供应链数据覆盖度及特征提升 [page::4][page::5][page::6][page::7]

• 近年来上市公司主动披露供应关系增加，供应链数据覆盖A股超过3200家公司。

- 客户和供应商数据覆盖沪深300、中证500、1000约50%，且在这3个指数中的覆盖度持续提升。

• 不同行业供应链节点分布不同，上游资源品行业客户覆盖度高，下游消费、商贸行业供应商覆盖度高。

供应链动量溢出效应理论验证与因子构建 [page::8][page::9][page::10]

• 供应链动量溢出基于信息传导滞后的市场非效率，主体公司股价未来涨跌与客户公司过去表现正相关。

- 构建三类动量因子（关联度加权动量、关联度最高公司动量、市值最大关联公司动量），采用Shift动量计算效果最佳。

• RankIC测试显示客户动量因子显著优于供应商动量，N=80个交易日时效果最好。

供应链动量因子分位数回测与策略表现 [page::11][page::15][page::16]

| 组别 | 总收益 | 年化收益 | 年化波动率 | 最大回撤 | 平均换手 | 夏普比率 | 卡玛比率 |
|--------|----------|-----------|------------|----------|-----------|----------|----------|
| Bottom | 10.88% | 2.62% | 23.99% | -44.52% | 246.35% | 0.0257 | 0.0587 |
| Top | 98.71% | 18.73% | 25.00% | -39.42% | 268.44% | 0.6691 | 0.4751 |
| L-S | 79.48% | 15.74% | 6.41% | -6.46% | / | 2.1428 | 2.4387 |

• 客户关联度加权动量因子分位组收益差异明显，表现优秀。

- 供应链动量因子相较主体公司动量，短期内表现更佳，长期动量有效性下降。

• 客户动量因子与传统动量相关性约20%，与其它大类因子相关性均低于5%，具有独立性。

双层级供应链动量因子提升效能 [page::12][page::13][page::14]

• 加入第二层供应链信息的双层级动量因子IC均值和t统计量均显著提升。

- 双层级因子参数稳健性良好，微调交易日天数对结果影响小。

• 双层级客户动量因子提升了因子区分度，策略表现更加稳定。

量化选股策略回测结果（沪深300、中证800、中证1000）[page::16][page::17][page::18]

| 股票池 | 策略年化收益 | 基准年化收益 | 夏普比率 | 最大回撤 | 超额收益 |
|---------|-----------|------------|--------|---------|----------|
| 沪深300 | 10.51% | 0.85% | 0.38 | -23.28% | 9.65% |
| 中证800 | 11.08% | 0.54% | 0.40 | -19.59% | 10.54% |
| 中证1000| 5.06% | -0.90% | 0.12 | -41.11% | 5.97% |

• 策略在三大主流指数股票池均显著跑赢基准，风险调整后的表现优秀。

- 波动率和最大回撤均控制良好，样本内外均显示策略较好稳定性。

研究结论与风险提示 [page::19]

• 供应链动量溢出效应存在且可量化，客户动量因子优于供应商动量因子。

- 双层供应链动量因子提升了预测准确性和稳健性。

• 供应链动量因子独立于传统大类因子，可丰富因子投资体系。

- 基于双层客户动量因子的选股策略表现优异，适合多样化股票池。

• 风险提示：模型基于历史数据，政策及市场变化可能影响有效性。[page::0][page::19]

基于供应链动量溢出效应的选股策略 —— 深度分析报告

---

1. 元数据与报告概览

报告标题: 基于供应链动量溢出效应的选股策略 —— “蓝海启航”系列研究之五
作者与联系方式: 任瞳、麦元勋、杨航（招商证券研究发展中心）
发布机构: 招商证券研究发展中心
报告日期: 未明确，但数据覆盖至2022年及2023年初
主题: 主体聚焦于供应链关联度数据对A股上市公司股价收益的预测能力，构建供应链动量因子及基于双层供应链动量因子的量化选股策略。

核心论点与结论:

• 供应链关联度数据质量与覆盖率显著提升，可有效用于量化选股。

- 供应链动量溢出效应源于市场非完全有效性，存在信息传导时滞，主体公司未来收益与供应链上下游公司历史股价涨跌相关。

• 构建基于供应链关联度的单层及双层动量因子，双层因子的预测稳定性和准确性显著优于单层。

- 供应链客户动量因子与传统大类因子相关度极低，具备独立投资价值。

• 基于双层客户动量因子的选股策略在沪深300、中证800及中证1000等不同股票池均展现出显著正向超额收益，且风险控制较好，具有较高投资价值。

- 本报告虽基于历史数据构建，预警政策及市场环境变动可能导致模型失效。


---

2. 逐节深度分析

2.1 研究背景（第3页）

报告借用社会学中“六度分隔”与Facebook“四度连接”等论据，阐释公司间通过供应关系构成紧密的网络，形成供应链网络。基于波特五力模型框架下，上下游客户与供应商的议价能力与价值传递，认为供应链中的“产品-价值-信息”不是孤立的，将通过供应链网络进行传导。学术研究（Cohen和Frazzini 2008, Shahrur等2010, Yamamoto等2021）表明关联公司间存在股价冲击传导延迟，并可挖掘动量溢出效应，产生高额异常收益，体现投资者有限关注与信息滞后。

