【西部金工】概念数量因子：文本数据的另类应用

西部西部量化团队 2026-06-18 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

研报基于同花顺概念指数，利用上证e互动、深证互动易问答文本及公司公告文本，通过关键词匹配动态追溯个股概念的纳入与剔出日期，构建了原始的概念数量因子CN。由于CN与总市值显著正相关，采用DGTW调整法进行市值中性化得到ACN因子。回测显示该因子多头效应显著，且在沪深300、中证500和中证1000指数增强策略中实现稳健超额收益。因子风格暴露偏向高弹性、高换手、高估值的热点股票，体现出明显的政策预期驱动特征。

经济逻辑

在A股市场，受国家产业政策驱动，概念投资活跃。个股概念数量越多，一方面越容易获得媒体曝光和投资者关注（注意力机制）；另一方面也反映了企业业务扩张或顺应政策的转型潜力（基本面左侧信号）。因此，拥有更广概念暴露的个股能够享受多元的概念溢价和长期的预期驱动超额收益。

超额收益逻辑

中国重大政策往往自上而下推进，概念首次出现节点即为预期发酵期。高概念数量个股体现了市场资金的高关注度与预期驱动，即便当期净利润较低或政策未落地，其高弹性、高换手特征也能在预期发酵阶段贡献显著的溢价收益。

构造细节 [factor]

因子定义

1. 原始概念数量因子 $CN_{t,k} = \sum Concepts_{t,k}$，即t日个股k所归属的概念数量之和。2. 市值调整概念数量因子 $ACN_{t,k} = (CN_{t,k} - \mu_{group,t}) / \mu_{group,t}$，其中 $\mu_{group,t}$ 为t月末个股k所属市值十分组内的CN因子均值。

处理流程

1. 将同花顺390个概念划分为24个规则类与366个非规则类。规则类直接采用互联网平台成分股数据。非规则类从指数名称及简介中提炼明确指向性的关键词。
2. 文本匹配：在e互动、互动易问答文本及公告文本中匹配上述关键词。
3. 日期追溯：问答文本以上市公司回复日期为准，公告文本以官方披露日为准，确定个股每个概念的纳入日与剔出日。
4. 生成原始因子：按日截面汇总每只股票归属的概念总数，得到CN因子。
5. 市值中性化：每月末按总市值对所有个股十分组，计算每只股票的CN因子减去其所在市值组别的均值，再除以该均值，得到ACN因子。
6. 股票池清洗：剔除ST、*ST、上市不满一年及涨跌停停牌等不可交易个股。
7. 预测评估：计算ACN因子与未来10日VWAP收益率的RankIC，向后滚动一日以获稳健评估。

参数

市值分组数: 10预测目标: 未来10个交易日VWAP收益率Barra风格偏离阈值: 0.1倍标准差行业权重偏离: 1%单期换手率上限: 15%跟踪误差上限: 3%

数据输入

: (日频): (日频): (日频): (日频)

组合方式

无

绩效

0.019

双周RankIC均值

57.18%

IC胜率

2.42%

多头组月均收益率

22.84%

多空年化收益率

14.47%

多空最大回撤

5.64%

沪深300增强年化超额

1.00

沪深300增强信息比率

8.62%

中证500增强年化超额

1.30

中证500增强信息比率

基准: 沪深300、中证500、中证1000

回测期: 2018.01.02-2026.04.30

市值调整后的概念数量因子双周RankIC均值为0.019，胜率57.18%，多头组月均收益率2.42%，多空年化22.84%。基于该因子的沪深300和中证500指数增强策略在回测期间表现优异，分别实现5.64%和8.62%的年化超额收益。

收益归因 ✓ 已完成

因子多头组偏好高Beta、高流动性（高换手）、低账面市值比（高估值）和低盈利的个股，体现出明显的“预期驱动”和热点股特征。

方法: Barra风格因子分年度相关性分析

缺口: 未进行详细的行业归因及纯因子收益分解。

稳健性

子样本稳定性: 2022年因交易所监管指引出台严打蹭热点，因子表现失效；在2020年末、2024年、2026年初等市场抱团期出现明显回撤。剔除概念覆盖初期后，2018年以来仍保持良好单调性及多头效应。

