用关联图谱做量化选股：让基本面惊喜沿着网络扩散

当一家公司的利好被分析师写进研报、被市场定价之后，这份信息还会顺着"关联网络"流向哪些尚未反应的股票？

股票对共同基本面冲击的价格反应并不同步，关联股票可以成为目标股票的前置信息源 。但"关联股票涨了"本身几乎没有预测力（RankIC ≈ 0），真正有效的是关联股票出现了正向基本面惊喜 这一信号。基于"股票池筛选 + 扩散因子排序"的两阶段框架，在完全一致的回测口径下，Top10 组合的年化净收益从 12.90% 提升到 22.80% ，Sharpe 从 0.61 提升到 0.92。

这篇文章假设你已经熟悉多因子选股的基本流程（因子暴露、中性化、RankIC 检验、分组回测）。如果你刚接触量化，建议先补一下经典动量和分析师预期因子的内容，再回来读这篇------因为我们要讨论的，恰好是这些经典因子覆盖不到的那部分信息。

一、问题：动量溢出存在，但"关联上涨"没有用

1.1 底层逻辑：价格发现不是同步完成的

同一条产业链上的公司，会同时暴露在相同的需求、成本、政策与景气冲击之下。但它们的研究关注度、投资者结构和信息处理速度各不相同------于是总有那么几只股票先完成定价，另一些随后跟随。这就是经典的"价格发现不同步"。

顺着这个思路，关联动量（cross-firm momentum）不是把目标股票自身动量换个名字，而是：用关联股票已经反映的信息，去识别尚未被充分定价的目标股票。学术上已有不少证据（如基于共同分析师覆盖的跨公司动量研究）。

要让这个机制成立，需要回答两个问题：

哪些股票之间存在稳定的信息联系？------关联网络的构建方式；
谁更可能先反映信息？------信息领先者的识别方式。

1.2 两类关联网络：分析师共同覆盖 vs 研报主题相似

（1）分析师共同覆盖网络。 过去 12 个月内，同一分析师同时覆盖两只股票，两者之间就形成一条关联边；共同覆盖的分析师数量越多，边强度越高。每只股票与全部关联股票的边权之和定义为强度中心度（SC）------高中心度的股票研究连接更广，更可能率先反映共同信息，信息从高 SC 股票流向低 SC 关联股票。

（2）研报标题主题网络。 把每只股票过去 6 个月的研报标题收集起来，剔除日期、代码、目标价和"公司点评""首次覆盖"这类模板词，用字符片段 TF-IDF 把标题文本转成主题向量，再计算股票两两之间的余弦相似度。每只股票保留相似度 ≥ 0.08 的前 30 只作为主题关联股票。注意这是有向的：A 把 B 视为关联，不代表 B 也把 A 视为关联。

两类网络的结构差异很大，这直接决定了它们能捕捉什么信息：

1.3 冷水：原始关联动量因子基本无效

直觉很美好，实测很骨感。把两类网络直接加权汇总成"关联收益因子"做检验（统计期 2017-01 至 2026-06，十分组）：

因子	RankIC 均值	月度 RankICIR	备注
纯反转	3.74%	---	基准对照
Gap（SC 关联收益 − 自身收益）	3.90%	---	机械包含反转贡献，≠ 独立增量
SC 加权关联收益	−0.55%	−0.034	无效
主题网络关联收益	0.03%	0.003	无效

分组收益上，两个因子的高低组之间确实存在差异（多空月均约 0.86%--0.92%），但组间不单调、Newey-West t 值只有 1.4--1.7，多头组合最大回撤也很高。结论：不能当独立选股信号用。

为什么？因为关联股票的上涨可能只是行业行情、主题拥挤或短期波动的产物------这类上涨没有"可传导的内容"。真正有溢出价值的，不是价格本身，而是价格背后的基本面变化。

二、改进：识别"具有外溢能力的信息"

