前面提及，我们在本文中以企业的产品营收、以及产品间上下游关系作为出发点，构建产业链关联因子。为了定量刻画公司的产品分布、公司在不同产品上的营收以及产品之间的上下游关系，我们引入了产业链数据库。

最后，我们统计本文中引入的产业链数据的数据覆盖度，并展示如下。可以看出，产业链数据的覆盖度较高，在全市场范围内长期稳定在85%以上，年报的覆盖度更高。此外，产业链数据在沪深300、中证500与中证1000对应指数成份股内的覆盖度极高，基本稳定在95%。此外，在分行业分布上，产业链数据库在各个行业内的覆盖也极高：我们统计每期的行业内覆盖度均值，发现所有行业的覆盖度均较高，全时段均值在90%以上。高覆盖度说明该数据满足后续研究需求。

通常来说，产业链上下游的传导效应是指上游企业的行为和绩效，会影响下游企业的发展，进而影响整个行业的发展。上游企业的绩效可以通过市场结构，财务结构，技术结构，人力资源结构等各种渠道传导到下游企业，影响其发展绩效。此外，上游企业可以通过改善技术结构，提高产品质量，优化市场结构，提高管理水平，改善人力资源结构等方式，提升自身的企业表现。这类行为也会对下游企业产生积极的影响，从而推动整个行业的发展。除此之外，当股票市场出现相关概念的热度时，产业链的上下游传导也会带动热度向外蔓延。当然，这种蔓延或者不仅仅为上游向下游传导，下游企业在产业链中也可能由自身复苏带动中上游企业，比如金属、农业等行业的产业链复苏传导。总结而言，针对股票市场，由于企业间生产的产品存在上下游关系，其二级市场表现很可能基于产业链向外蔓延。

在此假设下，我们需要基于企业间的产品上下游关系，刻画企业间的关联度。具体来说，我们基于兴证金工此前系列报告《基于专利分类的科技动量因子研究》、《财报季的财务效应研究和因子构建》与《花开股市，相似几何五—弱关联关系下的特异性Alpha因子挖掘》中的相似动量因子构建逻辑，针对产业链传导特性进行改进，进而构建产业链传导动量因子。此类因子的构造方式主要分为三步，分别是产业链中企业与产品间传导效应的定量刻画、企业间上下游关系的定量刻画以及传导效应下的动量溢出。我们以产业链下游传导动量因子为例，介绍其思路。

第一步，我们需要基于产业链的标准化产品营收数据、产品间的上下游关系，刻画企业在产品维度的上下游关系。我们以京东方A（000725.SZ）为例展示算法。该公司在2021年报共披露五个主营产品，并对应五个标准化产品 ，包括液晶显示器件等。进一步，我们以液晶显示器件为例，统计该标准化产品对应的下游产品，具体包括计算机整机、LED显示屏、医用显示器等共计52个标准化产品。我们以下游产品计算机整机为例，找出当期年报披露中，有直接生产该产品的企业，包括中国长城（000066.SZ）、智微智能（001339.SZ）等共计9个企业。基于京东方A 2021的年报数据，我们共找出超1000条信息。由此，我们刻画出了企业在产品维度的下游关系，每一行对应一条信息，即一家公司通过其中一个主营产品，以及该产品对应一个下游产品和生产该产品的上市公司。

基于上述的分析，我们在公司和公司之间构建了一张关系网：公司和公司之间通过其生产的产品下游关系关联，且两个企业之间的关联线可能不止一条。第二步，我们需要基于上述得到的关系网，刻画出任意两个企业间的上下游关联度。以京东方A（000725.SZ）和北斗星通（002151.SZ）两家公司为例，这两家企业在产品上下游关系中共有三条信息，具体包括京东方A在各个产品上的营收以及北斗星通在各个产品上的营收，标记为序号A、B和C。此外，我们也知道两家公司当期所有主营产品的收入总和，分别约为2331.13和38.51亿元 。

我们将上述的表格用图例进行展示。可以看出，图中京东方A与北斗星通共有三条关联线A、B和C。其中A代表的便是京东方A在液晶显示器件对应了北斗星通的产品车载导航。由此，任意两家公司都能通过产品的下游关系得到对应的多条关联线。

基于上述信息，我们尝试刻画两个企业间的上下游关联度，我们引入单一和整体两个维度来刻画关联度，具体如下：

1、单一维度：我们根据关联线进行逐条计算，定义关联度为两个具有上下游关系产品在各自企业的营收之和与两个企业总营收之和的比值，具体公司如下：

2、整体维度：我们根据关联线进行整体计算，同样定义关联度为两个具有上下游关系产品在各自企业的营收之和与两个企业总营收之和的比值，具体公司如下：

基于上述得到的任意两个公司间的上下游关联度后，我们基于动量传导效应构建产业链传导动量因子。我们参考此前系列报告《基于专利分类的科技动量因子研究》、《财报季的财务效应研究和因子构建》与《花开股市，相似几何五—弱关联关系下的特异性Alpha因子挖掘》中的相似动量因子构建逻辑。具体来说，对于一个时点上，我们有4000×4000对数值（假设市场截面共计4000个在市公司），在产业链关联度的基础上，我们构建产业链传导动量因子，具体公式如下：

