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 股管理人通过在每个申万行业内平衡多头与空头持仓来剔除行业风险，而申万将每家公司恰好归入一个行业。公司底层的业务则更为多元：上市公司营收中约五分之一落在公司自身的申万一级标签之外（按 ChinaScope 自有的产品到行业映射为 19.4%）。因此，按标签平衡的组合可能仍带有管理人以为已经消除的行业暴露。

我们用 ChinaScope SAM 的产品分部数据度量这一暴露。自 2016 年起，我们每月构建 204 个多空组合，全部在申万一级上严格中性；在随机划分的一半市场上估计每个因子，在另一半市场中持有组合；并记录每种分类能解释各组合日收益的多大比例。

主要发现。 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行业风险：随机组合中为年化 18.7 个基点，对比 20.0 个基点，t = 13.2，统计显著，且 2016 年至 2025 年的每一年均为正。在纳入 14 个风格因子和 10 个统计因子（主成分）的强得多的基准模型下（15.3 对比 17.1 个基点），以及将 SAM 数据在每次披露后延迟 60 天使用时，该结论依然成立。它来自 SAM 对每家公司的具体了解：在同一申万三级行业内的公司之间打乱产品结构，会消除其中的 65%。

用途。 在申万三级中性化之上加入 SAM，可使组合的实现波动率降低，10 年中有 9 年如此；而加入在公司之间打乱后的同一组暴露，则会使实现波动率升高。不过，剔除这部分风险要以信号为代价：严格中性放弃的信号多于它节省的风险；在 100 至 300 只股票的集中持仓组合中，对 SAM 暴露施加轻度惩罚项，在多数年份中能降低实现波动率，但仍会降低信息比率。SAM 的价值在于识别和报告这部分行业风险，并在风险模型中加以权衡，而不在于强行把它从组合中剔除。

---

核心发现

发现	数值	依据
SAM 在申万三级之上揭示的隐性行业风险	年化 18.7 个基点	200 个申万一级中性的随机组合
……对比申万三级在申万一级之上揭示的部分	年化 20.0 个基点	同上
SAM 的增量解释力，全部组合	调整后 R² +0.65 个百分点（t 13.2）	2,039 个组合年
为正的年份	10 / 10 年	2016-2025 年
后段子样本期，2023-2025 年	+0.71 个百分点（t 7.4）	分界日期在研究开始前已确定
更强模型（14 个风格因子 + 10 个统计因子）	SAM 15.3 个基点，申万三级 17.1 个基点（t 10.0）	2017-2025 年
SAM 在披露后延迟 30 / 60 天	+0.57 / +0.65 个百分点	对比 +0.65 个百分点
打乱产品结构后损失的份额	全市场打乱 83%；申万三级内打乱 65%	各 100 次抽样
实现波动率，申万三级 + SAM 中性对比仅申万三级中性	低 0.64%，10 年中 9 年；打乱后的 SAM 则高 0.30%	随机组合
集中持仓组合（100-300 只股票），轻度 SAM 惩罚项	波动率 -0.6% 至 -1.3%（9 年中 7-8 年更低）；信息比率 -5.5% 至 -19.6%	随机信号
在 Numinor Matrix 中基于其自身数据重建	SAM +0.65 个百分点（t 17.0），11 年中 11 年为正	软件包 0.3.2

阅读时请注意以下局限

• 这是风险结论。 它度量的是标签中性组合仍然携带的行业协同波动，而不是收益信号。
• 规模较小。 隐性风险不到分散化组合方差的 1%；剔除它的价值是一个情景估算，每 10 亿美元规模每年约 0.18 至 0.27 百万美元，取决于所用风险模型，并依赖于白皮书中检验并加以限定的若干假设。
• 2021 年年中以前的申万分类。 2021 年 7 月以前的申万标签大多是回溯标注的 2021 版分类（申万三级中为 70%），这使申万在这些年份中享有后见之明的优势。

自行构建

全部结果均可在 Numinor Matrix 中由五个 SAM 字段（按目录价每个字段每年 2,250 美元）重建，所用辅助软件包 numinor_hidden_sector_risk_sandbox_helpers 正是生成白皮书结果的那一个。买方的智能体（agent）可以在购买并带出任何数据之前，重新运行该检验、打乱检验和集中持仓组合测试。

Numinor Systems · ChinaScope · 2026 年 10 月。联系方式：tyl@numinor.io