【招商定量·深度报告巡礼之二十三】基于供应链动量溢出效应的选股策略

（以下内容从招商证券《【招商定量·深度报告巡礼之二十三】基于供应链动量溢出效应的选股策略》研报附件原文摘录）
　　随着投资者对供应链 alpha 的不断挖掘并验证其有效性，市场对供应链投资主题的关注度也在逐步提升。本报告在 A 股上市公司中，利用上市公司之间的供应链关联度构建了单层级的供应链动量因子和双层级的供应链动量因子。基于因子测试的有效性，我们在不同股票样本池下构建了相应的选股策略。本报告的主要结论如下: 供应链关联度数据覆盖度提高，可应用于量化选股中。近几年，上市公司主动披露其供应关系的意愿提高，越来越多的上市公司选择在定期报告中披露自己的供应关系。同时，秩鼎公司通过反向披露、股权穿透等技术方法显著提高了供应链关联度数据的覆盖度。 供应链动量溢出效应源于市场并非完全有效。一方面，供应链关联公司其基本面之间存在一定的相关性，同时信息带来的冲击也会沿着供应链进行传播。另一方面，由于投资者的有限关注，当市场中有新的信息时，及时分析其对主体公司的供应商及客户的影响存在难度，因此导致股票价格反应存在时滞。 以供应链关联度为核心构建的供应链动量选股因子，对股票未来收益具有较强的预测能力。从 IC 测试中可以看出，主体公司股价未来的涨跌与其供应链关联公司，尤其是客户公司过去一段时间的股价涨跌存在正相关性。进一步通过对因子的分位数测试可以看出，根据客户公司动量因子构建的分位数组合收益具有较强的区分度。 引入双层供应链关系，构建双层供应链动量因子，能提高对股票未来收益的预测能力和稳定性。相比单层的供应链动量因子，双层供应链动量因子在 IC测试中对参数交易日天数的敏感性降低，不同指标下 t 统计量大于 2 的比例显著提升。同时，对于相同的指标，在相同的交易日参数下，IC 均值有所提升，t 统计量也相应提升。 基于供应链构造的客户动量因子与其他大类因子的相关性均较低。客户动量因子与传统动量因子之间相关性约为 20%，与其他大类因子的相关性则不超过5%。表明客户动量因子不能被这些大类因子所解释，具有其独特性。 基于双层客户动量因子构建的选股策略，在不同股票样本池下，无论是样本内还是样本外，均能显著的跑赢其基准。2018 年以来，策略在沪深 300、中证 800 及中证 1000 股票池下的超额收益分别为 9.65%、10.54%、5.97%;夏普比分别为 0.38、0.40、0.12，均显著高于基准指数。 风险提示：本报告结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险；本报告所提及个股或基金仅表示与相关主题有一定关联性，不构成任何投资建议。 I 研究背景 1921年匈牙利作家Frigyes Karinthy提出地球上的所有人可以通过6层以内的熟人链连接在一起；1967年哈佛大学的心理学教授斯坦利·米尔格拉姆根据这概念做过一次连锁信件实验，尝试证明平均只需要五个中间人就可以联系任何两个互不相识的美国人；2016年Facebook提出基于其社交网络计算出最多仅需要不到4层关系就可以将所有的美国人联系起来。可以说，社会上的每个人都通过已知或未知的联系网连在一起。 于人如此，于公司来说亦是如此：公司并不是独立存在的个体，而是通过供应关系、竞争关系等经济关系，紧密联系在一起，形成一个整体。对于每家上市公司（主体公司），存在为其提供原材料或服务的上游公司（供应商），同时存在购买其产品或服务的下游公司（客户）。如果把每家公司看成一个点，两两公司供应关系看作有向边，将会形成公司之间的供应链网络。正如在行业基本面分析中，我们熟知的波特五力模型分析考察上游供应商以及下游客户的议价能力，我们认为产品、价值、信息都将沿着供应链网络进行传导，通过对供应链网络的分析，可能可以挖掘出供应链网络中所蕴含的独特信息。 事实上，一众学者在供应链的研究中已经取得了显著的成果。早在2008年，Cohen和Frazzini（2008）研究了对一家公司的冲击如何转化为对关联公司的冲击。结果发现关联方股价对于供应链信息存在可预见的滞后，由此产生了一种资产定价的思路：投资者的有限关注可能导致价格将在相关公司的冲击下滞后地进行调整，从而带来可预测的回报。