【广发金工】财务附注中寻找低频Alpha增量：财务附注因子挖掘系列研究（一）

广发陈原文 2026-06-30 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 4 /5

核心内容

报告针对财务附注中的研发投入信息进行建模，构建了18个研发支出相关因子，涵盖研发效率、投入结构、动态变化等维度。通过原始因子及三因子（规模、成长、行业）回归残差因子两种处理方式，在申万一级行业分类下，测试季度与半年两种调仓频率的选股效果。研究发现人均研发产出、研发资本化规模、研发资本费用比等因子在机械设备、化工、计算机、医药生物等特定行业中表现突出。

经济逻辑

1. 研发效率驱动：单位研发人员产出越高，企业研发效率越高，未来超额收益越强（如人均研发产出残差）。2. 研发投入结构信号：资本化研发支出比例或规模越高，说明管理层判断研发项目未来经济利益明确、确定性提升，预示项目接近落地，市场给予溢价。3. 以研发换增长逻辑：在研发密集型行业，人均营收产出较低往往意味着研发人员占比高、研发投入强度大，市场给予溢价（因子取反有效）。

超额收益逻辑

通过挖掘传统财务报表未充分定价的附注信息获取超额收益。研发资本化规模及比例反映了管理层对未来经济利益的信心和研发项目落地的确定性；人均研发产出反映研发效率。这些细颗粒度财务信息在特定行业内部具有显著的定价区分度，能产生低频Alpha增量。

构造细节 [factor]

因子定义

1. 人均研发产出 = 营业收入 / 研发人员数量；2. 研发资本化规模 = 资本化研发支出绝对值；3. 研发资本费用比 = 资本化研发支出 / 费用化研发支出；4. 研发费用化占比 = 费用化研发支出 / 研发总支出；5. 资本化研发收入转化效率 = 营业收入增量 / 资本化研发支出。残差因子即将上述原始因子对规模、成长、行业三因子进行横截面回归，取回归残差。部分因子如人均研发产出在特定行业需取反方向。

处理流程

获取财务附注研发相关数据（4月30日更新）
计算原始因子值（如人均研发产出等）
构建规模、成长、行业三因子矩阵
横截面回归：原始因子 = a*规模 + b*成长 + c*行业 + epsilon
取残差epsilon作为残差因子
在申万一级行业内进行因子RankIC测试与分组回测

参数

数据确认时点: 4月30日

数据输入

: (年度): (年度): (年度): (年度): (年度): (截面)

组合方式

对原始因子进行规模、成长和行业三因子截面回归，取残差作为最终因子，以剔除常见风格暴露。

绩效

6.17%

人均研发产出残差因子_机械设备行业_季度调仓_RankIC

0.44

人均研发产出残差因子_机械设备行业_季度调仓_ICIR

3.88%

人均研发产出因子_电子行业_半年调仓_RankIC

10.70%

研发资本化规模残差_化工行业_季度调仓_RankIC

7.27%

资本化研发收入转化效率残差因子_计算机行业_半年调仓_RankIC

基准: 申万一级行业分类

回测期: 2016年至2026年3月31日

本报告通过挖掘财务附注中的研发投入相关数据，构建了18个研发类因子。在A股市场季度和半年调仓频率下的测试结果表明，人均研发产出、研发资本化规模、研发资本费用比等因子在机械设备、化工、计算机、医药生物等细分行业中表现出较强的选股能力。

收益归因

缺口: 报告仅对因子进行单一有效性测试（RankIC、ICIR等），未对构建的组合进行收益归因分析。

稳健性

子样本稳定性: 因子在不同行业表现差异较大，如人均研发产出残差在机械设备行业稳健（RankIC 6.17%），但在全市场平均RankIC仅3%左右，信息集中于特定行业。部分因子在季度与半年调仓下均有效，但有些因子在半年调仓下稳定性显著改善。

风格偏差: 通过规模、成长、行业三因子截面回归取残差，已剔除常见风格暴露。

因子具有较强的行业属性，需在细分行业内使用；通过残差化处理剥离了风格暴露，整体稳健性较好，但单一行业样本量可能限制了因子容载量。

数据依赖

所需数据: 上市公司年报财务附注研发科目数据（研发人员数量、资本化/费用化研发支出、研发总支出等）、营业收入、规模因子、成长因子

可复现性: medium

所需财务附注数据均可通过公开年报获取，但需精确解析附注文本与结构化表格，且严格遵守4月30日可得时点以防范前视偏差，数据清洗与对齐有一定门槛。

新颖性评估 [新数据]

将视线从传统量价高频数据转向低频财务附注中的研发明细科目，通过构建残差因子挖掘特定行业内的低频Alpha增量，属于在低频维度寻找增量信息的新数据挖掘。

不足与缺陷

因子仅在特定细分行业内有效（如机械设备、化工、计算机等），全市场RankIC偏低（约3%），因子容量和普适性受限。
报告仅展示了RankIC和ICIR，未提供完整的分组多空收益、换手率及扣费后超额收益净值，缺乏实盘交易层面的实证支持。
未对因子进行收益归因分析，无法确认超额收益来源是否完全独立于其他已知风格或基本面因子。
18个因子中仅列举了部分有效因子，存在多重检验和过拟合风险，缺乏样本外验证或稳健性交叉检验。

可复用元素

提取财务附注研发数据并结构化的方法，拓展了基本面因子库的数据源。
使用规模、成长、行业三因子回归取残差的去噪方法，思路标准且实用。
分行业测试因子有效性的框架，揭示了因子在不同产业链的异质性表现。
4月30日防前视偏差的数据对齐规则。

启发

低频另类财务数据的深度挖掘仍有Alpha空间，特别是从会计结构（资本化vs费用化）切入，反映管理层预期。
全市场效果一般的因子，可能在细分行业内具备显著增量信息，因子研究需注重行业逻辑的匹配度。

改进方向

构建动态边际变化因子，例如资本化研发支出增速与费用化研发支出增速之差，衡量管理层研发预期的边际改善。

基于: 现有静态的‘研发资本费用比’因子，通过引入时间维度提取动态预期变化。预期收益: 增速差能更敏锐地捕捉研发项目从早期向落地期转换的拐点，提升因子在计算机、医药等研发驱动型行业的前瞻性选股能力。

复现计划

1. 从Wind/聚源等数据库提取A股2016-2026年财务附注中的研发人员数量、资本化及费用化研发支出、研发总支出及营业收入，数据点以4月30日为确认时点。2. 剔除上市不足1年新股及调仓日不可交易股票。3. 按公式计算原始因子（如研发资本化规模、人均研发产出等）。4. 构建规模、成长、申万一级行业哑变量矩阵，对原始因子进行横截面回归取残差。5. 在每年3、6、9、12月底及4、8月底进行调仓，计算行业内RankIC、ICIR及分组净值，与报告披露数值进行比对校验。