Numinor Systems 研究 · 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
作者:Numinor Systems
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%
- 区制稳定年份
- 8 / 8
- 随机因子基底配置为正的数量
- 80 / 100
- 基线 + 独立容量
- +0.148 / +0.22 ICIR
我们论证：将标准量化因子通过供应链同业网络进行重新路由——使用 ChinaScope 的 SAM 行业分类系统及其产品-产品关系图——可以为中国 A 股市场上的 22 因子 Barra 风格基础模型贡献可量化、跨周期稳定、与原模型正交的增量信息。在规范的 20 日前向预测期上，SAM 在基础模型之上的纯增量贡献为 +0.149 ICIR，且随基础因子数量单调放大（该算子表现为既有因子库的 放大器 (amplifier)，而非替代品），并在 2022–2026 样本外 10–30% 多空切分组合中转化为 +0.54 至 +0.72 的 Sharpe 提升。结论基于 10 年样本（2016–2026）和 ChinaScope 实时生产数据流：公司财务申报、分部收入及因子值为严格时点（point-in-time）数据，产品-产品供应链拓扑沿用当期版本（current-vintage）的 ChinaScope 关系图，详细披露见完整白皮书。Numinor 与 ChinaScope 现邀请少数机构 A 股量化基金在 NDA 下评测 SAM 数据层在其自有因子库上的表现。
核心实证结论
| 结论 | 数值 | 构造方式 |
|---|---|---|
| 规范 SAM 纯增量贡献 | +0.149 ΔICIR | 22 因子基础模型，20 日前向，单因子配权 (individual factor allocation) |
| 最长前向预测期 | +0.265 ΔICIR | 120 日前向；五个测试预测期均为正且单调递增 |
| 组合 Sharpe 提升 | +0.54 至 +0.72 | 10–30% 多空切分，联合 Ridge 回归（CV 调优 α）；2022–2026 固定样本外 |
| 滚动逐年稳定性 | 8/8 年为正 | 2019–2026 年，逐年均为正 |
| 随机基础因子稳定性 | 80/100 为正 | 基础模型分层随机子集；平均 ΔICIR +0.068 |
| 单因子族剥离稳定性 | 7/8 测试为正 | 单因子族 drop 测试；含完整基础参考则为 8/9 |
| 噪声基础下独立信号能力 | +0.22 ICIR | 基础因子替换为随机噪声；SAM 仍具信息含量 |
| 放大器系数 | +0.97 相关性 | 基础因子数（1–22）与 ΔICIR 贡献的相关性 |
| 换手率影响（多/空/合计） | −13.7% / −7.5% / −10.5% | 年化单边换手率，基础 22 因子 vs. 基础 22 + SAM，30% 多空切分诊断组合 |
所有数值均为交易成本前（gross of transaction costs）。净信息比率（net IR）的可迁移性取决于买方自身的成本、流动性、融券与市场冲击模型。
SAM 网络是什么
SAM（Sector Analysis & Mapping，行业分析与映射）是 ChinaScope 面向中国 A 股市场的旗舰行业分类系统：约 6,500 个产品节点，组织为九级层次结构——从第 1 级 116 个广义行业类目（如 机动车零配件与设备 或 饮料），逐级细化至最深层的高度具体产品线。每家上市公司根据其申报的分部收入披露被映射到一个主产品（primary product），并应用基于实际 publish_date 的 60 日公告日时点滞后。SAM 配套有供应链关系数据集，定义了产品到产品之间的有向投入-产出关系。在配套白皮书的实证部分，我们使用其 核心输入 子集（COREIN）——约 34,500 条有向边，覆盖约 6,000 个 SAM 产品节点，捕捉供应商-客户的生产依赖关系。两者结合形成一个有向图，将公司沿上下游生产链以及共享同业产品归属相互链接。
对于每只焦点股票（focal stock）和每个交易日，我们识别三组相关股票集合：同业 (peers)（与焦点股票共享主产品的公司）、上游 (upstream)（其主产品是焦点产品输入的公司）、下游 (downstream)（其主产品使用焦点产品作为输入的公司）。对于每个基础因子，我们在三个集合上分别计算收入加权平均，得到该因子的 同业路由、上游路由 和 下游路由 变体。在对 22 因子基础模型完成横截面正交化之后，这些网络路由因子构成了 SAM 放大层——上述实证结论正是相对于这一层度量的。
机制
SAM 的贡献集中体现在组合波动率降低约 35–38%（30% 多空切分下年化组合 σ 从约 12.0% 降至约 7.4%），而非平均收益的提升——这与网络聚合算子捕捉了基础模型视为特异性（idiosyncratic）的同业系统性共享暴露这一解释相吻合。下游产品侧通道贡献占总贡献的主要部分（约 70%），与 Cohen 和 Frazzini (2008) 描述的机制一致：客户侧信息会以可度量的滞后向供应商侧传播。SAM 在产品网络层级捕捉这一机制，而非通过公司层级直接的客户链路——共享客户或供应商 产品 的公司被聚合在一起，以更普适的分辨率利用相同的经济关系。贡献随前向收益预测期单调放大（5 日为正，120 日最强），印证了多月经济传播的解释，而非短期交易噪声。
适用范围与局限
本研究为诊断性证据（diagnostic evidence），并非生产级回测。机构读者应关注以下三点说明：
- 诊断性多空构造。 多空组合按 10–30% 切分进行等权处理，未考虑行业中性化、流动性加权、头寸限制或融券约束。在买方自身风险与执行约束下的生产部署，需要在买方因子库上做直接回测。
- 净信息比率的可迁移性取决于买方。 换手率测算表明 SAM 层并未机械性地增加交易成本负担（实际略有降低），但绝对净 IR 估计仍需买方自身的成本、流动性、融券与市场冲击模型。
- 拓扑当期版本约定。 公司层财务申报、分部收入与因子值是严格时点的；供应链 拓扑（产品-产品关系边）则采用当期 ChinaScope 关系图回溯应用至全样本。白皮书 §7.2.5 为有相关风险框架要求的买方提供了拓扑版本敏感性的买方测试协议。
试用包内容
我们邀请少数机构 A 股量化基金在 NDA 下，将 SAM 数据层放在自身环境中评测。每次试用包含：
- 完整的 ChinaScope SAM 数据交付包。 10 年时点 SAM 行业分类、分部收入及 COREIN 供应链关系边集合，以洁净 parquet 文件交付，附完整数据字典与集成文档。
- 即插即用的特征构造代码。 白皮书所述网络路由算子的 Python 实现——同业 / 上游 / 下游聚合、收入加权、横截面正交化。买方将自身基础因子库接入，即可在自有股票池与约束下复现分析。
- 方法论咨询。 与 Numinor 研究团队的直接技术沟通，涵盖集成支持、买方特定因子的稳健性测试，以及生产部署相关考量。
下一步
- 阅读完整技术白皮书（Numinor Whitepaper v1.6，45 页中文版 / 71 页英文版），获取完整方法论、八项稳健性分析及全部支持图表。
- 申请数据试用，通过既有 ChinaScope 或 Numinor 渠道联系我们，或直接发邮件至下方地址。
- 如有方法论或复现相关技术问题，可直接联系 Numinor Systems。
Numinor · ChinaScope · 2026 年 4 月 联系方式：tyl@numinor.io