【广发金工】基于相似度的因子研究

广发张钰东 2026-06-11 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 3 /5

核心内容

本报告基于金融市场的羊群效应和领先滞后效应，通过多维度特征刻画股票间的相似性关系。报告首先从财务报表和市场交易特征出发，初步筛选一系列基本指标，发现这些指标直接用于选股的RANKIC和ICIR较低。相关性分析显示，反映相似特征的指标之间也存在较高相关性（如营业收入与净利润相关性约53%），因此应从多维度角度刻画股票相似性。最终筛选价格、市值、估值、盈利和投资五个维度的特征，计算股票间欧几里得距离筛选相似股票。最初的SIM因子（相似股票收益加权均值）月频IC仅-2.9%，效果不理想；改进后的SIM_corr因子以收益相关系数作为权重，月频IC提升至7.6%，周频IC达6.8%，表现显著改善。

经济逻辑

金融市场存在羊群效应：当某只股票收益率较高时，会吸引投资者关注，这种关注会溢出到具有相似特征的股票上。同时，不同公司对相同基本面信息的反应速度存在差异（领先滞后效应），部分公司能迅速反应，部分公司存在时滞。因此，若与目标股票具有相似特征（价格、市值、估值、盈利、投资等维度接近）的股票在上一期获得较高收益，则预期目标股票本期可获得高收益。这种效应源于投资者关注度有限、信息处理能力有限以及行业估值复杂性等因素。相关性程度加权相比简单距离加权更优，说明收益层面的真实关联强度比特征空间的距离更能预测领先滞后关系。

超额收益逻辑

超额收益来源于羊群效应和领先滞后效应。当相似特征的股票获得高收益时，投资者的关注度会溢出到相似股票上，推动其价格随后上涨。这种效应的微观基础包括：(1)信息外部性——投资者通过观察相似股票的走势获取信息；(2)投资者注意力有限——无法同时处理所有股票信息，导致信息扩散存在时滞；(3)行业估值复杂性——多业务公司股价反应更慢。SIM_corr优于SIM的原因在于：相关系数直接衡量了收益层面的真实关联强度，比特征空间的欧几里得距离更能捕捉到实际的领先滞后关系，过滤了特征相似但收益关联弱的噪音。因子与常见风格因子相关性较小，说明其提供了增量alpha信息。

构造细节 [factor]

因子定义

1. 特征矩阵构建：对每只股票i，提取价格P_i、市值MV_i、估值V_i、盈利E_i、投资I_i等5个维度特征，标准化后构成向量F_i = [P_i, MV_i, V_i, E_i, I_i]。 2. 欧几里得距离计算：d(i,j) = sqrt(Σ_k (F_ik - F_jk)^2)，其中k遍历5个特征维度。 3. 相似股票筛选：对每只股票i，选取d(i,j)最小的N只股票作为相似股票集合S_i。 4. 收益相关系数计算：对S_i中的每只股票j，计算其与股票i在历史窗口内日收益率的Pearson相关系数corr(i,j)。 5. SIM_corr因子构建：SIM_corr_i = Σ_{j∈S_i} corr(i,j) × r_j_prev / Σ_{j∈S_i} |corr(i,j)|，其中r_j_prev为相似股票j的上一期收益率。 6. 对比：SIM_i = Σ_{j∈S_i} w_j × r_j_prev（距离倒数或等权加权，效果不理想，IC -2.9%）；RSIM_i = r_i_prev - SIM_i。改进关键在于用收益相关系数corr(i,j)替代简单距离权重。

处理流程

步骤1：获取全市场股票的五维特征数据（价格、市值、估值、盈利、投资）
步骤2：股票池筛选：剔除非上市、摘牌、ST/*ST、涨跌停板、上市未满1年股票
步骤3：特征预处理：对每个特征维度独立进行MAD去极值（中位数±3×MAD截断）和Z-Score标准化
步骤4：计算股票间欧几里得距离矩阵：在标准化特征空间中计算所有股票对的距离
步骤5：筛选相似股票：对每只股票，选取距离最小的N只股票作为相似股票池
步骤6：计算收益相关系数：基于历史日收益率序列，计算目标股票与每只相似股票的Pearson相关系数
步骤7：构建SIM_corr因子：以相关系数为权重，加权相似股票上一期收益率
步骤8：因子预处理：对SIM_corr因子值进行MAD去极值、Z-Score标准化
步骤9：（可选）行业市值中性化：对因子值回归行业哑变量和市值对数，取残差
步骤10：分组回测：按因子值分十档，计算IC、多空收益、胜率等指标

