数十分庞大，总数接近4万个，很难直接使用邻接矩阵方法进行计算。因此，我们在计算该网络的PageRank值时，将迭代算法修改为基于连通图的非矩阵形式。
[h1]1.3.3溢出效应[/h1]度和中心性因子的计算，只需根据供应链数据建立A股上市公司与其他公司或实体的关系对。而溢出效应进一步要求将这些关系按照某种共同的属性，组成一个个群域网络，并考察网络内公司的互相影响。下图给出了一种较为简单的群域网络构建流程。首先，从一个A股实体出发，寻找某种关系的所有上下游，形成1级配对。随后，再从每个1级配对实体出发，查找同种关系的下游实体，与初始实体形成2级配对。依此类推，直至到达设置的最大层数停止。

随着向下配对层数的增加，相应的关系对数量也会呈指数级增长。在FactSet的供应链数据中，只需深入到第三层，就可得到超过40万组A股上市公司的配对。而到第四层，配对数量则会超过120万组。不过，随着向下层数的增加，理论上对初始实体的影响也会快速衰减。因此，我们在构建群域网络时，一般会将最大层数设置为三层。[h1]2A股供应链因子组合的表现[/h1]由于FactSet的供应链数据尚未覆盖所有A股，因此本节在覆盖率较高的沪深300、中证500和中证800的指数成分股中，构建供应商数量、客户数量和PageRank三个供应链因子组合，考察它们的历史表现。组合的具体构建步骤如下，（1）每个月月末，分别在沪深300、中证500和中证800的指数成分股中，选出供应链因子得分最高的50只股票，构建供应链因子等权组合。（2）按照相同的方法构建盈利（ROE）因子组合和成长（ROE同比）因子组合。（3）使用供应链因子对盈利和成长组合进行增强。即，选出ROE或ROE同比最高的100只股票后，再从中选出供应链因子得分最高的50只股票，构建等权组合。[h1]2.1供应商数量因子
[/h1]下表展示了供应商数量因子组合的表现。就单因子而言，2014年以来，它在沪深300、中证500和中证800中，均能以一个较低的换手率稳定战胜指数。

在沪深300内，供应商数量因子组合的年化收益为12.99%，相对基准的年化超额收益为3.65%，夏普比从0.38提升至0.49。叠加ROE之后，组合的年化收益上升至16.30%，年化超额收益为6.96%，夏普比进一步提升到0.66。对比ROE因子组合，年化收益（16.30%vs. 14.51）和夏普比（0.66 vs. 0.54）也有一定提升。ROE同比因子本身在沪深300内并没有显著的选股效果，加入供应商数量因子后，年化收益和夏普比提升明显，分别达到14.60%和0.55，基准——沪深300仅为9.34%和0.38。在中证500内，供应商数量因子组合的年化收益为11.82%，相对基准的年化超额收益为7.29%，夏普比提升1倍以上，达到0.36。叠加ROE因子之后，虽相比原单因子组合有进一步提升，但不及ROE单因子组合。ROE同比+供应商数量的因子组合的年化收益达到21.82%，夏普比为0.70，表现远优于单因子组合。在中证800内，供应商数量因子组合的年化收益为11.89%，相对基准的年化超额收益为3.78%，夏普比为0.44。叠加ROE和ROE同比之后，年化收益分别为19.92%和18.68%，夏普比分别为0.76和0.62，提升幅度明显。

以上6图分别展示了供应商数量因子在沪深300、中证500和中证800成分股内的因子组合累计净值和相对基准的强弱指数。该因子在中证500成分股内的表现最优，稳定战胜基准。但在沪深300和中证800中，超额收益的波动较大。
[h1]2.2客户数量因子
[/h1]如下表所示，客户数量因子在沪深300成分股内的选股表现优异。组合的年化收益为15.60%，相对基准的年化超额收益为6.26%，夏普比从0.38提升至0.62。客户数量因子的表现优于ROE和ROE同比，但叠加之后并没有产生明显的增强。