2.1 用基本面惊喜替代股价上涨

"基本面惊喜"从三个维度取并集判定，任一维度为正即记为正向惊喜：

研报标题正向惊喜 ：标题中出现"超预期""好于预期""业绩高增"等表述记正，"不及预期""低于预期""下修"记负，"符合预期"不计；正负同时出现时优先按负向处理（保守原则）；
分析师评级上调：评级映射为有序阶梯，过去 3 个月机构平均评级变化 > 0；
盈利预测正向修订 ：过去 3 个月 FY1 盈利预测修订幅度横截面中位数 > 0 且净上调广度（(上调家数 − 下调家数) / 有效修订家数）> 0，两个条件必须同时满足。

在此基础上定义网络传播变量：自身超预期 （OwnPos）、关联公司超预期 （以关联股票的 SC 为权重加权汇总其惊喜标记）、隐含关联公司超预期（自身尚无惊喜、但关联公司已经出现惊喜------这正是"信息还没传导到我"的形态），以及自身---关联联合超预期。

**覆盖率是个隐藏的瓶颈：**仅靠目标股票自身的基本面惊喜信号，月均只能覆盖严格筛选股票池的约 25%；把研报标题主题网络和共同分析师覆盖网络纳入后，月均覆盖率可以提升到约 76%。网络的价值之一，就是把"看不见的信息"变成"看得见的信号"。

2.2 三个层次的信号构造

信息暴露类：目标股票周边有多少关联公司已经出现正向惊喜（信息量本身）；
价格确认类 ：进一步要求关联公司在释放正向信息的同时取得了正收益（信息已被市场初步验证）；
异常收益确认 ：剔除行业与规模共同波动后，正向惊喜是否伴随更具公司特征的价格反应（确认这不是随行业beta起舞）。

2.3 两阶段框架：股票池 × 排序因子

这是整套方法的骨架。与其把所有信号塞进一个因子里硬拼权重，不如拆成两阶段------股票池回答"哪里值得看"，排序因子回答"看谁"：

2.4 核心对比：原始信号 vs 改进信号的预测力

改进是否真的有效？把同一统计期内各类信号的 RankIC 放在一起看（所有信号均控制对数市值与一级行业）：

几个值得注意的细节：

主题网络的有效信息主要来自基本面惊喜本身，而非关联股票的一般收益联动；
共同覆盖网络的单纯惊喜暴露几乎无效（RankIC 仅 0.09%），但叠加异常收益确认后提升到 0.84%------价格确认对这类网络更关键；
未经基本面筛选的原始关联收益在复合因子中被用作负向控制项：如果一只股票的关联涨幅完全没有基本面支撑，反而应该扣分。

2.5 一个可以跑起来的最小实现

整套流程里最"可代码化"的两块是主题网络构建和惊喜信号判定。下面是一个教学级的最小实现（思路复现，非原始工程代码），依赖 scikit-learn 与 pandas：

复制代码

"""关联图谱选股 · 教学级最小实现（思路示意）
环境：python 3.11 / pandas 2.2 / scikit-learn 1.5
数据：需要一张宽表 report_df，字段 = [日期, 股票代码, 研报标题, 评级, FY1盈利预测]
"""
import re
import pandas as pd
import numpy as np
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

# ---------- 1. 研报标题清洗：剔除模板化信息 ----------
TEMPLATE_WORDS = r"(公司点评|首次覆盖|年报点评|季报点评|中报点评|目标价|\d{4}[-/年]\d{1,2}|\d{6}|维持|下调|上调评级)"

def clean_title(title: str) -> str:
    return re.sub(TEMPLATE_WORDS, "", title).strip()

# ---------- 2. 主题相似度网络：字符片段 TF-IDF + 余弦相似度 ----------
def build_topic_network(titles: pd.Series, top_n: int = 30,
                        sim_threshold: float = 0.08) -> dict[str, dict[str, float]]:
    """titles: index=股票代码, value=过去6个月研报标题拼接文本
    返回 {股票A: {关联股票B: 相似度, ...}, ...}（有向网络）"""
    corpus = titles.map(clean_title)
    vec = TfidfVectorizer(analyzer="char_wb", ngram_range=(2, 3),  # 字符2-3元片段
                          max_features=5000)
    X = vec.fit_transform(corpus)
    sim = cosine_similarity(X)                                     # N x N 相似度矩阵
    codes = corpus.index.tolist()
    net = {}
    for i, code in enumerate(codes):
        sims = [(codes[j], sim[i, j]) for j in range(len(codes)) if j != i]
        sims = [(c, s) for c, s in sims if s >= sim_threshold]
        net[code] = dict(sorted(sims, key=lambda x: -x[1])[:top_n])  # 保留前30只
    return net