2.2 供应链数据概述（第4-7页）

2.2.1 供应链数据来源及质量保障（第4-5页）

• 使用秩鼎公司作为供应链数据源。秩鼎拥有丰富的全球供应链覆盖，包含A股4000+家公司、港股2000+，以及美股100+，实现日度更新，利用AI、自然语言处理和人工复核等多重技术保证数据准确性及溯源。

- 数据覆盖范围随时间提升，近年上市公司主动披露率增长（定期报告、临时公告增加披露比例），缩小了过去以发股、发债说明书为主的披露比例不足的问题（见表1）。

2.2.2 供应链关联度计算说明（第5页）

• 供应链关联度通过各年度实际交易金额加权上市公司对子公司持股比例及报告期折现系数计算，权重范围0-100%（详见表2）；数据日度更新，记录选择每年最大交易额后加权。

- 分为供应商关联度和客户关联度两大类数据，分别反映主体公司与供应商或客户的关联强度。

2.2.3 统计特征及覆盖范围（第6-7页）

• 图4显示，自2016年以来，客户和供应商关联度数据覆盖的A股主体公司均从约500家迅速扩展至3200家以上（截止2022Q1），体现数据质量提升和信息披露增加趋势。

- 不同主流指数中的覆盖比例较高，沪深300的覆盖度最高，且2016年以来沪深300、中证500及中证1000三个指数的覆盖度均由10%-20%跨越至70%-80‰以上（图5-8）。

• 行业分布（图9-10）显示：客户数据覆盖偏向资源品（石油石化、煤炭、有色金属等），供应商数据覆盖更多商业、银行、地产等下游行业，体现供应链中不同层级行业特点。

2.3 供应链动量因子的构建与测试（第8-15页）

2.3.1 理论基础（第8-9页）

• 供给链动量溢出基于两个前提：其一，供应链关联上市公司基本面相关（以营收同比增长率证明，统计显著性强，如图11表格），体现基本面联动；其二，股价波动从供应链企业间传导存在时滞，投资者由于注意力有限，信息滞后效应明显。

- 实例（图12-13）包括美国Coastcast与Callaway的评级下调传导案例以及A股客户-供应商业绩信息传导，佐证信息面冲击通过供应链路径传递，且滞后效应存在。

2.3.2 供应链动量因子构成（第9-11页）

• 设计三类因子：关联公司动量加权（按关联度）、最高关联公司动量、最大市值关联公司动量（图14示意，N=40-240交易日）。

- 传统动量（剔除最近20交易日涨跌幅）、Rank动量（排名均值）、Shift动量（涨跌幅绝对值比例）三种计算法均测试，Shift动量效果最好。IC (Information Coefficient)测试显示（见表3）：
- 客户动量因子表现显著优于供应商，且客户动量因子的t统计量多大于2，表明强的预测能力和显著性。
- 关联度加权动量与最大市值公司动量效果相当，表明公司市值对动量效应有一定影响，大市值客户的动量溢效更明显。
- 80个交易日为最佳观察期。

2.3.3 分位数测试（第11页）

• 以客户关联度加权动量因子（80交易日）为例，样本全A股，分为5组，top组合年化收益18.73%，Sharpe比率0.67，max回撤39.4%（表4、图15）；多空组合年化收益15.74%，Sharpe比率2.14，表现出因子较强的选股区分能力。

2.3.4 多层级供应链动量因子（第11-14页）

• 由单层供应链动态扩展至双层供应链动量因子（图16-18示意订单放大与波动传递）推动动量溢出的更广泛传播。

- IC测试结果（表5）显示：引入第二层供应链信息后，t统计量及IC均值显著增加，尤其客户双层动量全部指标t>2，效果稳定提升。

• 分位数测试（表6、图19）显示双层客户动量top组合优于单层，年化收益19.46%，Sharpe 0.7，且多空组合年化16.11%、Sharpe 2.05。