Shahrur，Becker和Rosenfeld（2010）针对22个发达国家交易所上市的股票样本做跨国供应链行业层面的动量研究，发现客户行业的回报率领先于供应商行业的回报率，对于与客户经济联系较强的供应商来说，客户-供应商/领先-滞后效应更为明显，其构建的多空组合每年的异常回报率高达15%。Yamamoto，Kawadi和Miyahara（2021）考虑了全球供应链产业网络的动量策略，根据网络理论和中期动量传播，他们构建的指标递进了多层关系的客户，并试图在不同时间跨度和供应链层级组合的客户动量因子中探讨最佳投资组合。 作为“蓝海启航”系列报告的第五篇，本报告采用秩鼎公司提供的供应链数据，围绕A股市场中个股之间的供应链动量效应，深入探究其背后的逻辑，分别构建了客户动量因子与供应商动量因子，并进一步将不同层级的供应关系纳入研究当中。最后，基于因子测试的有效性，我们探索供应链动量因子在不同股票样本池内的选股表现。后续我们将继续深入挖掘供应链网络的投资价值，将供应链数据应用于行业轮动、事件驱动等方向当中，敬请期待！ II 供应链数据概述 1、供应链数据介绍 供应链数据的质量常常会成为供应链研究中的痛点。上市公司出于对自身业务稳定性的保护，供应商数据、客户数据往往会被上市公司视为重要信息，因此我们能够收集到的供应链数据往往数量较少，覆盖度较低，不太适合应用到量化选股中；其次，上市公司，尤其对于一些较小公司，他们基于自我意愿披露供应链信息时可能会倾向于披露一些知名度较高、规模较大的经济关联公司，以此来提高自身的受关注度。因此可能导致披露的供应链数据将会是有偏的。 基于上述提及的供应链研究中存在的数据难点，本报告采用秩鼎公司的供应链数据为样本进行分析与研究。秩鼎公司是国内领先的供应链、ESG等另类数据及分析服务商，其核心团队来自全球领先的金融信息服务商 Thomson Reuters，是中国保险资产管理业协会成员、联合国责任投资原则 UN PRI 成员、 Bloomberg 中国境内的首家另类数据提供商、 ICE 洲际交易所合作伙伴。秩鼎公司提供供应链、ESG、知识产权、全球市场行情等深度信息，同时提供了 供应链图谱、ESG 评估、组合分析、因子开发等投研工具， 对 7,000 多家上市公司、 20,000 多家发债企业和 1,300,000 多家非公众企业进行实时跟踪和绩效分析。截至目前，秩鼎公司已通过 ISO9001 质量管理体系、 ISO27001 信息安全管理体系、 ISO20000 信息技术服务管理体系认证。 秩鼎通过反向披露、股权穿透等方式，全方位覆盖历史数据，新增数据日度更新，构建可视化的供应链图谱和因子化的供应链关联度。截至目前，秩鼎供应链数据已覆盖 4,000+A 股，2,000+港股，100+美股，20,000+发债主体以及1,300,000+非公众企业。百万量级真实交易记录，日度更新，股权数据随年度变化，精准回溯历史业务信息，为供应链投资策略提供基本面、事件驱动和量化因子等多种研究应用方式。 同时，为保证数据质量及可溯性，秩鼎供应链数据采用人工智能、 机器学习以及自然语言处理等技术，从公司公告（定期报告、临时公告等）、以及第三方披露信息（审计报告、招中标等）中抓取供应链数据后，将所有数据经过人工复核， 并提供原始披露出处备查。 2、供应关系权重计算 秩鼎在通过一系列技术从公司公告（定期报告、临时公告等）、以及第三方披露信息（审计报告、招中标等）中抓取供应链数据后，根据两两公司之间具体的交易金额、报告期等数据，按照关联度的算法计算出两两公司之间供应关系的关联度。通过该公式计算得出的关联度权值越大，表明两者在供应链中的关联性越强。为了方便使用，秩鼎供应链数据分为供应商关联度数据和客户关联度数据两个部分，供应商关联度数据记录的是主体公司与其供应商的关联关系，客户关联度数据记录主体公司与其客户间的关联关系。具体关联度计算方法详见下表： Ⅲ 供应链动量因子的构建与测试 1、供应链动量溢出效应的理论基础 与动量因子类似，供应链的动量溢出效应其基本的逻辑是认为市场并非完全有效的，股票市场价格并不能完全反应当前时点的所有的信息。主体公司未来的股票收益可能与其供应链关联公司过去一段时间的股价表现相关，这使得股票未来收益变得可预测。那么，供应链动量溢出效应成立就需要两个前提：1、具有供应关系的公司之间其股价收益之间存在关联；2、股价波动从主体公司的供应商或者客户向主体公司传导存在一定的时滞。 