# ---------- 3. 基本面惊喜：三维度并集 ----------
POS_KEYWORDS = ["超预期", "好于预期", "业绩高增", "业绩亮眼", "超市场预期"]
NEG_KEYWORDS = ["不及预期", "低于预期", "下修", "业绩承压"]

def title_surprise(title: str) -> int:
    """研报标题惊喜：+1 正向 / -1 负向 / 0 中性。正负并存时保守取负。"""
    has_pos = any(k in title for k in POS_KEYWORDS)
    has_neg = any(k in title for k in NEG_KEYWORDS)
    if has_neg:            return -1   # 保守原则：负向优先
    if has_pos:            return  1
    return 0

def fundamental_surprise(df: pd.DataFrame) -> pd.Series:
    """df: 单只股票过去3个月的研报明细。返回该股惊喜标记（1/0）。"""
    title_pos = any(title_surprise(t) > 0 for t in df["研报标题"])
    rating_up = (df["评级阶梯"].astype(float).diff().dropna() > 0).any()
    # 盈利修订：幅度中位数 > 0 且 净上调广度 > 0，二者缺一不可
    revisions = df.groupby("机构")["FY1盈利预测"].last().sub(
                df.groupby("机构")["FY1盈利预测"].first(), fill_value=0)
    up, down = (revisions > 0).sum(), (revisions < 0).sum()
    valid = up + down
    eps_rev = (revisions.median() > 0) and (valid > 0 and (up - down) / valid > 0)
    # 三维度并集
    return pd.Series(int(title_pos or rating_up or eps_rev))

# ---------- 4. 关联惊喜暴露（阶段一信号之一） ----------
def linked_surprise_exposure(net: dict, own: pd.Series,
                             sc: pd.Series) -> pd.Series:
    """以关联股票自身 SC 为权重，加权其惊喜标记，在有效关联范围内归一化。"""
    expo = {}
    for code, neighbors in net.items():
        w = {nb: sc.get(nb, 0.0) for nb in neighbors if nb in own.index}
        total_w = sum(w.values())
        if total_w > 0:
            expo[code] = sum(w[nb] * own[nb] for nb in w) / total_w
        else:
            expo[code] = 0.0
    return pd.Series(expo)

# 之后：横截面百分位排名 → ≥2项进前30% → 入池 → 扩散因子排序
# 完整回测还需要：严格股票池过滤、行业市值中性化、月度调仓与交易成本

工程上容易踩的坑：

关联网络是有向的，且必须每月末用滚动窗口重建（12 个月共同覆盖 / 6 个月标题），防止未来函数；
TF-IDF 一定要用字符片段（char n-gram）而不是分词------研报标题是短文本，分词在噪声标题上很不稳定；
评级阶梯映射要先对齐不同券商的评级体系（如 5 档制 vs 7 档制），否则"上调"会被体系差异污染。

三、效果：加进多因子策略之后发生了什么

3.1 与常见因子几乎不相关

增量信息的价值取决于它和你已有的东西重合多少。在关联暴露股票池内，对扩散因子和 64 个常见中性化因子统一剔除行业与市值影响后计算月均秩相关：

3.2 策略回测：增量集中在头部

把扩散因子加入一个覆盖质量、股东、估值、动量、量价相关性、资金流、分析师预期七个维度的等权基础策略（所有口径完全一致：同股票池、同执行日历、同交易成本，基准为中证500价格指数）：

3.3 分年度：10 个区间里 8 个为正

2017 年至 2026 年上半年共 10 个年度区间中，Top10 增强策略在 8 个区间跑赢基础策略（Top30 为 6 个）。尤其是 2024 年以来增量显著放大：