在中证500成分股内，客户数量因子组合的年化收益为10.61%，相对基准的年化超额收益为6.08%，夏普比为0.34。叠加ROE或ROE同比因子的表现较为接近，年化收益均可提升至16%左右，夏普比为0.5。需要注意的是，客户数量因子叠加ROE同比因子的组合，换手率相对较高。在中证800成分股内，客户数量因子组合的年化收益为14.22%，相对基准的年化超额收益为6.11%，夏普比为0.56。叠加ROE因子后的增强效果明显，组合的年化收益可以达到17.42%，夏普比为0.66。以下6图分别为客户数量因子在沪深300、中证500和中证800成分股内的因子组合的累计净值和相对基准的强弱指数。和供应商数量因子类似，客户数量因子在中证500成分股内的选股表现较为稳定。在沪深300和中证800中的波动较大，尤其是2019年以来，超额收益为负。

[h1]2.3中心性PageRank因子
[/h1]如下表所示，中心性PageRank因子（下简称“PageRank因子”）在沪深300成份股内的选股表现不佳，单因子组合的风险收益特征与指数相差无几。叠加ROE因子后，组合的年化收益为16.56%，夏普比为0.64，表现优于PageRank和ROE的单因子组合。

在中证500成分股内，PageRank因子组合的年化收益为11.04%，相对基准的年化超额收益为6.51%，夏普比达到0.34。叠加ROE因子后，组合的年化收益可提升至19.07%，夏普比达到0.65。叠加ROE同比因子后，组合的收益为18.21%，夏普比为0.57。在中证800成分股内，PageRank因子组合的年化收益为11.51%，相对基准的年化超额收益3.4%，夏普比为0.41。叠加ROE因子后，增强效果较好，组合的年化收益可以达到20.66%，夏普比为0.77。

以上6图分别为PageRank因子在沪深300、中证500和中证800成分股内的因子组合的累计净值和相对基准的强弱指数。PageRank因子在中证500成分股内的选股效果较优，叠加ROE同比后的因子组合可以稳定战胜指数。而在沪深300成分股内，PageRank单因子组合的整体走势与指数相近。叠加ROE后的因子组合，2014年以来相对指数有明显优势，但在2018年出现过大幅回撤。[h1]2.4因子相关性
[/h1]由下表可见，3个供应链因子与常用因子的相关系数的绝对值均未超过0.35。其中，和ROE、ROE同比因子的相关性在0.1以下，和估值呈负相关。我们认为，作为一类新因子，它可以提供有益的信息补充。但需要注意的是，供应链因子内部的相关性较高。

[h1]3基于供应链的另类业绩预增策略
[/h1]在本系列的第二和第四篇报告中，我们介绍了基于关系网传播效应的事件研究思路。不同于传统事件研究主要关注事件对发生实体的影响，此类研究的焦点在于事件通过网络传播的过程中，对关联公司产生的效应。根据这一逻辑，我们可以构建另类事件驱动策略。下图展示了事件的影响在供应链网络中的扩散方式。

例如，某个公司发生业绩预增事件，一般意味着经营情况向好。那么，一个合理的推断是，它的供应商会因为下游客户对其产品或服务的需求变得旺盛，获得业绩的增厚，并进一步反映在股价上。为了验证这一假设，我们尝试如下的设定。1、选取2014.01.01-2019.05.31期间，A股上市公司发布的所有业绩预增公告；2、回测时，剔除ST、上市未满半年及停牌的股票；3、供应商关系最多包含三层，即，最长延伸至业绩预增公司的三级供应商；4、为避免供应商自身业绩预告类事件的影响，本文仅统计在客户业绩预增事件发生前40个交易日内，未有业绩预增、预减、扭亏事件披露的供应商。[h1]3.1业绩预增公司及其供应商的描述性统计[/h1]在本文的样本区间内，我们共筛选出业绩预增事件8104次，涉及的有效供应商关系总计832组。其中，一级供应商255组，二级供应商279组，三级供应商298组。下面，我们先从行业和风格上，依次分析业绩预增公司及其供应商的情况。[h1]3.1.1触发业绩预增事件的公司[/h1]如下图所示，过去5年半，触发业绩预增的公司主要分布在基础化工、机械、电子元器件等行业，较少出现在非银行金融、餐饮旅游和煤炭行业。

按照常用因子的z-score从小到大将全市场股票分为10组，触发业绩预增事件公司在10组中的分布如下图所示。在非线性市值（市值z-score的平方）较小的1-4组，即中等市值公司中，更容易发生业绩预增事件。在估值、盈利、成长等其他风格中的分布则相对均衡。

[h1]3.1.2供应商汇总[/h1]所有触发业绩预增事件的公司，其供应商最集中的行业为电子元器件，占比超过30%。此外，在机械、基础化工、计算机、钢铁行业中的占比均超过了5%。

