来源：海通量化团队
1.1
FactSet供应链数据及A股相关因子
1.1
FactSet供应链数据简介
供应链是另类金融数据中最为常用与有效的数据类型。它不仅直接刻画了上市公司各关联方的特征，展示了公司在市场中的重要程度，还可以帮助投资者及时获知各类信息在市场上的传递情况。
FactSet提供的供应链数据十分全面。它通过对不同关系的分类，使用户可以全面准确地透视公司间的关联性。如下图所示，同一供应链上的所有企业被分门别类，归入四大项总计13种关系中，实现了各公司的直连。
Supplier，传统意义上的上游供应商。包括报告供应商（Reported Suppliers）、制造（Manufacturing）、营销（Marketing）、在授权（In-licensing）和配送（Distribution）；
Customer，传统意义上的下游客户。包含报告客户（Reported Customers）和授权（Out-licensing）。
Competitor，竞争对手，在主营业务上有竞争关系的其它公司。
Partnerships，战略合作伙伴，区别于直接提供生产原材料的供应商，一般指与公司有战略合作关系，共同进行项目研发、收购其他公司的重要合作方。包括研究合作（Research Collaborations）、集成产品供给（Integrated Product Offerings）、合资公司（Joint Ventures）、股权投资/投资者（Equity investment/Investors）。
1.2
FactSet供应链数据对A股的覆盖情况
基于处理海外数据的长期经验，FactSet目前已将A股纳入其全球供应链体系。下图展示了A股历史覆盖率的变化。
从全市场维度来看，FactSet供应链数据的A股覆盖率从2014年中期开始显著提升。截止2019年7月底，已达75%。这足以反映出，海外数据供应商近年来对A股上市公司的重视程度。而75%的覆盖率，也基本保证了海外绝大部分从此类数据中衍生出的策略，均可以在A股市场得到有效验证。
上图展示了FactSet供应链数据在A股主流宽基指数中的覆盖情况。2014年以来，覆盖率都有所提升。其中，尤以中证800与沪深300的覆盖情况最优。2015年之后。便始终保持在90%以上。而在代表中小盘风格的中证1000指数中，覆盖情况则相对较差。这主要是由于小市值股票的信息披露不全，造成相关数据的获取难度大为增加。
上图显示了截止2019年7月，FactSet供应链数据在29个中信一级行业中的覆盖情况。一般认为，由于制造业的上下游清晰，理应有较高的覆盖率。但实际上，FactSet供应链数据在那些市值较大的行业中，如银行，反而有更高的覆盖率。而像建筑、轻工制造等标准制造业的覆盖率反而较低。我们猜测，这可能与数据的获取难度有关。
1.3
基于FactSet供应链数据的A股相关因子
在前期的报告中，我们提出了基于图网络的三大类因子——度，中心性，溢出效应。在供应链网络中，它们都有更加直观的定义和解释（见下图）。
下图展示了FactSet供应链网络中，和A股上市公司有直接关联关系的公司的类型占比。其中，同为A股上市公司的比例非常低，最新一期也仅为10%左右。海外上市公司的占比在50%-60%之间，剩余不到40%为非上市经济实体，包括政府、私人公司、分支机构等。
以上特征与我们之前试图通过Wind的应收账款数据，将A股上市公司连成关系网的结果一致。A股上市公司要形成直连是比较困难的，一般都需经过多个非A股上市公司，才能与另一家A股公司取得联系。
1.3.1
度
度是图网络因子中构建方式最为简单的。在FactSet的供应链数据中，度因子的计算步骤如下图所示。
