研究文库
Numinor 研究
面向中国 A 股市场的原创量化研究。每一篇论文都提供足够详细、可直接实施的方法论；付费等级还附带可运行代码库——你可以将其对接到自己的因子体系上运行。
v2.3 · 2026 年 9 月
SAM 产品动量 —— 中国 A 股的产品溢出 Alpha 信号(两种残差化方案)
我们记录了一个面向中国 A 股的横截面 alpha 信号,基于 ChinaScope SAM(行业分析与映射)Level-2 产业/产品体系以及配套的按业务板块营收面板。对每只焦点股,在每个调仓日,该信号捕捉其产品环境的近期变化——即纯代理股(将其 Level-2 SAM 分部营收的至少 50% 计入单一产品的股票)的规模加权平均收益——并按该焦点股自身在 SAM 产品上的收入构成进行加权。方法论在两种并行残差化方案下评估:构造 R(直接将日度收益送入信号构造,仅在评估阶段做正交化)与构造 S(在信号构造前先对 22 因子基础模型残差化)。两种方案对标准 22 因子机构风险模型均给出稳健为正的增量 orth-ICIR:+0.352(R)与 +0.307(S),20 个网格对齐 100% 为正。在加入 31 个申万一级行业哑变量的版本中,构造 R 升至 OOS 多偏移 orth-ICIR +0.435。在 8 年样本期(2019–2026)中,两种方案的年度均值 orth-ICIR 全部为正;最弱的 2022 年在两种构造下仍保持正值。完整的稳健性测试——因子质量打乱、因子族剔除、基础因子数量缩放、多前瞻期评估、诊断性换手率、以及预正交化交付等价性——确认了该信号的独立 alpha 性质、其集中于微观结构空间、随前瞻期单调增强(60 天达到 orth-ICIR 峰值)、以及中等偏快的组合换手率(年化约 4.4–4.8 倍)。
阅读论文 →核心结果
样本外 orth-22 ICIR · 构造 R
+0.352
样本外 orth-22 ICIR · 构造 S
+0.307
样本外 orth-22+行业 · 构造 R
+0.435
v1.7 · 2026 年 9 月
中国 A 股市场量化因子模型的网络效应放大
本研究系统地考察了网络效应放大在中国 A 股市场量化因子模型中的应用。我们采用两种互补的实证设计——10 年滚动测试与固定训练-测试样本外保留——在 3,500–5,000 家上市公司的样本上进行评估。结果显示:网络路由的因子特征相对标准因子模型可提供可测量的增量信息,样本外组合 Sharpe 比率提升 +0.54 至 +0.72,并表现为稳健的放大器,而非脆弱的并行信号。
阅读论文 →核心结果
20 天前瞻 ΔICIR
+0.149
Sharpe 提升(10–30% 多空)
+0.54 至 +0.72
组合波动率下降
约 38%
v1.4 · 2026 年 9 月
Numinor 协同波动图谱 —— 由结构化关系网络评级的新闻协同波动图谱:辨别哪些 A 股协同波动具有结构性依据
一个覆盖中国 A 股、成对的关系数据流,用以预测哪些个股真正协同波动,并标记哪些已观测协同波动在其看来缺乏结构性依据。底层基质是新闻协同波动图谱——市场正在共同提及的个股对(覆盖广、时效强、含噪);叠加层是由四盏「灯」构成的结构化网络——产品同业(任一共享产品)、SAM 供应链、披露的客户—供应商、关联方,以及对第一盏的「深度产品同业」细化——用以评级哪些协同波动扎根于结构;点亮至少一盏基础灯的为「已确认」,一盏未亮的为「暗」(降权清单)。在固定 2023+ 窗口(42 个月度切片,其中具备完整远期窗口的 38 个计入均值)的样本外检验中,深度产品同业在回看相关性及其余各信号灯之上额外贡献 +0.065 的远期相关性预测——相对回看相关性本身合计 +0.114(t ≈ 22,Fama–MacBeth);结构确认的相关性在一个季度后保留约 92% 的水平,而价格筛选仅约 75%;由 10 只图谱同业构成的对冲篮子削减沪深 300 个股约 45% 的远期残差方差——是同名「仅新闻」篮子(约 15%)的 3 倍,且换手不到价格相关篮子的一半。这是一个风险/相关性覆盖层——提供信息含量,而非收益信号、投资组合或协方差模型——以两张表交付,核心验证数值可由配套代码从交付的数据包中复现。
阅读论文 →核心结果
深度产品同业 · 远期相关性增量(留出)
+0.065(t ≈ 22)
SAM 供应链 · 远期相关性增量
+0.028(t ≈ 9)
已连接协动高于未连接
100% 留出月份
v1.1 · 2026 年 10 月
Numinor 隐性行业风险：识别申万中性 A 股组合仍然承担的行业风险
A 股管理人按申万标签做行业中性，而申万把每家公司归入且仅归入一个行业。本文借助 ChinaScope SAM 的产品分部数据，度量这类按标签中性的组合仍然承担的行业风险。自 2016 年起，我们每月构建 204 个多空组合，每一个都在申万一级上严格中性，因子在一半市场上估计，组合由另一半构建。在申万三级之上，SAM 又揭示出与申万三级本身几乎同等规模的隐性风险（年化 18.7 对 20.0 个基点，t 13.2，10 / 10 年为正）。在纳入 14 个风格因子和 10 个统计因子的模型下结论依然成立；当产品结构仅在同一申万三级行业的公司之间打乱时，其中 65% 消失。在申万三级中性化之上加入 SAM，可使实现波动率在 10 年中 9 年下降，而打乱后的 SAM 则使其上升；但把这部分风险从组合中剔除，所放弃的信号多于节省的风险，在分散组合和 100 至 300 只股票的集中持仓组合中都是如此。SAM 的价值在于在风险模型中识别、报告并权衡这一风险。整个检验可在 Numinor Matrix 中重新运行。
阅读论文 →核心结果
SAM 在申万三级之上揭示的隐性风险
年化 18.7 个基点
申万三级在一级之上揭示的部分
年化 20.0 个基点
SAM 增量调整后 R²
+0.65 个百分点