供应商和触发事件公司在因子上的暴露既有相同又有差异。两者都有明显的市值偏离，但前者更易出现在大盘股中，而后者多见于中盘股。此外，大部分供应商的成长性稍差，且具有波动大、交易活跃的特征。

[h1]3.2另类业绩预增事件的表现[/h1]首先，从绝对收益来看，触发事件公司和供应商在T日（业绩预增公告披露日或最近一个交易日）前后，有相同的净值变动趋势（见左下图）。T-20日至T-1日小幅下跌，业绩预增公告发布后转为明显的上涨。两者的区别在于，（1）事件触发公司的累计涨幅高于供应商；（2）供应商对事件的反应相对滞后，T日未见明显涨幅，收益T+1甚至T+2日才开始累积。如右下图所示，触发事件公司在T日即可获得1%的绝对收益。此后40个交易日，累计收益扩大至5%。而在供应商中，一级供应商的表现显著优于二级和三级供应商。具体表现为，T日几无收益，但此后40个交易日同样可获近5%的累计绝对收益。

其次，从相对中证500指数的超额收益来看，两类公司的变化特征与绝对收益类似。其中，触发事件公司T日的超额收益为1.1%，T+40日的累计超额收益为3.5%。一级供应商在T日几无超额收益，T+40日的累计超额收益为3.3%。考虑到供应商在事件发生前超额收益小于零，故可以认为，业绩预增事件实际上对供应商股价表现的改善更为显著。

第三，由下图可见，触发事件公司和供应商相对行业的超额收益变化趋势与相对中证500十分类似。最大的区别是，一级供应商相对行业的超额收益从T+6日才开始显现，而相对中证500则是从T+2日起。此外，供应商在事件发生前的负向超额收益也更为显著。

最后，从上文的分析可知，业绩预增事件的触发公司和供应商都存在显著的市值偏离。因此仅考察这些公司相对宽基指数和行业的超额收益，依然不足以准确评价此类事件的应用价值。为此，我们在控制行业的基础上，进一步剥离市值因素的影响，即计算两类公司相对同行业市值最相近的20只股票收益均值的超额部分。结果如下图所示。

同时剥离行业和市值的影响后，触发事件公司T日超额收益为1.17%，T+40日累计超额收益为1.57%。一级供应商T日超额收益为-0.02，T+40日累计超额收益为0.67%。剔除T日涨幅后，一级供应商的累计超额收益明显高于触发事件公司。
[h1]3.3另类事件驱动策略的扩展[/h1]利用业绩预增事件的利好会向供应商扩散的特征，寻找其中的投资机会，是对供应链网络的一个典型应用。这一研究思路可以被拓展到一系列事件中，如，业绩预告、业绩预期修正、客户回购和并购等，从而建立各种类型的另类事件驱动策略。上述另类业绩预增事件的信号均来自A股上市公司，而根据图6中的统计，A股的供应链关系中有50%为海外上市公司，仅有10%同为A股。因此，将事件研究局限于A股，大大限制了信号触发的频率和最终的策略容量，不妨尝试将目光投向全球的供应链网络。我们以特斯拉作为一个简单的示例。2019年7月24日，特斯拉公布二季度财报，营收不及市场预期。同时，公司联合创始人兼CTO宣布离职。受此消息影响，7月25日开盘后，特斯拉股价迅速下跌，盘中一度跌逾15%。为了考察这一利空对整个特斯拉供应链网络的影响，我们找出了部分A股一级供应商与合作伙伴，结果如下图所示。