根据关联关系的类型不同（供应商、客户等），度因子一般可被分为“入度”和“出度”。而对于这两种定义，因子值越大，都表示标的在这种关系上具有更高的分散度。如，供应链网络中，“入度”越高的公司往往代表它的供应商更为分散。理论上，该公司的运营也会更加稳健。
1.3.2
中心性
在图论中，中心性表示图中的每个节点在这张图中的重要性。PageRank算法是较为常用的计算中心性的方法。
PageRank算法的第一步是依据连通图得到邻接矩阵（见下图）。
第二步，构建初始化得分矩阵P，并按以下公式迭代。
其中，A为上图的邻接矩阵。上述迭代直到满足：
或迭代次数超过预设最大迭代数为止。
FactSet供应链网络中的节点数十分庞大，总数接近4万个，很难直接使用邻接矩阵方法进行计算。因此，我们在计算该网络的PageRank值时，将迭代算法修改为基于连通图的非矩阵形式。
1.3.3
溢出效应
度和中心性因子的计算，只需根据供应链数据建立A股上市公司与其他公司或实体的关系对。而溢出效应进一步要求将这些关系按照某种共同的属性，组成一个个群域网络，并考察网络内公司的互相影响。
下图给出了一种较为简单的群域网络构建流程。首先，从一个A股实体出发，寻找某种关系的所有上下游，形成1级配对。随后，再从每个1级配对实体出发，查找同种关系的下游实体，与初始实体形成2级配对。依此类推，直至到达设置的最大层数停止。
随着向下配对层数的增加，相应的关系对数量也会呈指数级增长。在FactSet的供应链数据中，只需深入到第三层，就可得到超过40万组A股上市公司的配对。而到第四层，配对数量则会超过120万组。不过，随着向下层数的增加，理论上对初始实体的影响也会快速衰减。因此，我们在构建群域网络时，一般会将最大层数设置为三层。
2
A股供应链因子组合的表现
由于FactSet的供应链数据尚未覆盖所有A股，因此本节在覆盖率较高的沪深300、中证500和中证800的指数成分股中，构建供应商数量、客户数量和PageRank三个供应链因子组合，考察它们的历史表现。组合的具体构建步骤如下，
（1）每个月月末，分别在沪深300、中证500和中证800的指数成分股中，选出供应链因子得分最高的50只股票，构建供应链因子等权组合。
（2）按照相同的方法构建盈利（ROE）因子组合和成长（ROE同比）因子组合。
（3）使用供应链因子对盈利和成长组合进行增强。即，选出ROE或ROE同比最高的100只股票后，再从中选出供应链因子得分最高的50只股票，构建等权组合。
2.1
供应商数量因子
下表展示了供应商数量因子组合的表现。就单因子而言，2014年以来，它在沪深300、中证500和中证800中，均能以一个较低的换手率稳定战胜指数。
在沪深300内，供应商数量因子组合的年化收益为12.99%，相对基准的年化超额收益为3.65%，夏普比从0.38提升至0.49。叠加ROE之后，组合的年化收益上升至16.30%，年化超额收益为6.96%，夏普比进一步提升到0.66。对比ROE因子组合，年化收益（16.30%vs. 14.51）和夏普比（0.66 vs. 0.54）也有一定提升。
ROE同比因子本身在沪深300内并没有显著的选股效果，加入供应商数量因子后，年化收益和夏普比提升明显，分别达到14.60%和0.55，基准——沪深300仅为9.34%和0.38。
在中证500内，供应商数量因子组合的年化收益为11.82%，相对基准的年化超额收益为7.29%，夏普比提升1倍以上，达到0.36。叠加ROE因子之后，虽相比原单因子组合有进一步提升，但不及ROE单因子组合。ROE同比+供应商数量的因子组合的年化收益达到21.82%，夏普比为0.70，表现远优于单因子组合。
在中证800内，供应商数量因子组合的年化收益为11.89%，相对基准的年化超额收益为3.78%，夏普比为0.44。叠加ROE和ROE同比之后，年化收益分别为19.92%和18.68%，夏普比分别为0.76和0.62，提升幅度明显。
