供应链动量溢出从何而来：源自投资者的有限关注
利用供应链动量溢出捕捉隐含在供应链关系中的增量信息。供应链数据属于低频数据，如果应用供应链关系直接构建选股因子则会降低数据应用效率，不如将供应链关系作为枢纽，引入更高频的信息构建新因子；而动量因子则满足高频信息的条件，能较为及时的捕捉市场最新动态。供应链动量溢出研究有效的将供应链数据和动量因子相结合，用以捕捉隐含在供应链关系中的增量信息。
供应链动量溢出源自投资者的有限关注。我们在《量化多因子系列（6）：关于动量，你所希望了解的那些事》中对公司自身动量类因子的收益来源进行了分析，并指出风险溢价补偿和行为偏差造成的错误定价均会为投资者提供动量收益。而在供应链动量溢出中，增量信息会通过供应链关系进行传导，主流观点认为供应链动量溢出源自投资者的有限关注。
供应链动量传导的信息相对隐晦，经济价值易被低估。供应商和客户之间的关联较为紧密，供应链中的相关信息会对公司造成一定影响。然而不同于基本面因子能直观的展示公司自身的收益、经营和管理等信息，供应链动量的信息较为隐晦，尤其是分析师覆盖度较低的企业，供应链动量信号的经济价值容易被低估，为我们构建和应用供应链动量溢出因子提供一定机遇。
供应链动量差因子的开发：动量溢出效率、动量来源和动量类型
构建供应链动量差因子，用供应链动量溢出效应改进动量因子。供应链动量溢出源自投资者的有限关注，而在A股市场中，使用目标公司的供应商或客户动量所构建的供应链动量因子表现欠佳。因此，我们构建供应链动量差因子，即供应商或客户的动量减去公司自身动量，引入供应链中的增量信息，用供应链动量溢出效应改进动量因子。
利用主要客户数据构建一个月普通、日内、振幅调整的客户动量差因子。供应链动量差因子具有多种类型，需要对时间、权重和动量种类进行筛选，因此我们对供应链动量差因子进行动量溢出效率、动量来源和动量类型三方面的测试。测试后我们得到以下三个结果：首先，一个月的供应链动量溢出表现突出，优于一天、一周、两周的短期动量和两个月至一年的长期动量；第二，动量溢出大多来源于主要供应链关系；第三，普通、日内、振幅调整的供应链动量差因子表现更加有效，同时客户传导的供应链动量溢出效果更加显著。因此，我们利用主要客户数据构建一个月普通、日内、振幅调整的客户动量差因子，测试三种供应链动量差因子的选股能力。
供应链动量差因子选股能力有所提升
供应链动量差因子提供一定增量信息。我们从供应链动量差因子的构建方式可以知道，供应链动量差等于供应商的客户动量与自身动量的差值，因此该因子与公司自身动量因子可能具有一定程度的相关性。我们用客户动量对供应商自身动量回归后取残差，构建供应链动量差残差因子，供应链动量差残差因子在全市场和中证1000范围内有较好的有效性表现，反映供应链动量差因子为市场提供了一定的增量信息。
三种供应链动量差因子的多头选股能力均优于动量因子。三种供应链动量差因子在全市场和中证1000范围中均有较为出色的表现，其中mmt_range_M的供应链动量差因子在全市场的IC均值达到4.87%，ICIR为1.10。此外，我们对三种供应链动量差因子和供应商自身动量因子进行全市场的分组回测检验，结果表明供应链动量差因子的单调性表现良好，且多头组合收益均较强于动量因子，体现供应链动量差因子良好的选股能力。
本篇报告基于市场历史收益，探究供应链动量差因子的有效性表现，无法确保因子样本外收益表现。
供应链动量溢出从何而来
供应链动量溢出：源自投资者的有限关注
如何利用供应链数据进行投资。上市公司每年在半年报和年报中会披露其供应链关系，如标的公司的主要供应商或客户、应付账款或应收账款对象以及关联交易对象等等，而供应链关系描述了公司之间的业务联系，隐含一定的增量信息，如何利用供应链数据进行投资的问题逐渐引起投资者的关注。
利用供应链动量溢出捕捉隐含在供应链关系中的增量信息。供应链数据属于低频数据，如果应用供应链关系直接构建选股因子则会降低数据应用效率，不如将供应链关系作为枢纽，引入更高频的信息构建新因子；而动量因子则满足高频信息的条件，能较为及时的捕捉市场最新动态。供应链动量溢出研究有效的将供应链数据和动量因子相结合，用以捕捉隐含在供应链关系中的增量信息。
图表1：供应链动量溢出研究
资料来源：中金公司研究部