首先，我们先解释为什么具有供应关系的上市公司之间其股价收益之间存在关联。在这里，我们参考Ali和Hirshleifer（2020）在报告中验证主体公司与供应链关联公司在基本面的关联性中使用的方法，以各季度主体公司营收的同比增长率为因变量，以主体公司的供应商的营收同比增长率平均值、客户公司营收同比增长率平均值、主体公司所在中信一级行业指数公司平均营收同比增长率为自变量。在固定时间效应下，可以看到主体公司营收增长率与其供应商及客户的营收增长率具有很强的相关性。换句话说，公司基本面的改变将会沿着供应链影响到其上下游的公司。 除了基本面的关联，Cohen和Frazzini（2008）在报告中提出信息面带来的冲击也会沿着供应链进行传导。他们以Coastcast公司以及其客户Callaway公司为例，阐述当Coastcast公司发生评级下调，盈利不及预期等负面信息后，其股价下跌，而Callaway公司股价在1个月后在没有其他新增信息的情况下也开始下跌，表明信息也会沿着供应链进行传导，作用到股价上。从这个例子中我们还可以看到虽然主体公司与供应商股价均下跌，但是作为供应商的Callaway股价的下跌却发生在1个月之后，中间存在一定的时滞。在A股市场中类似的例子也是屡见不鲜，图13中客户公司发生业绩预增后，其股价有明显上涨，之后其供应商股价也发生一定幅度的上涨。 Cohen和Frazzini指出造成供应链关联公司股价波动存在时滞的原因是由于投资者的有限关注。由于投资者的精力是有限的，他们并不能及时的分析处理所有的市场信息。当市场中有新的信息时，及时地分析其对主体公司的供应商及客户的影响存在难度，因此导致股票价格反应存在时滞。此外，Ali和Hirshleifer在《Shared analyst coverage: Unifying momentum spillover effects》中发现公司所受到的分析师关注度以及基本面的联系也会影响信息的传导速度：如果一家公司的投资者或报道该公司的分析师关注有限，那么该公司的价格可能会对有关其他公司的相关消息的到来反应迟钝；相关公司的基本面（销售额和盈利能力等）联系更强（主要来源于客户 - 供应商链接），在其他条件相同的情况下，其动量溢出效应越强。 2、供应链动量因子 （1）RankIC测试 在这节中，我们使用秩鼎的供应链关联度数据，根据主体公司的供应链关联公司（包括客户、供应商）在过去一段时间的收益表现构造了供应链关联公司的动量因子。下文中对因子所做的测试样本区间为2017Q1-2020Q4，频率为季频，测试样本股票池为全部A股。下表对供应链动量因子IC测试的结果进行展示： 从上表中我们可以总结出以下几点：（1）从t统计量可以看出，主体公司股价未来的涨跌与其供应链关联公司过去一段时间的股价涨跌存在正相关性。当主体公司其供应链关联公司过去一段时间股价上涨时，主体公司未来的股价也可能迎来上涨，存在供应链关联公司的动量溢出效应。（2）我们对供应链关联公司过去N个交易日的动量指标均进行了RankIC测试，N取值40-240，上表仅列出每个指标下t统计量最高的3种交易日天数。整体来看当N取80时，指标IC测试效果最好。（3）对比主体公司的客户与供应商的回测结果，可以发现根据客户公司构建的动量指标的t统计量显著性更强，且有较大比例的指标的t统计量均在2以上，指标的稳健性更高。表明相对比供应商来说，客户公司对主体公司的动量溢出效应更强，客户公司过去一段时间股价的涨跌幅与主体公司股价未来的涨跌相关性更强。从这里我们猜测从下游需求端向上游传导对股价的影响要强于上游供给侧向下游的传导。（4）可以看到市值最大的关联公司动量指标与根据关联度加权的动量指标回测效果接近，表明供应链的动量溢出效应的强弱可能与公司市值有关，公司市值越大，受到市场的关注度越高，其消息面基本面信息在供应链上的传导越强。 （2）分位数测试 这里我们仅选择客户公司80个交易日的关联度加权动量因子进行分位数测试展示。我们根据因子从低到高将全A股票样本均匀分为5组进行分位组测试，top组合和bottom组合分别为因子值最高和最低的组合，股票权重为等权方式，每个季度结束后第1个交易日进行组合调整，回溯期为2017Q1至2020年Q4，股票样本池为全部A股。 