3.4 组合特征：因子改的是排序，不是风格

加入关联图谱因子后，组合几乎没变"形状"：

月均覆盖 7.54 个一级行业，第一大行业平均权重 25.31%，前三大 54.25%；
持仓平均市值 218 亿元（中位数 121 亿元），仅略低于基础策略；
月均完整 L1 换手率约 173%，与上月持仓平均重合率约 14%；
两策略同月 Top10 持仓平均重合率 68.23%。

也就是说，这个因子主要在调整头部个股的相对排序，而不是把组合切换到另一种行业或市值风格------这是判断"增量信息"而非"风格漂移"的重要证据。

四、参数敏感性与稳健性

股票池筛选阈值（单项信号进入当月前 30% 视为有效确认，基准 0.70）从 0.60 到 0.80 扫一遍：

阈值	关联暴露池月均股票数	关联暴露池 RankIC	双网络确认池 RankIC
0.60	1,012.5	2.19%	2.08%
0.65	---	2.24%	1.93%
0.70（基准）	723.8	2.36%	1.69%
0.75	581.0	2.60%	1.83%
0.80	439.9	2.37%	1.38%

结果不是"阈值越高越好"的单调关系------0.70 作为预先设定的基准，是在覆盖范围、确认强度和稳健性之间的折中。这种非单调性本身是好事：说明结果不是过拟合调出来的尖峰。

五、Trade-offs 与局限

**增量集中在头部。**持仓从 Top10 扩到 Top50，增量从 +9.90 pct 衰减到 +0.35 pct。如果你的组合持仓很分散，这个因子帮不了你多少；
**依赖卖方研报生态。**标题惊喜、评级和盈利预测全部来自分析师数据------覆盖稀疏的小票信号天然更弱，且研报文本风格的变化（如模板化加剧）会侵蚀标题信号质量；
**网络构建成本不低。**每月滚动重建两张网络（TF-IDF + 相似度矩阵 + 共同覆盖统计），全市场口径下是一笔不小的计算开销；
**Top10 结果的统计含义 > 实盘含义。**10 个持仓的组合方差很大，年化 22.80% 更多说明"因子在头部排序上有辨识力"，而不是"你应该只买 10 只股票"；
月度换手 173% 不低，对交易成本和冲击成本敏感，回测口径中已计成本，但实盘容量仍需评估。

想自己跑一遍回测？数据从哪来

文中这套框架落地时，最大的工程量其实在数据侧：研报标题、分析师评级、盈利预测修订、月度行情与停牌状态，每一项都是长期滚动维护的负担。如果不想从零对接各个数据源，可以试试 StockAPI------一个面向量化开发者的股票数据接口平台：

StockAPI（官网：www.stockapi.com.cn）

实时行情接口：毫秒级低延迟推送，99.99% 接口高可用，覆盖全市场核心品种，还支持 Level-2 深度数据（逐笔成交、10 档行情）；
策略回测：内置回测系统，可以在统一口径下验证多因子策略，省掉自建回测引擎的初期成本；
资金流与游资监控：主力净流入、资金流向分析等数据，正好覆盖本文"七因子基础策略"里资金流维度的数据需求；
AI 智能选股：结合行业数据与实时行情的选股服务，可以作为自研因子之外的参照基准；
接入友好 ：标准 REST 接口，几行 Python 就能拉到数据，也支持导入 Excel。

以日线行情为例，注册拿到 token 之后：

复制代码

import requests

url = "https://www.stockapi.com.cn/v1/base/day"
params = {"token": "YOUR_TOKEN", "code": "600519"}

response = requests.get(url, params=params)
data = response.json()

print(f"当前价格: {data['price']}")
print(f"主力净流入: {data['main_net_inflow']}")

注册即有免费测试额度，适合先跑通本文的最小实现，再决定是否接入正式数据源。

📌 本文为独立撰写的技术方法论文章：思路与公开量化研究（2026）中的关联图谱选股框架相关，文中数据引自该研究的公开摘要口径，仅作教学讨论用途；所有图表均为本文自行绘制，代码为教学级思路复现，与任何机构的原始工程实现无关。不构成投资建议。