以上6图分别展示了供应商数量因子在沪深300、中证500和中证800成分股内的因子组合累计净值和相对基准的强弱指数。该因子在中证500成分股内的表现最优，稳定战胜基准。但在沪深300和中证800中，超额收益的波动较大。
2.2
客户数量因子
如下表所示，客户数量因子在沪深300成分股内的选股表现优异。组合的年化收益为15.60%，相对基准的年化超额收益为6.26%，夏普比从0.38提升至0.62。客户数量因子的表现优于ROE和ROE同比，但叠加之后并没有产生明显的增强。
在中证500成分股内，客户数量因子组合的年化收益为10.61%，相对基准的年化超额收益为6.08%，夏普比为0.34。叠加ROE或ROE同比因子的表现较为接近，年化收益均可提升至16%左右，夏普比为0.5。需要注意的是，客户数量因子叠加ROE同比因子的组合，换手率相对较高。
在中证800成分股内，客户数量因子组合的年化收益为14.22%，相对基准的年化超额收益为6.11%，夏普比为0.56。叠加ROE因子后的增强效果明显，组合的年化收益可以达到17.42%，夏普比为0.66。
以下6图分别为客户数量因子在沪深300、中证500和中证800成分股内的因子组合的累计净值和相对基准的强弱指数。和供应商数量因子类似，客户数量因子在中证500成分股内的选股表现较为稳定。在沪深300和中证800中的波动较大，尤其是2019年以来，超额收益为负。
2.3
中心性PageRank因子
如下表所示，中心性PageRank因子（下简称“PageRank因子”）在沪深300成份股内的选股表现不佳，单因子组合的风险收益特征与指数相差无几。叠加ROE因子后，组合的年化收益为16.56%，夏普比为0.64，表现优于PageRank和ROE的单因子组合。
在中证500成分股内，PageRank因子组合的年化收益为11.04%，相对基准的年化超额收益为6.51%，夏普比达到0.34。叠加ROE因子后，组合的年化收益可提升至19.07%，夏普比达到0.65。叠加ROE同比因子后，组合的收益为18.21%，夏普比为0.57。
在中证800成分股内，PageRank因子组合的年化收益为11.51%，相对基准的年化超额收益3.4%，夏普比为0.41。叠加ROE因子后，增强效果较好，组合的年化收益可以达到20.66%，夏普比为0.77。
以上6图分别为PageRank因子在沪深300、中证500和中证800成分股内的因子组合的累计净值和相对基准的强弱指数。PageRank因子在中证500成分股内的选股效果较优，叠加ROE同比后的因子组合可以稳定战胜指数。而在沪深300成分股内，PageRank单因子组合的整体走势与指数相近。叠加ROE后的因子组合，2014年以来相对指数有明显优势，但在2018年出现过大幅回撤。
2.4
因子相关性
由下表可见，3个供应链因子与常用因子的相关系数的绝对值均未超过0.35。其中，和ROE、ROE同比因子的相关性在0.1以下，和估值呈负相关。我们认为，作为一类新因子，它可以提供有益的信息补充。但需要注意的是，供应链因子内部的相关性较高。
3
基于供应链的另类业绩预增策略
在本系列的第二和第四篇报告中，我们介绍了基于关系网传播效应的事件研究思路。不同于传统事件研究主要关注事件对发生实体的影响，此类研究的焦点在于事件通过网络传播的过程中，对关联公司产生的效应。根据这一逻辑，我们可以构建另类事件驱动策略。下图展示了事件的影响在供应链网络中的扩散方式。
例如，某个公司发生业绩预增事件，一般意味着经营情况向好。那么，一个合理的推断是，它的供应商会因为下游客户对其产品或服务的需求变得旺盛，获得业绩的增厚，并进一步反映在股价上。为了验证这一假设，我们尝试如下的设定。