供应链动量溢出备受学界关注。国外对供应链动量溢出已有多年的研究，（Cohen and Frazzini，2008）认为客户公司的股票收益会影响供应商未来的股票收益。近年来学界也持续对供应链动量溢出的形式进行创新性研究，（Huang et al.，2022）发现投资者对客户公司的连续信息反应不足，而具有相同累积回报的离散信息则很快被供应商的价格吸收。（Bozok and Özyıldırım，2022）则认为客户公司的动量溢出与公司中心度有关，高中心度的公司会吸引投资者的关注，使得动量溢出效果有所下降。
供应链动量溢出源自投资者的有限关注。我们在《量化多因子系列（6）：关于动量，你所希望了解的那些事》中对公司自身动量类因子的收益来源进行了分析，并指出风险溢价补偿和行为偏差造成的错误定价均会为投资者提供动量收益。而在供应链动量溢出中，增量信息会通过供应链关系进行传导，主流观点认为供应链动量溢出源自投资者的有限关注。
供应链动量传导的信息相对隐晦，经济价值易被低估。供应商和客户之间的关联较为紧密，供应链中的相关信息会对公司造成一定影响。然而不同于基本面因子能直观的展示公司自身的收益、经营和管理等信息，供应链动量的信息较为隐晦，尤其是分析师覆盖度较低的企业，供应链动量信号的经济价值容易被低估，为我们构建和应用供应链动量溢出因子提供一定机遇。
图表2：构建供应链动量溢出因子逻辑
资料来源：中金公司研究部
供应链数据面面观
供应链数据来自上市公司和发债公司的披露报告。我们将使用ChinaScope的供应链数据对A股市场的供应链动量溢出进行测试，ChinaScope中供应链数据来自上市公司和发债公司的披露报告，频率为半年度，包含公司对应的主要供应商和客户、应付、预付、应收、预收账款的交易对象、关联交易对象以及单项金额重大并同时计提坏账准备的欠款方。供应链关系中的金额为销售额、采购额、应收账款和其他应收款的坏账金额、以及应付、预付、应收、预收账款期末余额。
图表3：供应链动量数据来源
资料来源：ChinaScope，中金公司研究部
供应链数据的来源大多为主要交易对手和关联交易。我们筛选客户和供应商均为A股上市公司的股票，并对供应链关系的来源进行统计。由于部分供应链关系有多种来源，因此本文将统计A股公司供应链关系的主要来源，根据主要交易对手>关联交易>其他的重要程度进行筛选。由下图可知，供应链数据大多为主要交易对手信息披露和关联交易披露，且近期关联交易的供应链数据量有所上升。
机械行业的供应商数据大多源自主要交易对手。分行业来看，机械、计算机的供应商数据，和电力及公用事业、汽车的客户数据大多来自主要交易对手。此外，基础化工、汽车的供应商数据，以及医药、电子等行业的客户数据多数源自关联交易。
图表4：A股上市公司供应链数据主要来源
资料来源：ChinaScope，中金公司研究部，报告期为2015-12-31至2021-06-30
图表5：A股供应商所在行业的供应链数据主要来源
资料来源：ChinaScope，中金公司研究部，报告期为2015-12-31至2021-06-30
图表6：A股客户所在行业的供应链数据主要来源
资料来源：ChinaScope，中金公司研究部，报告期为2015-12-31至2021-06-30
供应链数据大多由非上市机构组成。ChinaScope中供应链数据的公司种类有五部分，分别为A股上市公司、其他交易所上市公司、非上市机构、自然人以及无效数据，其中无效数据在ChinaScope中以空值的形式存在，即上市公司没有披露其供应商、客户的具体信息，如公司只披露了前五名销售客户的金额总和。由下图可知，在A股供应商的客户种类和A股客户的供应商种类中，非上市机构均为其主要组成部分，平均占比超过90%。
图表7：A股供应商的客户分布
资料来源：ChinaScope，中金公司研究部，报告期为2015-12-31至2021-06-30
图表8：A股客户的供应商分布
资料来源：ChinaScope，中金公司研究部，报告期为2015-12-31至2021-06-30
A股公司的上市供应商（客户）数量占比有所下滑。我们测试了每只A股上市公司所披露的A股上市供应商（客户）个数与供应商（客户）总数的比值，并计算A股上市供应商（客户）占比的平均值如下。如下图所示，A股上市供应商和客户的平均比值有所下滑，公司的供应链关系更多由非A股上市公司组成；分行业来看，银行、非银行金融和综合金融的A股上市供应链平均比值在行业中居于高位。
图表9：A股公司的上市供应商（客户）占比平均值