参数

特征维度数: 5相似股票数量N: 未明确(参数敏感性测试显示结果一致)距离度量: 欧几里得距离收益窗口: 未明确加权方式: 相关系数加权

数据输入

: (日频): (日频): (日频): (财务(季度)): (财务(季度)): (日频)

组合方式

五个维度特征等权组合计算欧几里得距离；相似股票收益以相关系数加权汇总

绩效

7.6%

IC均值(月频)

74.8%

IC胜率(月频)

25%

多空年化收益(月频)

1.96

夏普比率(月频)

14%

多头年化收益(月频)

6.8%

IC均值(周频)

76.8%

IC胜率(周频)

47%

多空年化收益(周频)

3.24

夏普比率(周频)

18%

多头年化收益(周频)

基准: 全市场

回测期: 2015.01.01 – 2024.10.31

SIM_corr因子在月频和周频全市场选股中表现优异，月频多空年化收益25%，夏普1.96；周频多空年化收益47%，夏普3.24。行业市值中性化后特征进一步增厚，且在中证1000股票池中表现更佳。

收益归因

缺口: 研报未进行详细的收益归因分析

稳健性

子样本稳定性: 分域检验显示因子在中证1000股票池中回测IC相对更高，多头组区分度更突出，说明在小市值股票中羊群效应更强。沪深300和中证500中也有一定效果但弱于中证1000。

风格偏差: 因子与常见风格因子（市值、估值、动量、反转等）相关性总体较小，说明因子提供了与传统风格因子不同的增量信息。行业市值中性化后ICIR、IC胜率、夏普比率进一步增厚，说明原始因子有一定的行业和市值暴露，中性化后纯alpha更显著。

稳健性较好：(1)参数调整（相似股票数量、加权方式）对结果影响不大；(2)收益序列正负方向拆分后特征与拆分前基本一致；(3)周频和月频均有效，周频效果更强；(4)行业市值中性化后表现提升；(5)与风格因子相关性低。但不足在于：研报未给出完整的参数设定值和因子精确公式，且分域检验显示大盘股效果较弱。

数据依赖

所需数据: 全市场股票行情数据（日频收盘价、收益率）、市值数据、估值指标（PE/PB等）、财务报表数据（净利润、营业收入等，季度频率，需TTM滚动处理）。均为常规量价和基本面数据，无特殊数据需求。

可复现性: medium

数据依赖简单，均为公开可获取的常规量价和财务数据。但因子构造中多个关键参数未明确给出（相似股票数量N、收益相关系数计算窗口长度、具体特征指标定义），需要研究者自行测试确定，复现需一定探索。

新颖性评估 [新组合]

因子构造方法本身（欧几里得距离+k近邻+加权收益）并非全新，学术上已有类似k-NN选股研究。本报告的创新在于：(1)将相似度从行业/产业链拓展到价格、市值、估值、盈利、投资五维特征的综合相似度；(2)关键改进在于用收益相关系数替代距离权重构建SIM_corr因子，将特征相似度与收益关联度结合；(3)在A股市场系统验证了周频和月频的有效性，且分域检验揭示了小市值更显著的规律。整体属于已有方法的新组合和应用创新，而非全新方法。

不足与缺陷

关键参数缺失：相似股票数量N、收益相关系数计算窗口长度、具体五维特征的定义均未明确给出，严重影响可复现性
SIM_corr因子的精确数学公式未给出，仅描述为以'相关性程度'方式构建，存在多种合理解释
因子计算复杂度高：需要计算全市场股票两两之间的欧几里得距离矩阵（O(n²)复杂度），当股票数量大时计算量显著
未提供因子换手率数据的完整展示，周频策略换手率可能很高，实际扣费后收益可能大打折扣
SIM因子（IC -2.9%）与SIM_corr因子（IC 7.6%）的效果差异巨大，缺乏对为何相关性加权如此关键的深入理论解释
未与更多已有相似度因子（如行业关联、产业链关联、收益率协方差矩阵相似度等）进行对比
样本外稳定性检验不足，2024年市场风格变化下的表现未单独展示
未讨论因子的容量限制，中证1000中表现最好但流动性约束可能限制资金规模