1、选取2014.01.01-2019.05.31期间，A股上市公司发布的所有业绩预增公告；
2、回测时，剔除ST、上市未满半年及停牌的股票；
3、供应商关系最多包含三层，即，最长延伸至业绩预增公司的三级供应商；
4、为避免供应商自身业绩预告类事件的影响，本文仅统计在客户业绩预增事件发生前40个交易日内，未有业绩预增、预减、扭亏事件披露的供应商。
3.1
业绩预增公司及其供应商的描述性统计
在本文的样本区间内，我们共筛选出业绩预增事件8104次，涉及的有效供应商关系总计832组。其中，一级供应商255组，二级供应商279组，三级供应商298组。下面，我们先从行业和风格上，依次分析业绩预增公司及其供应商的情况。
3.1.1
触发业绩预增事件的公司
如下图所示，过去5年半，触发业绩预增的公司主要分布在基础化工、机械、电子元器件等行业，较少出现在非银行金融、餐饮旅游和煤炭行业。
按照常用因子的z-score从小到大将全市场股票分为10组，触发业绩预增事件公司在10组中的分布如下图所示。在非线性市值（市值z-score的平方）较小的1-4组，即中等市值公司中，更容易发生业绩预增事件。在估值、盈利、成长等其他风格中的分布则相对均衡。
3.1.2
供应商汇总
所有触发业绩预增事件的公司，其供应商最集中的行业为电子元器件，占比超过30%。此外，在机械、基础化工、计算机、钢铁行业中的占比均超过了5%。
供应商和触发事件公司在因子上的暴露既有相同又有差异。两者都有明显的市值偏离，但前者更易出现在大盘股中，而后者多见于中盘股。此外，大部分供应商的成长性稍差，且具有波动大、交易活跃的特征。
3.2
另类业绩预增事件的表现
首先，从绝对收益来看，触发事件公司和供应商在T日（业绩预增公告披露日或最近一个交易日）前后，有相同的净值变动趋势（见左下图）。T-20日至T-1日小幅下跌，业绩预增公告发布后转为明显的上涨。两者的区别在于，（1）事件触发公司的累计涨幅高于供应商；（2）供应商对事件的反应相对滞后，T日未见明显涨幅，收益T+1甚至T+2日才开始累积。
如右下图所示，触发事件公司在T日即可获得1%的绝对收益。此后40个交易日，累计收益扩大至5%。而在供应商中，一级供应商的表现显著优于二级和三级供应商。具体表现为，T日几无收益，但此后40个交易日同样可获近5%的累计绝对收益。
其次，从相对中证500指数的超额收益来看，两类公司的变化特征与绝对收益类似。其中，触发事件公司T日的超额收益为1.1%，T+40日的累计超额收益为3.5%。一级供应商在T日几无超额收益，T+40日的累计超额收益为3.3%。考虑到供应商在事件发生前超额收益小于零，故可以认为，业绩预增事件实际上对供应商股价表现的改善更为显著。
第三，由下图可见，触发事件公司和供应商相对行业的超额收益变化趋势与相对中证500十分类似。最大的区别是，一级供应商相对行业的超额收益从T+6日才开始显现，而相对中证500则是从T+2日起。此外，供应商在事件发生前的负向超额收益也更为显著。
最后，从上文的分析可知，业绩预增事件的触发公司和供应商都存在显著的市值偏离。因此仅考察这些公司相对宽基指数和行业的超额收益，依然不足以准确评价此类事件的应用价值。为此，我们在控制行业的基础上，进一步剥离市值因素的影响，即计算两类公司相对同行业市值最相近的20只股票收益均值的超额部分。结果如下图所示。
同时剥离行业和市值的影响后，触发事件公司T日超额收益为1.17%，T+40日累计超额收益为1.57%。一级供应商T日超额收益为-0.02，T+40日累计超额收益为0.67%。剔除T日涨幅后，一级供应商的累计超额收益明显高于触发事件公司。
3.3
另类事件驱动策略的扩展