资料来源：ChinaScope，中金公司研究部，报告期为2015-12-31至2021-06-30
图表10：分行业A股公司的上市供应商（客户）占比平均值
资料来源：ChinaScope，中金公司研究部，报告期为2015-12-31至2021-06-30
拓展A股供应链数据的覆盖度：引入第二层供应链关系
客户传导和供应商传导的覆盖度存在区别。每个公司可能存在多家客户和供应商，因此供应链数据覆盖度的测算分为客户传导和供应商传导两种方式。如下图所示，对于供应商传导的动量溢出，动量由供应商传导至客户，则需要用客户个数代表供应链覆盖度；反之，对于客户传导的动量溢出，动量由客户传导至供应商，此时覆盖度需要关注供应商公司的个数。
图表11：客户传导和供应商传导的覆盖度
资料来源：中金公司研究部
A股供应链的覆盖度相对偏低。本节测试A股供应链的覆盖度，即供应商和客户均为A股上市公司。由下图所示，供应链关系的覆盖度相对偏低，样本期间供应商和客户的平均覆盖度分别为1213和1203，最新一期的覆盖度分别为1333和1282。同时，年底披露的供应链覆盖度要高于年中披露的供应链数据，且年底和年中披露的覆盖度均在稳步上升，但整体而言覆盖率没有较大提升。分行业来看，机械、基础化工和医药的覆盖度较高，其中机械行业的供应商和客户在样本期间的平均覆盖度分别为115和85；钢铁、煤炭和非银行金融的覆盖率较高，其中钢铁行业的供应商和客户在样本期间的平均覆盖率分别为59.28%和57.53%。
图表12：A股上市公司覆盖度
资料来源：ChinaScope，中金公司研究部，报告期为2015-12-31至2021-06-30
图表13：分行业A股上市公司覆盖度
资料来源：ChinaScope，中金公司研究部，报告期为2015-12-31至2021-06-30
图表14：A股上市公司覆盖率
资料来源：ChinaScope，中金公司研究部，报告期为2015-12-31至2021-06-30
图表15：分行业A股上市公司覆盖率
资料来源：ChinaScope，中金公司研究部，报告期为2015-12-31至2021-06-30
引入第二层供应链关系拓展A股供应链覆盖度。A股供应链数据的覆盖度整体偏低，为提升供应链因子的覆盖度，我们将引入第二层供应链关系拓展A股供应链覆盖度。由下图可知，当供应链中的客户1与供应商2为同一上市公司、非上市公司或自然人时，我们将选择供应商1与客户2构建新的供应链关系，由此引入第二层供应链数据。
图表16：引入第二层供应链关系
资料来源：中金公司研究部
排除供应商和客户完全相同的第二层供应链关系。在用上述方法拓展第二层供应链关系时，我们会遇到新供应链关系中供应商与客户完全相同的情况。如下图所示，在使用2017年中报披露的供应链关系进行拓展时，若母公司和子公司存在关联交易，则很有可能在拓展第二层供应链关系后出现供应商与客户为同一公司的现象，因此需要排除供应商和客户完全相同的第二层供应链关系。
图表17：第二层供应链关系中供应商与客户为同一公司
资料来源：ChinaScope，中金公司研究部
引入第二层供应链关系有效提升供应链覆盖度。由下图所示，供应链覆盖度在引入第二层供应链关系后得到提升，样本期间供应商和客户的平均覆盖度分别为1963和1926，最新一期的覆盖度分别为2167和2081，覆盖率达到47.01%和48.95%。分行业来看，机械、基础化工和计算机的覆盖度较高，其中机械行业的供应商和客户在样本期间的平均覆盖度分别为177和138；钢铁、煤炭和国防军工的覆盖率较高，其中钢铁行业供应商和客户的平均覆盖率分别为83.39%和78.66%。
图表18：A股上市公司拓展后覆盖度
资料来源：ChinaScope，中金公司研究部，报告期为2015-12-31至2021-06-30
图表19：分行业A股上市公司拓展后覆盖度
资料来源：ChinaScope，中金公司研究部，报告期为2015-12-31至2021-06-30
图表20：A股上市公司拓展后覆盖率
资料来源：ChinaScope，中金公司研究部，报告期为2015-12-31至2021-06-30
图表21：分行业A股上市公司拓展后覆盖率
资料来源：ChinaScope，中金公司研究部，报告期为2015-12-31至2021-06-30
