获取α的新思路：科技关联度
摘要
在寻 α 的努力中，最重要的是获得新的数据或者是对已有数据的创新用法。与数据相比，算法先进性的作用相对有限。本文介绍的 Lee et al. (2019) 提出了获取 α 的新视角。
1 引言
今天介绍一篇新鲜出炉的文章，题为 Technological links and predictable returns（Lee et al. 2019），刊发于金融学顶刊 Journal of Financial Economics。
该文提出了一个获取 α 的新思路：科技关联度（technological links）。虽然它是以美股为研究背景（使用该因子构建的多空投资组合每个月可以获得 1.17% 的超额收益），但相信对投资 A 股的小伙伴也会有很大的启发。更重要的是，该文的行文逻辑堪称因子研究的典范。相信读过本文的介绍后，你就能够认可这种说法。
下面马上进入正题。
2 科技关联度
在知识经济时代，科技实力已经成为一个公司短期盈利和长期生存的重要因素。世界上的科技巨头，如亚马逊、谷歌、苹果、英特尔等公司，它们的产品可能截然不同，但在科技层面却有着千丝万缕的联系。这些科技上的关联超越了传统的行业界限，却通常不易从公司的财务报告中辨别出来。
Technological links and predictable returns 一文研究了公司之间的科技关联度和公司股票未来预期收益率之间的关系。它背后的逻辑是公司的科研并不是独立的，一项科技进步的溢出效应将会影响科技关联度高的一系列公司，而这种影响将改变这些公司基本面，并最终（先后）反映到公司的股价中。
基于此，该文揭示了一个令人惊讶的实证关系，即目标公司的股票收益率和与其科技关联度相近的公司前期的收益率之间有一种滞后-领先关系。换句话说，对于任何一个目标公司，使用某种代理指标来计算它和其他公司的科技关联度，然后以该关联度为权重和其他公司的当期收益率就可以计算出一个加权收益率，该收益率对目标公司下一期的收益率有一定的预测性。因此，以科技关联度为权重的加权收益率是一个优秀的 α 因子。这种领衔-滞后关系也
可以被称作“科技动量”。
下面就来介绍如何构建这个因子。首先需要计算公司之间的科技关联度。为此，Lee et al. (2019) 使用两个公司专利分布之间的 uncentered correlation（就是计算相关系数的时候省去减均值的步骤，类似的做法也被 Jaffe 1986 和 Bloom et al. 2013 采用）计算科技关联度：
上式左侧 TECH_{ijt} 代表了公司 i 和 j 在第 t 期的科技关联度；上市右侧的 T_{it} 是一个 427 维的横向量，即 T_{it} = [T_{it1}, T_{it2}, …, T_{it427}]。427 这个数字源自美国专利商标局（United States Patent and Trademark Office）定义的 427 个科技大类。因此，一个公司的专利分布由它过去五年获取的全部科技专利在这 427 类中的比例决定。举例来说，假如从当前时点计算，某公司过去五年获得了 100 个科技专利，分别属于编号为 1（10 个）, 100（60 个） 和 303（30 个）的三大类，则该公司的专利分布中，T_{it1} = 10/100 = 0.1，T_{it100} = 60/100 = 0.6，T_{it303} = 30/100 = 0.3，而其他大类 k 对应的 T_{itk} 值为 0，
这些 T_{itk} 就构成了 t 期该公司的专利分布向量，由此就可以计算不同公司之间的科技关联性 TECH_{ijt}。
下图来自 Lee et al. (2019)，它展示了两家公司 Regeneron Pharmaceuticals 和 Illumina 在 2002 到 2006 年间科技专利所属类别的情况（绝对数量，未经标准化）。Regeneron 是一家制药公司，而 Illumina 生产生命科学工具并提供遗传分析服务。这俩家公司所处完全不同的行业，且在供应链方面也没有什么联系。但是科技关联性从全新的角度揭示了它们之间的关联 —— 这两家公司在 435 大类（分子和微生物学）方面均有很多专利，它们之间的 TECH_{ijt} 高达 0.71。可见科技关联度可以到被行业以及上下游产业链忽视的公司之间的关系，Lee et al. (2019) 发现经验数据表明这种关联在选股方面大有可为。
得到 TECH_{ijt} 之后，利用它作为权重按下式计算加权收益率作为选股因子：
上式左侧 TECHRET_{it} 就是公司 i 第 t 期的因子取值；右侧的 RET_{jt} 为公司 j 在 t 期的收益率，所有和 i 不同的公司 j 的收益率以 TECH_{ijt} 为权重加权在一起，构成了选股因子。由于计算科技关联度需要使用到过去五年的专利数，因此每期的候选股票池为在这段时间内至少获得了一个专利的股票（以专利的官方授予日期计算，从而避免了前视偏差）。
值得说明的是，虽然选股因子 TECHRET_{it} 的更新是月频，但是其中的科技关联度 TECH_{ij} 更新的频率是每年一次，在每年年末使用过去五年的专利数来更新 TECH_{ij}。由于收益率 RET_{jt} 是月频收益率，因此最终的因子更新频率是月频。
关于数据的来源和处理方法更详尽的说明请参考 Lee et al. (2019) 中的第二节，这里不再赘述。
3 投资组合检验
为了检验 TECHRET_{it} 因子的选股效果，Lee et al. (2019) 首先进行了投资组合检验（portfolio tests）。每个月初，以最新的因子取值将股票池中的股票排序并分成十档，做多分数最高的第一档，做空分数最低的第十档，以此构建一个 L/S 组合，并考察该组合的收益率。L/S 组合的收益率如下表所示（该表是 Lee et al. 2019 中最重要的结果）。
it是什么行业
先来看看 Panel A。第一列是 L/S 组合相对于无风险收益率的超额收益。按等权重构建的该组合每月可以获得 1.17% 的超额收益；按照市值权重构建的投资组合每月获得 0.69% 的超额收益。Panel A 的第二到第六列汇报了考虑了其他常见的因子后，该 L/S 组合仍然能够获得的超额收益。
以第三列的 3-Factor alpha 为例，它的计算如下：使用 TECHRET 因子的 L/S 组合收益的时间序列和 Fama-French 三因子（Fama and French 1993）的时间序列在时序上回归，得到的截距恰好就是截面上 L/S 无法被三因子解释的超额收益（这是因为 Fama-French 三个因子本身是投资组合 MKT，SMB，HML 的收益率；需要这方面背景知识的小伙伴请参考《股票多因子模型的回归检验》）。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。