NuminorBeta

研究文库

Numinor 研究

面向中国 A 股市场的原创量化研究。每一篇论文都把方法论写到可以直接实施的程度,并(对付费等级)附带可运行的代码库——您可以将其对接到自己的因子栈上跑。

v2.2 · 2026 年 5 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(行业分类与映射)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(收入 >50% 来自单一 SAM Level-2 产品的股票)的市值加权平均收益——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

v1.6 · 2026 年 5 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

    +0.148

  • Sharpe 提升(10–30% 多空)

    +0.54 至 +0.72

  • 组合波动率下降

    约 37%

v3.0 · 2026 年 6 月

观测供应链网络与中国 A 股的客户动量溢出 —— 来自披露与重大规模招投标的企业间(C2C)关系证据

我们基于 ChinaScope 数据中两个互补的一手来源,为中国 A 股市场构建了一个具备时点性(point-in-time)、实体级的供应链关系图谱:强制披露的前五大客户/供应商信息(年报与中报,以及关联方交易)与公开的招投标中标记录。当一份中标合同的投标方与采购方——直接地,或经由关联方持股归并——都能解析为上市公司时,每一笔中标即成为一条带日期、有方向、含金额的企业间(C2C)关系边:这是一张关于“谁真正向谁采购”的观测双边图谱,而非通过产品分类体系推断出的关联关系。为验证该图谱承载真实且可利用的信息,我们在其上复现了 Cohen–Frazzini(2008)的客户动量效应。一段招投标关系只有在对该特定卖方达到重大规模——至少不小于该卖方典型(中位数)披露客户的规模——时才纳入信号,从而将门槛校准至每家公司自身的披露体量。所得并集信号在对 22 因子 Barra 式基础模型正交化后,于 20 天前瞻期取得样本外 ICIR +0.39(全样本 +0.47,t ≈ 2.8),覆盖 4,863 家上市公司(每个调仓期中位数 2,476 家),并在 2020–2025 年每个完整自然年以及所有调仓相位上均为正。披露渠道是精度核心(全样本 +0.41 / 样本外 +0.31);重大规模招投标渠道是按公司维度的降噪叠加(独立样本外 +0.34),且并集相对披露的增益在行业中性化后进一步增强(样本外 +0.48)。我们提供的产品即关系图谱本身——与因子模型无关、每日更新、具备时点性——论文中的每一项结果都可由底层数据与配套代码复现。

阅读论文 →

核心结果

  • 并集信号 · orth-22 ICIR(全样本 / 样本外)

    +0.470 / +0.394

  • 并集 t 统计量(全样本 / 样本外)

    4.04 / 2.81

  • 披露渠道 · ICIR(全样本 / 样本外)

    +0.409 / +0.308

免费阅读完整论文。

核心结果与摘要全部公开。使用工作邮箱(或 LinkedIn / Google / GitHub)注册,即可阅读完整方法论、运行沙盒笔记本,并与研究助手对话。