利用业绩预增事件的利好会向供应商扩散的特征，寻找其中的投资机会，是对供应链网络的一个典型应用。这一研究思路可以被拓展到一系列事件中，如，业绩预告、业绩预期修正、客户回购和并购等，从而建立各种类型的另类事件驱动策略。
上述另类业绩预增事件的信号均来自A股上市公司，而根据图6中的统计，A股的供应链关系中有50%为海外上市公司，仅有10%同为A股。因此，将事件研究局限于A股，大大限制了信号触发的频率和最终的策略容量，不妨尝试将目光投向全球的供应链网络。
我们以特斯拉作为一个简单的示例。2019年7月24日，特斯拉公布二季度财报，营收不及市场预期。同时，公司联合创始人兼CTO宣布离职。受此消息影响，7月25日开盘后，特斯拉股价迅速下跌，盘中一度跌逾15%。为了考察这一利空对整个特斯拉供应链网络的影响，我们找出了部分A股一级供应商与合作伙伴，结果如下图所示。
7月26日，这7家公司的平均收益为-1.27%，而Wind全A上涨0.96%，超额收益为-2.2%。其中，为特斯拉提供液态金属产品的宜安科技下跌超过3.7%，与特斯拉进行储能项目合作的当升科技，跌幅也在2.3%以上。
由此可见，除了A股之间的互相影响，海外（上市）公司的事件效应同样可以经供应链网络传递到A股市场。通过补充这部分非A股市场的信息，包括那些单纯发债的企业与A股的关联，可以进一步拓展基于供应链的另类事件驱动策略的信号源和容量。
4
总结与讨论
本文主要从覆盖率、构建因子组合和事件驱动策略的角度，介绍FactSet供应链数据在A股市场上的应用。
目前，FactSet供应链数据对A股市场的覆盖率已达75%。且2014年以来，数据整体质量较高，完全可以满足深入研究，乃至策略设计的要求。其中，中证800与沪深300的覆盖情况更优，2015年之后便超过90%。在此基础上，我们构建了前期报告中提出的两类关系网因子——度和中心性，考察了它们与股票预期收益之间的关系。其中，中心性的计算使用PageRank算法。
通过在沪深300、中证500和中证800的指数成分股中，构建供应链相关因子的股票组合，我们发现，供应商数量、客户数量和PageRank这三个因子具有一定的选股效果。以供应商数量为例，在中证500指数成分股中，因子组合的年化收益为11.82%，超额收益为7.29%，夏普比的提升幅度超过1倍。ROE同比+供应商数量的因子组合，年化收益可以提升至21.82%，夏普比达到0.70，表现远远优于供应商数量和ROE同比各自的单因子组合。更重要的是，供应链因子与传统的基本面因子（ROE、PE）相关性低，相关系数基本都在0.1以下。
根据事件在供应链网络中的传播效应，可以构建另类业绩预增事件驱动策略。我们发现，供应商的股价在下游客户的业绩预增事件发生后，通常会与客户公司的股价发生同向变动。该效应在一级供应商中，体现得最为明显。T+40日的累计绝对收益可达5%，相对中证500的超额收益为3.3%，相对行业指数的超额收益为2.5%。同时剥离行业和市值的影响后，超额收益为0.7%，明显优于很难在T日介入的事件触发公司。此外，这种向一级供应商的传播效应，通常会在T+2至T+6日之间才开始累积显著的超额收益。是以，对于业绩预增事件，关注触发公司的供应商，不仅可以获得更高的收益，而且可以在事件发生后从容地进行右侧交易。
在海外的供应链研究中，上游供应商的基本面变化和下游客户的经营状况，都会对中游公司产生明显的溢出效应。但遗憾的是，在A股的供应链网络中，同为A股上市公司的比例仅有10%。因此，上述这些市场异象的分析与统计，严重依赖于海外上市公司的财报和股价数据。在下一篇报告中，我们就将利用这些信息，详细展示A股市场溢出效应的具体结果，敬请期待。
4
风险提示
数据挖掘是从历史先验数据获取经验模型的方法，存在模型失效可能。
联系人：
余浩淼 : 021-23219883
梁镇：021-23219449
张振岗：021-23154386
举报成功