年报供应链数据较为完备。相较于中报供应链数据，年报数据相对较为充足。因此在后文构建因子时，若中报没有供应链信息，则使用上一年年报披露的供应链关系计算因子。
优先考虑原供应链关系，使用主要供应链研究动量溢出。（Huang et al.，2022）在研究供应链动量溢出时，发现使用公司最大客户信息和所有客户信息最终的研究结果相似，因此该论文重点研究目标公司最大客户对该公司的影响。在后文的分析中，如果没有特殊说明，我们大多使用公司的最大客户或供应商来研究动量溢出效应。在确定目标公司的最大客户或供应商时，我们会优先从原供应链关系中进行筛选。
供应链动量差因子的测试与开发
供应链动量差因子的测试：动量溢出效率、动量来源和动量类型
构建供应链动量差因子，用供应链动量溢出效应改进动量因子。我们在前文讨论了供应链动量溢出源自投资者的有限关注，而在A股市场中，使用目标公司的供应商或客户动量所构建的供应链动量因子表现欠佳，下图展示了一个月普通供应链动量因子的有效性检验结果，其IC有效性整体表现较弱。因此，我们构建供应链动量差因子，即供应商或客户的动量减去公司自身动量，引入供应链中的增量信息，用供应链动量溢出效应改进动量因子。
图表22：供应链动量因子IC有效性表现欠佳
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-04-30至2022-04-29
图表23：供应链动量差因子构建
资料来源：中金公司研究部
研究供应链动量溢出的溢出效率、动量来源和动量类型。供应链动量差因子具有多种类型，需要对时间、权重和动量种类进行筛选，即要研究供应链动量溢出的溢出效率、动量来源和动量类型，从而构建有效的供应链动量差因子。
图表24：研究供应链动量溢出的溢出效率、动量来源和动量类型
资料来源：中金公司研究部
动量溢出效率：一个月的供应链动量差对未来收益预测能力较强
过去一个月的供应链动量差因子有效性较为显著。我们使用唯一主要供应商（客户）的普通动量构建供应链动量差因子，其中普通动量即股票过去一段时间的收益率，从而探讨不同周期下供应链动量差因子对下一个月股票收益的预测能力。由下图可知，一个月的供应商动量差因子有效性表现良好，优于其他周期的有效性表现，其IC均值为3.87%，ICIR为0.67。
图表25：不同月度供应商动量差因子IC有效性表现
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-04-30至2022-04-29
图表26：不同月度供应商动量差因子IC值表现
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-04-30至2022-04-29
一个月客户动量差因子对未来收益预测能力较强。同供应商动量差因子，一个月的客户动量差因子也展示出较强的有效性。此外，一个月客户动量差因子的IC有效性表现要较优于供应商动量差因子，其IC均值为4.10%，ICIR为0.66。
图表27：不同月度客户动量差因子IC有效性表现
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-04-30至2022-04-29
图表28：不同月度客户动量差因子IC值表现
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-04-30至2022-04-29
相对高频的供应链动量差有效性偏弱。上文测试了不同月度周期对下一个月股票收益的预测能力，我们得到一个月的供应链动量差因子的表现较为出色。如下图所示，我们对相对高频的供应链动量差进行检验，即测试一天、一周、两周的供应链动量差对下一天、一周、两周股票收益的预测能力。在全市场、沪深300、中证500和中证1000市场中，两周的供应链动量差有效性表现相对较强。而在全市场范围内，一个月供应链动量差对下一个月的预测能力要优于两周供应链动量差的表现，因此我们得到相对高频的供应链动量差的有效性表现偏弱，一个月的供应链动量差对未来收益预测能力较强。
图表29：短期不同时长供应商动量差因子IC有效性表现
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-04-30至2022-04-29
图表30：短期不同时长客户动量差因子IC有效性表现