表4和图15分别是分位数测试(均暂不考虑费率)的主要评价指标和净值曲线走势。由此可知：（1）top组合的整体表现最好，区间总收益率、区间年化收益和卡玛比率分别为98.71%，18.73%和0.48，均显著高于bottom组合；（2）top组合与bottom组合的净值曲线具有较明显的区分度，多空组合(L-S)整体呈不断上升趋势，年化收益率、Sharpe比率和最大回撤率分别为15.74%、2.14和6.41%，显示出该因子具有较好的选股能力。 3、多层级供应链动量因子 在这一节中，我们将把主体公司的供应链向外延伸，增加供应链的层级数，测试是否更多层级的供应链关系中包含了新的信息。关于不同层级的供应链之间信息流的传导，Chen和Samroengraja(2000)等学者曾做了一个关于啤酒游戏的研究，由一群人分别扮演门店、经销商、生产商三类角色，彼此根据下游客户的需求来确定最优的产量。实验结果发现，从顾客需求到零售商、从批发商到制造商，需求变化和库存量被逐级放大，而且呈现出明显的滞后特征，最终导致供给量往不合理的方向变化。该实验也验证了Lee et al.(1997)提出的牛鞭效应，牛鞭效应也称为“需求变异加速放大原理”，指的是市场需求在供应链传递的过程中由于无法有效地实现信息共享，使得信息扭曲，最终导致了需求信息出现逐级放大的波动，就像甩出去的赶牛鞭子。 事实上，Yoshino(2020) 在日本股票市场中证明双层的供应链动量因子相比单层的供应链动量因子，其有效性更强；其后Yamamoto(2021) 运用全球供应链数据也同样发现了类似的规律，并认为造成该现象的原因同样是由于投资者的有限关注，投资者无法及时的分析来自更多层级供应链关系的信息。 （1）RankIC测试 从下表中我们可以发现在引入第二层的供应链信息后，其IC测试的结果相比单层供应链动量因子的测试效果有了显著的提升，提升主要体现在两个方面：（1）指标t统计量大于2的比例显著提升。可以看到，对于主体公司的双层级客户动量因子，所有指标的t统计量均达到2以上。（2）对于相同的指标，在相同的交易日参数下，IC均值有所提升，t统计量也相应提升。以市值最大的客户公司80个交易日动量指标为例，在引入第二层客户的动量后，IC均值从原本的3.26%提升到3.56%，t统计量从原本的2.77提升到3.04。 （2）分位数测试 这里我们选择了双层级的客户公司80个交易日的客户动量因子进行分位数测试展示。我们同样将因子从低到高将全A股票样本均匀分为5组进行分位组测试，top组合和bottom组合分别为因子值最高和最低的组合，股票权重为等权方式，每个季度结束后第1个交易日进行组合调整，回溯期为2017Q1至2020年Q4，股票样本池为全部A股。 我们同样可以发现（1）top组合的整体表现最好，区间总收益率、区间年化收益和卡玛比率分别为103.68%，19.46%和0.52，均显著高于bottom组合；（2）top组合与bottom组合的净值曲线具有较明显的区分度，多空组合(L-S)整体呈不断上升趋势，年化收益率、Sharpe比率和最大回撤率分别为16.11%、2.05和5.71%，显示出该因子具有较好的选股能力 4、大类因子的相关性分析 （1）与传统动量因子对比分析 在前面的章节中，我们着重分析了供应链动量因子的逻辑并测试了其有效性，而传统的动量因子更是早已在A股中被验证了其有效性。这里我们就将本文构建的供应链动量因子与传统的动量因子进行比较。为了保证可比性，我们同样采用Shift动量的方法计算主体公司的动量效应。从主体公司自身动量因子以及供应链动量因子RankIC的t统计量上看，当我们考察中短期动量时（80个交易日以内），无论是客户关联度加权动量还是供应商关联度加权动量，供应链动量因子表现均显著的优于主体公司自身动量，因为供应链动量包含了供应链上下游中短期的信息。而当我们考察较长期的动量时，可以发现供应链动量有效性显著下降，而主体公司动量有效性对时间窗口的敏感性较低。 （2）与大类因子相关性分析 为检验上文构建的供应链动量因子与常见风格因子之间的相关性，我们计算了各指标之间的截面 Spearman 秩相关系数均值，具体结果如下表所示。 从下表中我们可以发现以下四点：（1）客户动量因子与双层级客户动量因子的相关性较高，平均来看其相关性达到0.85以上。