7月26日，这7家公司的平均收益为-1.27%，而Wind全A上涨0.96%，超额收益为-2.2%。其中，为特斯拉提供液态金属产品的宜安科技下跌超过3.7%，与特斯拉进行储能项目合作的当升科技，跌幅也在2.3%以上。由此可见，除了A股之间的互相影响，海外（上市）公司的事件效应同样可以经供应链网络传递到A股市场。通过补充这部分非A股市场的信息，包括那些单纯发债的企业与A股的关联，可以进一步拓展基于供应链的另类事件驱动策略的信号源和容量。[h1]4总结与讨论[/h1]本文主要从覆盖率、构建因子组合和事件驱动策略的角度，介绍FactSet供应链数据在A股市场上的应用。目前，FactSet供应链数据对A股市场的覆盖率已达75%。且2014年以来，数据整体质量较高，完全可以满足深入研究，乃至策略设计的要求。其中，中证800与沪深300的覆盖情况更优，2015年之后便超过90%。在此基础上，我们构建了前期报告中提出的两类关系网因子——度和中心性，考察了它们与股票预期收益之间的关系。其中，中心性的计算使用PageRank算法。通过在沪深300、中证500和中证800的指数成分股中，构建供应链相关因子的股票组合，我们发现，供应商数量、客户数量和PageRank这三个因子具有一定的选股效果。以供应商数量为例，在中证500指数成分股中，因子组合的年化收益为11.82%，超额收益为7.29%，夏普比的提升幅度超过1倍。ROE同比+供应商数量的因子组合，年化收益可以提升至21.82%，夏普比达到0.70，表现远远优于供应商数量和ROE同比各自的单因子组合。更重要的是，供应链因子与传统的基本面因子（ROE、PE）相关性低，相关系数基本都在0.1以下。根据事件在供应链网络中的传播效应，可以构建另类业绩预增事件驱动策略。我们发现，供应商的股价在下游客户的业绩预增事件发生后，通常会与客户公司的股价发生同向变动。该效应在一级供应商中，体现得最为明显。T+40日的累计绝对收益可达5%，相对中证500的超额收益为3.3%，相对行业指数的超额收益为2.5%。同时剥离行业和市值的影响后，超额收益为0.7%，明显优于很难在T日介入的事件触发公司。此外，这种向一级供应商的传播效应，通常会在T+2至T+6日之间才开始累积显著的超额收益。是以，对于业绩预增事件，关注触发公司的供应商，不仅可以获得更高的收益，而且可以在事件发生后从容地进行右侧交易。在海外的供应链研究中，上游供应商的基本面变化和下游客户的经营状况，都会对中游公司产生明显的溢出效应。但遗憾的是，在A股的供应链网络中，同为A股上市公司的比例仅有10%。因此，上述这些市场异象的分析与统计，严重依赖于海外上市公司的财报和股价数据。在下一篇报告中，我们就将利用这些信息，详细展示A股市场溢出效应的具体结果，敬请期待。[h1]4风险提示[/h1]数据挖掘是从历史先验数据获取经验模型的方法，存在模型失效可能。
联系人：
余浩淼 : 021-23219883
梁镇：021-23219449

张振岗：021-23154386
专题报告下载地址：
https://pan.baidu.com/s/16uVSstHyllcLB5nEiL4bGA

“金融科技（FinTech）和数据挖掘研究”回顾
【点击标题可链接至报告原文】
1、数据挖掘技术框架简介
2、知识图谱的构建与应用
3、量化因子的批量生产与集中管理
4、FactSet供应链数据的介绍与应用
法律声明：
本公众订阅号（微信号：海通量化团队）为海通证券研究所金融工程运营的唯一官方订阅号，本订阅号所载内容仅供海通证券的专业投资者参考使用，仅供在新媒体背景下的研究观点交流；普通个人投资者由于缺乏对研究观点或报告的解读能力，使用订阅号相关信息或造成投资损失，请务必取消订阅本订阅号，海通证券不会因任何接收人收到本订阅号内容而视其为客户。
本订阅号不是海通研究报告的发布平台，客户仍需以海通研究所通过研究报告发布平台正式发布的完整报告为准。
市场有风险，投资需谨慎。在任何情况下，本订阅号所载信息或所表述的意见并不构成对任何人的投资建议，对任何因直接或间接使用本订阅号刊载的信息和内容或者据此进行投资所造成的一切后果或损失，海通证券不承担任何法律责任。
本订阅号所载的资料、意见及推测有可能因发布日后的各种因素变化而不再准确或失效，海通证券不承担更新不准确或过时的资料、意见及推测的义务，在对相关信息进行更新时亦不会另行通知。
本订阅号的版权归海通证券研究所拥有，任何订阅人如欲引用或转载本订阅号所载内容，务必联络海通证券研究所并获得许可，并必注明出处为海通证券研究所，且不得对内容进行有悖原意的引用和删改。
海通证券研究所金融工程对本订阅号（微信号：海通量化团队）保留一切法律权利。其它机构或个人在微信平台以海通证券研究所金融工程名义注册的、或含有“海通证券研究所金融工程团队或小组”及相关信息的其它订阅号均不是海通证券研究所金融工程官方订阅号。

金融科技（Fintech）和数据挖掘研究（五） ——FactSet供应链数据在A股上的应用

浏览过的版块