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-04-30至2022-04-29
动量来源：完整供应链与主要供应链的动量溢出效果相近
中心度体现公司在供应链中的重要程度。衡量中心度最简单的方法是计算供应商（客户）的客户（供应商）数量。（Bozok and Özyıldırım，2022）在文章中列出了三种计算中心度的方法，并在研究中认为客户中心度越大，投资者的关注度越低，从而引发更显著的客户动量溢出。
图表31：三种衡量中心度的方法
资料来源：Bozok İ, Özyıldırım S, 2022. Firm centrality and limited attention[J]. International Review of Economics & Finance，中金公司研究部
构建等权供应链和中心度加权供应链动量差因子。我们在上文的测试中假设供应链动量差来源于主要供应链关系，并使用最大供应商或客户对供应链动量差的溢出效率进行测试。本节将建立等权和中心度加权供应链动量差因子，探讨动量来源是否源自主要供应链关系。
构建两种中心度加权的供应链动量差因子。我们沿用（Bozok and Özyıldırım，2022）的方式计算Degree中心度，即测算每一期供应商（客户）的客户（供应商）数量，该中心度的计算方式更加简洁直观。在计算供应商（客户）的加权动量时，我们采取两种加权方法，即中心度加权和中心度倒数加权，从而探讨中心度对动量溢出影响的方向。
完整供应链动量溢出与主要供应链效果相近。由下图可知，引入完整供应链后因子有效性得到些许提升，但总体来看完整供应链与主要供应链的动量溢出效果相近。同时，中心度加权的供应链动量溢出总体优于中心度倒数加权，因此可知公司的供应商（客户）中心度越大，其影响力越强，会为公司带来较为显著的动量溢出。总体而言，供应链动量溢出主要来源于最大供应商（客户），因此在后文的测试中我们继续使用主要供应商（客户）计算供应链动量差因子。
图表32：不同权重下供应商动量差因子IC有效性表现
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-04-30至2022-04-29
图表33：不同权重下客户动量差因子IC有效性表现
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-04-30至2022-04-29
动量类型：普通、日内、振幅调整的客户动量差因子表现良好
我们在《量化多因子系列（7）：价量因子手册》介绍了不同种类的动量类因子，并测试了动量类因子的有效性。在上文的测试中我们对供应商（客户）的普通动量与自身公司普通动量的差值进行检测，而本节将使用不同类型的供应链动量差，寻找哪些种类的供应链动量差具有较为出色的有效性表现。
图表34：不同类型动量计算公式
资料来源：中金公司研究部
普通、日内、振幅调整的供应商动量差因子对下一期股票的预测能力较为显著。部分种类的供应商动量差因子的IC有效性表现良好，普通、日内、振幅调整的供应商动量差因子对下一期股票的预测能力较为显著。其中一个月日内供应商动量差因子在全市场范围内表现较为出色，其IC均值为4.25%，ICIR达到0.76。
图表35：不同类型供应商动量差因子IC有效性表现
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-04-30至2022-04-29
图表36：不同类型供应商动量差因子IC值表现
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-04-30至2022-04-29
客户动量差因子表现整体优于供应商动量差因子。整体而言，供应链中客户的动量溢出强于供应商，因子有效性表现大多有所提升。此外，一个月普通、日内、振幅调整的客户动量差因子表现良好，在全市场范围内一个月振幅调整的客户动量差因子的IC均值为4.87%，ICIR达到1.10。
图表37：不同类型客户动量差因子IC有效性表现
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-04-30至2022-04-29
图表38：不同类型客户动量差因子IC值表现
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-04-30至2022-04-29