（2）基于供应链构造的两个客户动量因子与传统的动量因子具有一定的正相关性，二级客户动量因子与传统动量因子相关性为0.2。（3）基于供应链构造的两个客户动量因子与除动量因子外的其他4类大类因子的相关性均较低，相关性最高不超过5%，也就是说这两个供应链动量因子均不能被这些大类因子所解释，具有其独特性。（4）除了动量因子与成长因子，这两个因子与其他大类因子均为负相关。若将供应链动量因子与其他因子组合，可以降低组合风险。 IV 选股策略构建与回测 以沪深300指数成分股为股票初始样本池，每期选择因子值最高的30只股票。 回测结果如表10和图20 所示，将该供应链动量因子应用在沪深300指数成分股中选股效果较好：（1）无论是在样本内还是样本外，策略多头年化收益均高于基准沪深300指数收益。以全区间样本为例，策略的多头区间收益为54.18%，而沪深300区间收益则为3.76%。（2）可以看到，在风险的控制上，策略多头在全区间年化波动率与沪深300相近，而最大回撤远小于沪深300指数，其夏普比率与卡玛比率远高于沪深300指数。 以中证800指数成分股为股票初始样本池，每期选择因子值最高的80只股票。 回测结果如表11和图21所示，将该供应链动量因子应用在中证800指数成分股中选股效果较好：（1）无论是在样本内还是样本外，策略多头年化收益均高于基准中证800指数收益。以样本外为例，策略多头区间收益为12.28%，而中证800区间收益则为-16.06%。（2）可以看到，在风险的控制上，策略多头在样本外年化波动率与中证800相近，最大回撤小于中证800指数，其夏普比率与卡玛比率远高于中证800指数。 以中证1000指数成分股为股票初始样本池，每期选择因子值最高的80只股票。 回测结果如表12 和图 22所示，将该因子应用在中证1000指数成分股中选股效果同样显著：（1）无论是在样本内还是样本外，策略多头年化收益均高于基准中证1000指数收益。以样本外为例，策略多头区间收益为8.16%，而中证1000区间收益则为0.29%。（2）可以看到，在风险的控制上，策略多头在样本外年化波动率、最大回撤均与中证1000相近，其夏普比率与卡玛比率远高于中证1000指数。（3）当我们考察策略相对中证1000指数超额收益时，可以看到累积超额收益几乎都是在1以上，且累积超额收益的回撤较小，具有相当高的稳定性。 V 总结 近年来，学术界与业界对于供应链投资主题的关注度逐步提升。投资者渐渐达成共识，认为上市公司并不是独立的个体，而是彼此相互关联，相互影响，可以从上市公司的供应关系网中挖掘出隐藏的投资机会。作为“蓝海启航”系列报告的第五篇，本报告采用秩鼎公司提供的供应链数据，围绕A股市场中个股之间的供应链动量效应，深入探究其背后的逻辑，分别构建了客户动量因子与供应商动量因子，并进一步将不同层级的供应关系纳入研究当中。最后，基于因子测试的有效性，我们探索供应链动量因子在不同股票样本池内的选股表现。本报告的主要结论如下： 供应链关联度数据覆盖度提高，可应用于量化选股中。近几年，上市公司主动披露其供应关系的意愿提高，越来越多的上市公司选择在定期报告中披露自己的供应关系。同时，秩鼎公司通过反向披露、股权穿透等技术方法显著提高了供应链关联度数据的覆盖度。 供应链动量溢出效应源于市场并非完全有效。一方面，供应链关联公司其基本面之间存在一定的相关性，同时信息带来的冲击也会沿着供应链进行传播。另一方面，由于投资者的有限关注，当市场中有新的信息时，及时分析其对主体公司的供应商及客户的影响存在难度，因此导致股票价格反应存在时滞。 以供应链关联度为核心构建的供应链动量选股因子，对股票未来收益具有较强的预测能力。从IC测试中可以看出，主体公司股价未来的涨跌与其供应链关联公司，尤其是客户公司过去一段时间的股价涨跌存在正相关性。进一步通过对因子的分位数测试可以看出，根据客户公司动量因子构建的分位数组合收益具有较强的区分度。 引入双层供应链关系，构建双层级供应链动量因子，能提高对股票未来收益的预测能力和稳定性。相比单层的供应链动量因子，双层供应链动量因子在IC测试中对参数交易日天数的敏感性降低，不同指标下t统计量大于2的比例显著提升。同时，对于相同的指标，在相同的交易日参数下，IC均值有所提升，t统计量也相应提升。 