- 参数敏感度测试（表7）证明主因子对80日交易窗口调整不敏感，稳健性较强。

2.3.5 与传统及其他大类因子相关性分析（第15页）

• 供应链动量因子与主体公司自身传统动量因子比较（表8）：短期（≤80日）表现优于传统动量，长期则效果减弱。

- 客户动量因子与传统动量相关度约20%，与其他五类大类因子（成长、情绪、价量、价值等）相关度极低（不超过5%），显示供应链动量因子的独特性及差异化投资价值（表9）。

• 该特征为构建多因子投资组合提供减少风险、提升有效性的切入点。

2.4 选股策略构建与回测（第16-18页）

2.4.1 选股策略设计（第16页）

• 选股策略以双层级客户动量因子为核心，股票池涵盖全A股、沪深300、中证800、中证1000。

- 剔除停牌、ST、涨跌停股，按因子值排序挑选一定数量高因子股票，等权配置，季度调仓一次。

• 采用复权收盘价，交易费率0.3%，回测区间2018.1-2022.3。

2.4.2 回测结果（第16-18页）

• 沪深300选股（选前30）：

策略年化收益10.51%，远超沪深300指数的0.85%。样本外仍有正收益；夏普比率0.38，最大回撤23.28%，均优于基准（表10，图20）。

• 中证800选股（选前80）：

策略年化收益11.08%（样本外9.08%），远超基准0.54%（样本外-12.31%），夏普0.40（样本外0.35），最大回撤小于基准（表11，图21）。

• 中证1000选股（选前80）：

策略年化收益5.06%（样本外6.06%），基准负0.90%（样本外0.22%），夏普率0.12，最大回撤41.11%，均优于基准，且策略超额收益稳定（表12，图22）。

2.4.3 回测结论

该策略在大、中、小盘不同市值的宽基指数成分股均表现出稳定的正超额收益能力，回撤与波动率控制较好，验证了基于双层客户供应链动量因子的实用性及有效性。

2.5 风险提示（第0页及第19页）

• 模型基于历史数据统计和建模，政策变化、市场环境变动或极端事件可能导致模型失效。

- 供应链数据披露存在时滞与披露不全可能带来的偏差风险。

• 报告所述个股等不构成投资建议，投资需谨慎。

---

3. 图表深度解读

3.1 关键图表解读

图1 （第3页）波特五力分析框架

介绍主体公司所面临的五种竞争力量，其中上下游供应链（客户及供应商议价能力）为核心外部影响，强调供应链对企业竞争能力的影响，为供应链研究提供宏观理论支持。

图2、图3 （第4页）秩鼎数据揭秘与处理流程

展示秩鼎供应链数据采集的技术流程，包括实体识别、股权穿透、精准溯源与反向披露等技术手段，保证供应链数据的全覆盖和多维度准确性。

表1 （第5页）供应链数据来源占比

显示2018年前以发股和发债说明书披露为主，2021年后定期披露占比跃升至近50%，表明供应链数据覆盖与披露意愿大幅提升。

图4 （第6页）供应链关联度覆盖数量

客户与供应商关联度公司数量由2016年约500家逐步增长至2022年末超3200家，说明供应链数据覆盖面快速扩大，适合量化使用。

图5-8 （第6-7页）

分别显示客户和供应商数据主体公司在沪深300、中证500及中证1000指数中的占比及覆盖度，均显示覆盖比例持续提升，沪深300指数覆盖最优。反映供应链数据在不同投资者关注度及市值规模板块均较为均衡。

图9-10 （第7页）

中信一级行业客户及供应商主体公司的行业分布及覆盖率。客户端覆盖行业更集中于资源性行业，供应商端覆盖更偏向终端消费及金融地产，体现供应链不同层级行业特征及市场影响力。