供应链动量差因子选股能力相较自身动量因子有所提升
构建供应链动量差因子：利用主要客户数据构建一个月普通、日内、振幅调整的客户动量差因子
供应链动量溢出在小市值股票范围内表现良好。由上文的测试可知，供应链动量溢出在全市场和中证1000范围内有效性较为显著，而在沪深300和中证500范围内表现欠佳，因此供应链动量差因子在小市值股票的溢出效应较为显著。
利用主要客户数据构建一个月普通、日内、振幅调整的客户动量差因子。我们对供应链动量差因子进行动量溢出效率、动量来源和动量类型三方面的测试，测试后我们得到以下三个结果：首先，一个月的供应链动量溢出表现突出，优于一天、一周、两周的短期动量和两个月至一年的长期动量；第二，动量溢出大多来源于主要供应链关系；第三，普通、日内、振幅调整的供应链动量差因子表现更加有效，同时客户传导的供应链动量溢出效果更加显著。
图表39：供应链动量差因子的开发
资料来源：中金公司研究部
供应链动量差因子：小市值范围内表现良好，供应链动量溢出在电力及公用事业行业较为显著
三种供应链动量差因子在全市场和中证1000市场表现出色。由上文可知，我们利用主要客户数据构建一个月普通、日内和振幅调整的三种供应链动量差因子。三种因子在分析师覆盖较低的中证1000市场中表现出色，而在沪深300和中证500范围内表现不足，进一步体现供应链动量溢出源自于投资者的有限关注。其中mmt_range_M的供应链动量差因子在全市场的IC均值达到4.87%，ICIR为1.10；在中证1000范围内的IC均值为4.89%，ICIR为0.83。
图表40：三种供应链动量差因子的有效性表现
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-04-30至2022-04-29
基准指数为万得全A（等权）指数（8841388.WI）、300等权（000984.CSI）、500等权（399982.SZ）、中证1000（000852.SH）
电力及公用事业行业的供应链动量溢出表现良好。分行业来看，三种供应链动量差因子在电力及公用事业行业均对下一期股票收益有较强的预测能力。其中，mmt_normal_M在电力及公用事业行业的供应链动量差因子的IC均值为7.61%，ICIR为0.48；mmt_intraday_M的供应链动量差因子在电力及公用事业行业实现8.26%的IC均值，ICIR达到0.53；mmt_range_M在电力及公用事业行业的供应链动量差因子的IC均值达到7.75%，ICIR为0.58。
图表41：mmt_normal_M供应链动量差因子全市场分行业IC有效性表现
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-04-30至2022-04-29
图表42：mmt_intraday_M供应链动量差因子全市场分行业IC有效性表现
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-04-30至2022-04-29
图表43：mmt_range_M供应链动量差因子全市场分行业IC有效性表现
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-04-30至2022-04-29
供应链动量差因子与自身动量因子的差异：提供增量信息，选股能力有所提升
供应链动量差因子提供一定增量信息。我们从供应链动量差因子的构建方式可以知道，供应链动量差为供应商的客户公司动量与自身动量的差值，因此该因子可能与公司自身动量因子具有一定程度的相关性。我们用客户动量对供应商自身的动量回归后取残差，构建供应链动量差残差因子。由下图可知，供应链动量差残差因子在全市场和中证1000范围内有较好的有效性表现，反映供应链动量差因子为市场提供了一定的增量信息。
图表44：供应链动量差残差因子IC有效性表现
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-04-30至2022-04-29