风格偏差: 与Beta和流动性（换手率）保持稳定显著正相关，与账面市值比（估值）和盈利保持稳定显著负相关。

因子具备一定的数据源稳健性（开盘啦替换同花顺依然有效），但对市场风格（抱团效应）及监管环境变化较为敏感。引入概念稀缺度或信息衰减加权未能提升绩效。

数据依赖

所需数据: 同花顺概念指数及成分股数据、上证e互动与深证互动易全量问答文本、聚源公司公告与定期报告文本、总市值量价数据。

可复现性: medium

量价与市值数据易得，但互动问答与全量历史公告文本需爬虫或购买另类数据库，且关键词提取与NLP匹配规则无法做到完全客观的量化表述，复现存在一定门槛。

新颖性评估 [新数据]

创新性地将非结构化的投资者互动问答文本与公告文本结合，动态追溯概念归属期限，而非简单使用终端静态概念成分股，构造了刻画个股概念广度的另类数据因子。

不足与缺陷

RankIC绝对值偏低（0.019），整体选股能力较弱，超额收益高度依赖极端的多头组（Top组）表现。
关键词提炼过程缺乏完全量化、客观的NLP标准（如未给出具体的TF-IDF或词向量匹配算法），人工干预痕迹较重，存在前视偏差或数据挖掘风险。
对市场风格高度敏感，在市场资金抱团（如茅指数、红利、CPO）或监管严打期显著失效，因子未内置应对抱团效应的风控机制。
概念稀缺度和信息衰减加权未带来绩效提升，说明简单的数量加总逻辑较为粗糙，未能区分不同概念的质量与市场注意力衰减差异。

可复用元素

基于互动易/e互动及公告文本动态追溯概念实际纳入/剔出日期的NLP映射逻辑
DGTW市值调整法（按市值十分组求均值后进行标准化）在处理与市值强正相关的离散型因子时的应用范式
采用成交额前5%个股成交额占比作为衡量市场抱团效应强弱的代理变量，用于解释因子回撤

启发

注意力机制和预期驱动是A股获取超额收益的重要来源，可以通过另类文本数据动态追踪投资者关注度的变化来左侧布局
离散型计数因子（如概念数量）经市值中性化后，能剥离大盘股天然概念多的特征，有效捕捉同市值梯队内的关注度溢价
市场微观结构变量（如头部成交额集中度）可作为另类情绪因子择时或风控的有效信号

改进方向

引入概念热度与市场注意力衰减加权，构建‘有效概念数量因子’。相似逻辑仍为计算个股概念数量，但在加总时，根据该概念过去N天的全网搜索热度、新闻曝光量或成分股平均换手率进行时间衰减加权，剔除已无人关注的老旧概念。

基于: 报告提及引入概念稀缺度和信息衰减加权未带来提升，可能因其加权方式未精确刻画市场真实注意力分布。预期收益: 提升RankIC绝对值，减少无效概念带来的噪音，增强因子在震荡市的多空区分度与单调性。

构建‘概念质量评估因子’，相似逻辑仍基于个股所属概念，但将计数改为给每个概念打分（如根据该概念历史胜率、政策级别、是否为核心科技等），对个股的概念得分进行加权求和而非简单计数。

基于: 报告指出因子多头偏好多头高弹性但单调性有提升空间，且并非所有概念都能提供溢价。预期收益: 提高因子区分度，改善多头收益及十分组单调性，减少低质量概念对因子值的稀释。

复现计划

1. 数据获取：通过聚源/同花顺获取390个概念列表及24个规则类成分股；爬取或购买上证e互动、深证互动易历史问答数据及全量上市公司公告文本；获取总市值与日频量价数据。2. NLP处理：人工或半自动提取366个非规则概念关键词，利用正则匹配或字符串模糊匹配在问答和公告文本中定位概念提及事件，建立个股-概念时间面板数据。3. 因子计算：按日聚合个股概念数量得到CN；每月末按总市值分10组，计算组内均值，进行标准化得到ACN。4. 回测验证：以未来10日VWAP收益为目标计算RankIC；构建10分组双周频调仓组合检验多头收益；按照Barra约束构建周频指增策略检验超额。