基于供应链构造的客户动量因子与其他大类因子的相关性均较低。客户动量因子与传统动量因子之间相关性约为20%，与其他大类因子的相关性则不超过5%。表明客户动量因子不能被这些大类因子所解释，具有其独特性。 基于双层客户动量因子构建的选股策略，在不同股票样本池下，无论是样本内还是样本外，均能显著的跑赢其基准。2018年以来，策略在沪深300、中证800及中证1000股票池下的超额收益分别为9.65%、10.54%、5.97%；夏普比分别为0.38、0.40、0.12，均显著高于基准指数。 具体内容请参阅我们2022年5月12日外发报告原文《“蓝海启航”系列研究之五：基于供应链动量溢出效应的选股策略》。 重要申明 风险提示 本报告结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险；本报告所提及个股或基金仅表示与相关主题有一定关联性，不构成任何投资建议。 分析师承诺 本研究报告的每一位证券分析师，在此申明，本报告清晰、准确地反映了分析师本人的研究观点。本人薪酬的任何部分过去不曾与、现在不与，未来也将不会与本报告中的具体推荐或观点直接或间接相关。 本报告分析师 任 瞳 SAC职业证书编号：S1090519080004 麦元勋 SAC职业证书编号：S1090519090003 杨 航 研究助理 特别提示 本公众号不是招商证券股份有限公司（下称“招商证券”）研究报告的发布平台。本公众号只是转发招商证券已发布研究报告的部分观点，订阅者若使用本公众号所载资料，有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的关键假设、评级、目标价等内容产生理解上的歧义。 本公众号所载信息、意见不构成所述证券或金融工具买卖的出价或征价，评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。该等信息、意见在任何时候均不构成对任何人的具有针对性、指导具体投资的操作意见，订阅者应当对本公众号中的信息和意见进行评估，根据自身情况自主做出投资决策并自行承担投资风险。 招商证券对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果，招商证券均不承担任何形式的责任。 本公众号所载内容仅供招商证券股份客户中的专业投资者参考，其他的任何读者在订阅本公众号前，请自行评估接收相关内容的适当性，招商证券不会因订阅本公众号的行为或者收到、阅读本公众号所载资料而视相关人员为专业投资者客户。 一般声明 本公众号仅是转发招商证券已发布报告的部分观点，所载盈利预测、目标价格、评级、估值等观点的给予是基于一系列的假设和前提条件，订阅者只有在了解相关报告中的全部信息基础上，才可能对相关观点形成比较全面的认识。如欲了解完整观点，应参见招商证券网站（http://www.cmschina.com/yf.html）所载完整报告。 本公众号所载资料较之招商证券正式发布的报告存在延时转发的情况，并有可能因报告发布日之后的情势或其他因素的变更而不再准确或失效。本资料所载意见、评估及预测仅为报告出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。 本公众号所载资料涉及的证券或金融工具的价格走势可能受各种因素影响，过往的表现不应作为日后表现的预示和担保。在不同时期，招商证券可能会发出与本资料所载意见、评估及预测不一致的研究报告。招商证券的销售人员、交易人员以及其他专业人士可能会依据不同的假设和标准，采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论或交易观点。 本公众号及其推送内容的版权归招商证券所有，招商证券对本公众号及其推送内容保留一切法律权利。未经招商证券事先书面许可，任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用，否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。

点此查看微信公众号原文全部内容>>

大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）