供应链动量差因子的选股能力有所提升。我们对供应商的三种供应链动量差因子和自身动量因子进行组数为十的分组回测，由于供应链数据覆盖度有一定程度的损失，下文动量因子的覆盖度也会有所下降。由于供应链动量差因子呈现“动量”特征，而一个月动量因子具有“反转”表现，因此两种因子的多头组合分别为第十组和第一组。总体而言，供应链动量差因子的选股能力有所提升，多空组合的净值表现更加稳定。
mmt_normal_M供应链动量差因子单调性表现良好。在全市场的分组回测中，mmt_normal_M供应链动量差因子的单调性为0.9，具有较强的单调性表现，能够选出收益较高的多头组合，且该因子的多空组合净值走势较为平稳。此外，供应链动量差因子的多头组合表现优于动量因子，其年化收益率为4.74%，超额最大回撤为-5.48%。
图表45：mmt_normal_M供应链动量差因子与自身动量因子全市场分组回测统计值
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-05-03至2022-05-05
注：基准指数为万得全A（等权）指数（8841388.WI）
图表46：mmt_normal_M供应链动量差因子分组回测
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-05-03至2022-05-05
图表47：mmt_normal_M动量因子分组回测
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-05-03至2022-05-05
mmt_intraday_M供应链动量差因子多头组合表现优异。与mmt_normal_M供应链动量差因子的表现相似，mmt_intraday_M供应链动量差因子的多头组合也优于动量因子，多空组合净值走势更加平稳，体现供应链动量差因子较为出色的选股能力，该因子多头组合的年化收益率为5.95%，超额最大回撤为-4.69%。
图表48：mmt_intraday_M供应链动量差因子与自身动量因子全市场分组回测统计值
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-05-03至2022-05-05
注：基准指数为万得全A（等权）指数（8841388.WI）
图表49：mmt_intraday_M供应链动量差因子分组回测
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-05-03至2022-05-05
图表50：mmt_intraday_M动量因子分组回测
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-05-03至2022-05-05
mmt_range_M供应链动量差因子具有较好的单调性表现。mmt_range_M供应链动量差因子的单调性表现良好，因子值偏高的组合具有更强的收益表现。三种供应链动量差因子的多头选股能力均较强于动量因子，其中mmt_range_M供应链动量差因子多头组合的年化收益率为4.24%，超额最大回撤为-4.60%。
图表51：mmt_range_M供应链动量差因子与自身动量因子全市场分组回测统计值
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-05-03至2022-05-05
注：基准指数为万得全A（等权）指数（8841388.WI）
图表52：mmt_range_M供应链动量差因子分组回测
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-05-03至2022-05-05
图表53：mmt_range_M动量因子分组回测
资料来源：ChinaScope，Wind，中金公司研究部，样本期为2016-05-03至2022-05-05
本文摘自：2022年8月24日已经发布的《量化多因子系列（8）：供应链如何实现动量传导？》
古 翔 SAC 执证编号：S0080521010010 SFC CE Ref：BRE496
曹钰婕 SAC 执证编号：S0080122030141
周萧潇SAC 执证编号：S0080521010006 SFC CE Ref：BRA090
刘均伟 SAC 执证编号：S0080520120002 SFC CE Ref：BQR365
王汉锋 SAC 执证编号：S0080513080002 SFC CE Ref：AND454