可复用元素

五维特征框架（价格、市值、估值、盈利、投资）提供了刻画股票相似性的简洁体系
用收益相关系数替代距离权重的思路值得借鉴——将特征相似度与收益关联度结合
周频和月频的对比测试框架，以及分域检验（沪深300/中证500/中证1000）的稳健性验证方法
收益序列正负方向拆分的稳健性检验方法
行业市值中性化前后对比的因子评估框架

启发

特征相似度+收益相关系数的组合方式可以推广到其他因子构造中——用'特征筛选关联股票+收益相关度加权'的范式
周频效果显著强于月频（多空年化47% vs 25%），说明羊群效应/领先滞后效应是短期现象，可结合反转因子做短期交易
中证1000中效果最好，暗示散户参与度高的股票羊群效应更强，可考虑以散户占比/机构持仓比例作为分域条件
SIM到SIM_corr的改进思路启发：任何用简单距离/权重加权的因子，都可尝试用收益相关系数加权来改进

改进方向

用动态时间规整(DTW)距离替代Pearson相关系数来衡量收益序列相似度，并在欧几里得距离中加入行业哑变量和风格因子暴露作为特征维度

基于: 研报用Pearson相关系数加权相似股票收益，但Pearson仅捕捉线性关联且对异常值敏感；研报也未在特征空间中加入行业信息预期收益: DTW能捕捉收益序列的非线性形状相似性，加入行业特征可更精准定位同行业内的领先滞后关系，预期IC提升1-2个百分点，多空收益提升10-15%

将相似度因子与反转因子结合——对相似股票近期高收益但目标股票尚未跟随的情况，区分'信息扩散中'（做多）和'过度反应'（做空反转）两种状态

基于: 研报提到短期羊群效应伴随价格反转，但SIM_corr因子本质上做的是相似股票动量的溢出，未区分信息扩散和过度反应预期收益: 通过区分信息扩散和过度反应两种状态，可同时捕捉领先滞后效应和反转效应，预期多空夏普比率从1.96提升至2.3+

用图神经网络(GNN)学习股票间的相似性权重，替代手工设计的欧几里得距离+相关系数加权方案

基于: 研报的相似度刻画依赖手工特征选择和固定距离度量，可能遗漏重要相似性维度预期收益: GNN可自适应学习股票间复杂非线性关系，预期IC提升至8-9%，且可发现人工难以发现的隐含相似性模式

复现计划

1. 数据准备：获取2015-2024年全A股日频行情（收盘价、涨跌幅）、市值、PE/PB等估值指标、季度财务数据（净利润TTM、营业收入TTM、ROE等）。 2. 特征构建：对每只股票构建五维特征向量[收盘价, 总市值, PE_TTM, ROE_TTM, 营收增长率_TTM]，每月末截面进行MAD去极值+Z-Score标准化。 3. 距离矩阵计算：每月末计算全市场股票两两欧几里得距离，对每只股票选取距离最小的N只（N需参数搜索，建议测试N=5,10,20,50）。 4. 相关系数计算：对每只股票i和其相似股票j，用过去60个交易日日收益率计算Pearson相关系数corr(i,j)。 5. SIM_corr因子：SIM_corr_i = Σ corr(i,j) × r_j(t-1) / Σ|corr(i,j)|，其中r_j(t-1)为相似股票j上一期（月频为上月、周频为上周）收益率。 6. 因子预处理：MAD去极值+Z-Score标准化+行业市值中性化（回归行业哑变量+ln(市值)取残差）。 7. 回测：月频/周频分十档，月频2015.01-2024.10，交易费千三，调仓于月末/周末次日均价。验证IC、多空收益、夏普等指标是否与研报一致。8. 关键参数搜索：N值、相关系数窗口长度（建议30/60/120日）、是否行业市值中性化。