综合质量 4 /5
新颖性 4 /5
可复现性 3 /5
分类
基本面另类数据 财务(低频) 动量波动率 A股 统计线性
基于财报附注文本提取公司业务词汇集，通过计算公司间业务相似度(SIM)构建股票收益联动因子，捕捉市场信息摩擦下的动量溢出收益。
关键结论
月度股票收益联动因子IC均值6.45%，ICIR 1.68，多空组合年化收益20.68%；TOP100组合扣费年化收益19.24%，低关注度组合扣费年化26.8%。
核心要点
- 使用正则表达式结合Jieba分词处理财报附注业务信息，构建0-1业务信息向量计算余弦相似度SIM
- SIM加总得业务竞争度因子，预测股票波动率
- 用市值和成交额加权的相似公司收益减去目标公司收益构建月度股票收益联动因子
- 因子与现有量价基本面相关性低，在低关注度组合中表现更优
核心内容
报告通过解析A股上市公司年报附注经营范围文本，计算公司间业务相似度(SIM)，进而构建业务竞争度因子和股票收益联动因子。前者预测风险波动，后者通过度量相似业务公司的动量溢出效应获取选股Alpha。
经济逻辑
传统行业分类难以全面定义多元业务公司的竞争关系。基于文本分析的业务相似度能更准确刻画企业真实竞争网络。弱式有效市场下投资者注意力受限，对业务结构复杂的非同行业相似公司信息反应不足，导致动量溢出，相似公司前期超额收益会带动目标公司后期补涨。
超额收益逻辑
市场信息摩擦导致投资者对业务复杂公司的相似业务公司动量溢出反应不足。当相似业务公司前期大涨时，目标公司存在补涨逻辑。通过市值和成交额加权修正，避免小市值游资炒作干扰，刻画真实的动量溢出效应，从而获取超额收益。
构造细节 [factor]
因子定义
1. SIM_ij = cos(v_i, v_j)，其中v_i, v_j为公司i与j基于年度业务信息集构建的0-1向量；2. 股票收益联动因子(修正版) Factor_i = sum_{j!=i}(SIM_ij * MV_j * Amount_j * Ret_j) / norm - Ret_i。其中MV_j和Amount_j分别为j公司上期市值和成交金额，Ret_j为j公司t月收益率，Ret_i为i公司t月收益率。
处理流程
- 1. 正则定位: 在财报附注中定位含有'经营范围'、'主营业务'等关键词的句子
- 2. 清洗去噪: 删除前缀排除性表述(如'不含XX')和后缀排除性表述(如'XX除外')后的内容
- 3. 分词处理: 使用Jieba工具分词，去除停用词和重复词，得到公司业务信息集
- 4. 向量化: 合并当年所有公司业务信息集形成年度业务信息集(全库词表)，为每家公司构建0-1向量
- 5. 相似度计算: 计算公司间向量的余弦相似度得到SIM矩阵
- 6. 因子计算: 取上期市值和成交金额，按修正公式计算每月股票收益联动因子值
参数
聚类簇数: 40
数据输入
: (年度): (月度)
组合方式
作为单因子测试，未提及多因子合成
绩效
6.45%
IC均值
1.68
年化ICIR
20.68%
多空组合年化收益
15.12%
多头超额年化收益(相对中证500)
19.24%
TOP100组合年化收益(扣费)
26.8%
低关注度TOP100组合年化收益(扣费)
0.95
低关注度TOP100组合信息比率
基准: 中证500
回测期: 2010年中至2023年初
相似业务收益联动因子IC均值6.45%，年化ICIR1.68，多空组合年化收益20.68%，多头超额15.12%。TOP100组合扣费年化收益19.24%。在低关注度组合中，扣费年化收益达26.8%，信息比率0.95。
收益归因 ✓ 已完成
因子与量价类和基本面类因子相关性在0.3以下，与动量类因子相关性接近-0.3，与反转因子相关性较高。持仓集中在基础化工、医药和机械等业务复杂度较高行业；组合风格整体呈现中小市值、高流动性特征。
方法: 相关性分析与风格特征分析
缺口: 未进行严格的Barra风险归因或Brinson收益分解
稳健性
子样本稳定性: 2010-2022年间仅2017和2020年跑输基准；在低流动性(低关注度)组合中表现更优，扣费年化收益达26.8%
风格偏差: 整体呈现中小市值、高流动性特征，持仓集中在基础化工、医药、机械等业务复杂度较高行业
因子与常见量价、基本面因子相关性小于0.3，与动量负相关，与反转正相关但具有独立Alpha，稳健性较好
数据依赖
所需数据: A股年报附注文本、月度行情数据(收益率、市值、成交金额)
可复现性: medium
需自行爬取和清洗财报附注文本，正则提取与分词有一定工程量，整体逻辑清晰可复现
相关研究
传统动量溢出因子(基于行业分类) — 本文使用基于文本的业务相似度替代传统行业分类，更准确刻画公司间真实竞争关系
新颖性评估 [新数据]
使用财报附注中的经营范围文本计算公司间业务相似度，替代传统行业分类来度量竞争关系与动量溢出，数据视角新颖
不足与缺陷
- 财报文本数据年度更新，SIM矩阵频率较低，对短期公司业务变更反应滞后
- 0-1词袋模型较为粗糙，未考虑各业务在公司主营中的占比权重，且无法捕捉同义词
- 因子计算依赖全市场截面数据，需严格注意SIM矩阵对齐时点以防未来函数
可复用元素
- 基于正则表达式和Jieba分词处理年报经营范围文本的清洗逻辑
- 使用市值和成交额对相似度加权，剔除小市值炒作影响的因子修正方法
- 基于SIM矩阵进行层次聚类分析发掘公司业务复杂度的思路
启发
- 将文本相似度网络应用于动量溢出或风险传染研究，突破传统行业分类局限
- 低关注度股票中信息摩擦更大，动量溢出效应更显著，可结合关注度因子增强收益
改进方向
相似逻辑(动量溢出)+不同构造：使用TF-IDF或预训练大模型提取业务向量替代0-1词袋模型，并改用非预期盈余(盈利动量)替代月度收益率计算联动因子
基于: 0-1词袋无法体现核心业务权重且忽略了基本面信息的动量溢出 预期收益: 同时提升业务相似度刻画的精度和联动因子的信息含量，预期获得更高的ICIR
复现计划
1. 爬取A股历年年度报告附注中公司基本情况部分；2. 使用正则表达式提取经营范围文本，剔除排除性表述；3. 用Jieba分词去停用词，构建年度词汇表与各公司的0-1业务向量；4. 计算余弦相似度得SIM矩阵；5. 按月度获取全市场股票收益率、上期市值和成交额，根据修正公式计算联动因子；6. 进行月度IC测试和分五组回测，验证TOP100组合收益，并设置双边千四交易成本。
实体
经营业务相似度(SIM) [concept]业务竞争度因子 [factor]股票收益联动因子 [factor]层次聚类分析 [method]财报文本 [dataset]余弦相似度 [method]
LOCAL SIMILARITY