鉴于构建过程中利用到了月度收益率的概念，为了进一步剥离A股的月度反转效应的影响，我们将生成的产业链传导动量因子对月度收益率做正交化，剥离月度反转效应，形成最后的产业链传导动量因子。

在上述算法说明中，我们以下游关系作为样例进行说明，即公司A和公司B的关联线来自于B公司的产品是公司产品的下游。而在产业链数据中，我们还可以基于上游，或者同时考虑上下游的形式确定关联线。例如，若以上游作为关联时，公司A和公司B的关联线来自于B公司的产品是A公司产品的上游；若以上下游作为关联时，公司A和公司B的关联线来自于B公司的产品是A公司产品的上游或下游。由此，我们构建了基于上游、下游以及上下游关系的产业链传导动量因子。为方便区分，我们将单一维度定义为Ver1，整体维度定义为Ver2。因此，我们在本章中共得到3乘2，六个因子。我们的回测设定如下。如无特殊说明，下述测试设定均于此一致。

从Rank IC测试结果上看，产业链传导动量因子具备较好的选股能力，尤其是下游传导因子。以下游传导动量为例，该因子的Rank IC均值为0.018，月度IC_IR为0.21，T统计量为2.03。

从分位数组合的测试结果上看，产业链传导动量因子表现同样相对优秀。以下游传导动量为例，该因子分位数各组相对单调，多空年化收益率为6.7%，夏普比率为0.74。

上述三类因子与市值的相关性约为0.3%。为了观察行业层面带来的影响，我们进一步对上述因子进行市值、行业中性化处理，以排除行业层面的风险。

从Rank IC测试结果上看，经过市值、行业中性化处理后，因子的稳定性得到了提升，尤其是下游传导类因子。该因子的ICIR达到0.45左右，T统计量提升至4.36。其他因子的结果也与之类似。

从分位数组合的测试结果上看，经过市值行业中性化之后的产业链传导动量因子表现更为优秀。以下游传导动量为例，该因子多空年化收益率为5.1%，夏普比率为1.24，相较之前有着明显的提升。

我们进一步展示中性化后因子的特异性。我们将上游与下游传导动量因子与兴证金工团队底层165个因子进行相关性检验。可以看出，产业链传导动量因子具有极高的特异性，与所有因子的相关性均低于15%，绝大部分因子与其相关性在5%以下。

上述章节中，我们已经基于产业链中的企业产品布局与产业链上下游关系，构造出了产业链上下游传导效应下的动量因子。本章中，我们将直接基于产业链的上下游关联度，通过刻画企业所处产业链的位置特征，构建用于刻画企业产业链上的优势地位相关因子。

我们以下游关联度为例 ，基于逻辑构造因子，并进行测试。由于在此前的构造中，规模较大的公司与其他企业的关联程度本身较大。在实际测试中发现，下游关联优势地位因子与市值的相关性约为25%。因此我们进行市值、行业中性化处理。处理后的测试结果展示如下。以下游关联度作为权重构建因子时，我们发现优势地位因子的表现相对优秀，其中性化之后因子的IC_IR为0.47，T统计量为4.43，具有较高的选股能力与稳定性。

从分位数组合的测试结果上看，下游关联优势地位分位数组合整理表现基本单调，Top组年化收益率为7.9%。多空组合的夏普比率为1.38，且多空组合的最大回撤仅6.5%，具有较高的稳定性。

基于下游关联度下的测试结果，我们将优势地位的概念扩展至上游与上下游关联度上。从测试结果上看，各个维度下因子均有相对优秀的选股能力：其中性化后的因子月度ICIR在0.4以上，T统计量也几乎均在4以上。此外，上下游关联优势地位因子具有更好的IC均值。

基于上述测试结果，我们选取上下游关联优势地位进行分位数组合的测试与展示。从分位数组合的测试结果上看，上下游关联优势地位分位数组合整理表现也基本单调，Top组年化收益率为7.8%。多空组合的夏普比率为0.98。

进一步我们检验因子的特异性。从下游与上下游关联优势地位因子（中性化）与兴证金工团队底层165个因子的相关性检验中看出，该因子与底层各个因子的特异性较高，仅和六个因子的相关性在20%左右，最大值为20%。

在上述章节中，我们首先基于产业链的产品上下游关系，构建了企业间上下游关联度，并基于此构建了产业链传导动量因子和产业链优势地位因子。其中，基于下游和上下游关系构建的产业链传导动量因子表现优秀，产业链关联优势地位因子表现更为优秀。在本章中，我们将基于产业链相关因子中表现相对优秀的因子，构建产业链复合因子，并测试其在不同股票池内的表现。

最后，我们测试该复合因子与兴证金工团队底层165个因子的特异性。通过检验结果可以看出，复合因子与底层各个因子的相关性较低，仅和五个因子的相关性在20%以下，最高为16.3%。

本文中，我们创新性地将产业链上下游的概念引入选股因子中。基于两个思想构建的复合产业链因子具有优秀的选股能力，且在不同的股票池内均表现优秀。在未来，我们也将继续深耕该领域，尝试基于产业链上下游关系做出更多有意义的研究，敬请期待。

风险提示：本报告模型及结论全部基于对历史数据的分析，当市场环境变化时，存在模型失效风险。

《权益理念量化表达——如何挖掘潜在热点》

《花开股市，相似几何五：弱关联关系下的特异性Alpha因子挖掘》

《猎金系列之三十二：财报季的财务效应研究和因子构建》