浙商证券-因子研究系列：从网络结构模型识别“中心资产”-210426

《浙商证券-因子研究系列：从网络结构模型识别“中心资产”-210426（14页）.pdf》由会员分享，可在线阅读，更多相关《浙商证券-因子研究系列：从网络结构模型识别“中心资产”-210426（14页）.pdf（14页精品完整版）》请在悟空智库报告文库上搜索。

报告导读2020年以来核心资产估值水涨船高，市场行情“二八”分化明显。

尽管21年初市场明星公司出现了一定的下跌，但投资者对白马公司的关注不减。

一方面，由于一致审美提升了“抱团组合”内部的联动性，而弱化了与“边缘资产”的关联，这一物理现实为我们识别“中心资产”提供了新的视角。

另一方面，尽管通过基本面研究寻找“中心资产”或者规避“边缘资产”，或者基于财务质量因子选股同样可以达到目的，但信息的滞后性使得这类方法很难实现动态调整。

由此，本文从金融系统的层级结构特性出发，引入网络结构模型，使用互信息率、动态时间规整算法来刻画股票之间的非线性关系，定量分析最小生成树节点中心性的时序和截面特性，并初步探索了中心度得分因子的选股能力。

投资要点网络结构模型网络结构模型是层级结构模型的代表，可以有效地帮助我们定量分析股票节点的重要性和股票之间的关联关系。

构建有效的网络结构模型，关键要合理度量节点关系并转换为邻接矩阵。

研究表明，使用动态时间规整算法可以更好地刻画股票收益率序列的时序相关性，以此定义节点距离而构建的网络模型较互信息率更贴近真实市场。

由于全连接网络过于复杂，不利于分析，综合设定剪枝阈值和使用最小生成树优化网络对提升网络性能是有益的。

中心度因子选股基于网络结构模型，中心性度量可以有效地识别具有超额收益的“中心资产”。

回测表明，应用度中心性、节点中心性和介数中心性这三大中心度指标构建的得分因子在沪深300动态成分股中月度选股，回测区间自2010年1月至2020年12月，结果显示，中心度得分较高的头部组合相比中心度得分较低的尾部组合可以长期获得显著的超额收益，5分组测试下G01组相较基准可以取得2.29%的超额收益，月度胜率54%，超额收益率最大回撤仅14%。

风险提示：量化模型失效风险。