图11 （第8页）

表格罗列主体公司销售增长与供应商、客户销售增长的相关回归系数，证明供应链上下游公司基本面高度相关，回归显著，内部有效联动。

图12-13 （第8-9页）

分别展现美国案例（Coastcast与Callaway公司股价及评级变动滞后传导）和A股客户-供应商业绩预增与股价传导实例，证明信息扰动沿供应链滞后且扩散效应。

图14 （第9页）

供应链动量因子计算示意，显示加权方式的详细结构，包括市值和供应链关联度两种权重的差异，便于理解后续因子构建方法。

表3 （第10页）

IC测试结果表，展示不同动量因子在不同N（交易日）设置下的表现及统计显著性，表明客户动量因子优于供应商，80交易日为较优窗口，且t统计量多大于2。

图15、表4 （第11页）

客户关联度加权动量因子分位数测试净值曲线及收益统计，top组合明显跑赢bottom及指数，均值收益及风险调整指标良好。

图16-18 （第12页）

供应链多层级订单传导示意图（啤酒游戏实验）、单层和多层级供应链关系示意，直观说明多层供应链动量因子构造逻辑。

表5、表6、图19 （第13-14页）

双层级动量因子IC测试显示显著提升，且分位数测试表现优于单层，图19净值走高且多空组合稳定，表明信息获得改进并更稳定。

表7（第14页）

参数敏感性测试表明动量因子对交易日窗口的微小调整敏感性低，回测结果稳健。

表8、表9（第15页）

比较供应链动量因子与主体自身动量及其他大类因子相关系数和t值，证明供应链动量因子短期效果优于传统动量，且具高度独立性。

表10-12、图20-22（第16-18页）

展示基于双层客户动量因子的沪深300、中证800、中证1000股票池内外部回测结果及净值曲线，均显示正向超额收益、较优风险调整比率和稳定的累积超额收益，验证策略可执行性。





---

4. 估值分析

本报告并未涉及传统个股估值方法的应用，但以量化因子研究为核心，重点展示供应链动量因子的预测能力和选股策略的构建与回测结果。报告通过多种交易日窗口参数设置、分层样本及多因子比较验证因子稳定性和重要性，未出现DCF、PE、市净率估值模型讨论，关注策略表现的回测指标统计（收益率、夏普比率、最大回撤等）。

---

5. 风险因素评估

• 政策和市场环境变化风险: 报告多次提示基于历史数据建立的模型可能在宏观政策、市场结构调整等变化后失效，投资价值削弱。

- 供应链数据披露限制: 供应链数据披露的客观限制、数据不完整或披露偏差存在，影响因子计算的准确性。

• 投资者行为与信息效率: 市场信息传递假设基于有限关注，但特殊事件、快速信息扩散可能打破此规律。

- 回测局限: 样本分布和数据区间限制可能导致高估因子实际表现，样本外表现有下降风险。

• 交易成本和滑点: 回测虽然包括0.3%交易费率，但实际市场操作中可能存在滑点和流动性风险，影响策略实操效果。

报告未具体详细列出缓释策略，但通过多场景回测、参数敏感性分析保证一定的稳健性。

---

6. 审慎视角与细微差别

• 报告对供应链动量的解释逻辑清晰，但对动量因子是否在极端市场、危机期仍有效未作深入分析。

- 报告重点突出客户侧动量溢出效应优于供应商端，提出客户动量信息传导更有效，但未进一步探讨不同产业链或行业结构对策略适用性的异质化影响。

• 数据覆盖虽然大幅提升，但仍存在欠披露和披露偏差风险，可能导致因子测试阶段形成“幸存者偏差”。

- 报告忽略了宏观与行业大周期对供应链因子表现可能的影响，未考虑组合中风险因子挤压的可能。

• 在多因子相关性测试中，虽供应链动量因子相关性低，但未评估与多因子组合模型的实际联合表现。

- 选股策略的回测均基于季度调仓、等权配置，未深入探讨策略更高频或优化权重下的表现。

• 报告尚未涉及实际投资者交易冲击成本、动态资金规模限制对策略实现的具体影响。

---

7. 结论性综合

本报告系统地阐述了基于供应链动量溢出效应构建选股因子的理论逻辑、数据基础、因子设计及多层级扩展，结合A股市场标的样本进行实证验证，得出结论具有重要的学术价值和较强的实际应用意义。

• 数据优势: 通过秩鼎供应链数据覆盖提升，报告前期铺垫充分保障数据质量与时间跨度，实现附加信息层面的增益。

- 理论验证: 基本面与信息面双重视角验证供应链联动逻辑，提供动量溢出的经济学和行为学根基。

• 因子构建与检验: 采用关联度加权和市值权重双维度动量因子设计，Shift动量法计算，80交易日动量窗口表现优异，IC与分位数检验均验证其预测性。客户动量因子表现优于供应商，且双层级因子的引入显著提升动量因子稳健性和预测能力。

- 策略实证: 在沪深300、中证800、中证1000不同市值范围股票池均实现显著的正超额收益，风险控制良好，夏普比率较基准有明显优势，适用面广，且策略收益稳定。

• 差异化特征: 客户动量因子与传统动量因子及成长、价值等大类因子相关性低，表现独立，是重要的α因子来源。

综上，报告提出了一个可靠且创新的量化选股策略框架，利用供应链关系网络的动量溢出现象，为投资者提供了一条以信息关系链为核心的投资思路和工具，同时也为进一步多因子融合和跨市场研究奠定了基础。风险仍需关注数据的披露偏差、市场环境变化及模型参数敏感性。后续研究方向可聚焦供应链动量扩展至行业轮动、事件驱动或结合其他基本面数据，提升策略的适应性与风险对冲水平。

---

全文基于招商证券“基于供应链动量溢出效应的选股策略”报告内容分析撰写，[page::0-21]。

报告