多因子系列报告之三十三：科技关联因子，专利数据再挖掘-20200429-光大证券-22页_1mb

科技关联因子：专利数据再挖掘总结

核心内容

本报告基于专利数据，进一步挖掘科技关联度对股票收益的预测能力，提出并分析了科技动量因子和科技动量领先因子。在构建这些因子时，不仅考虑了公司自身的专利水平，还考虑了公司之间的科技关联度以及不同分类专利带来的收益溢出效应。

报告重点在于构建基于专利关联度的科技动量因子，以提高因子的稳定性与预测能力。通过引入专利关联度矩阵，考虑不同专利类别之间的相互影响，使得因子能够更准确地捕捉科技关联性带来的收益预测能力。

主要观点

• 科技动量因子：通过公司之间的科技关联度和股价收益率构建，其预测能力一般，IC均值为1.84%，IC_IR为0.18。其中，基于发明公布专利、5年期数据的因子表现较好。
• 科技动量领先因子：基于均值回复原理构造，相较于科技动量因子表现更优。其中，Tech_Mean_Rev_V2_fmgb_5Y因子的IC均值为2.41%，IC_IR为0.25，多空年化收益为6.00%，多头年化超额收益为8.50%。
• 改进的科技动量因子：结合专利关联度后，因子稳定性显著提升。Improved_Tech_Mean_Rev_fmgb_5Y因子的IC均值为2.55%，IC_IR为0.23，多空年化收益为7.50%，多空收益夏普比为1.67，多头年化超额收益为10.61%，多头收益信息比为2.11。
• 中性化处理：剥离常见风格因子（如盈利、成长、动量等）后，因子的预测能力和稳定性进一步提升，Neu_Improved_Tech_Mean_Rev_fmgb_5Y因子的IC均值为2.62%，IC_IR为0.24。

关键信息

• 专利数据分类：IPC分类号分为8个一级分类部和145个二级分类大类，其中B分类部和F分类部的专利数量较多，而A分类部、D分类部和E分类部的专利数量较少。
• 科技关联度计算：采用相关系数计算方法，定义为：
  $$
  T e c h _{i j, t} = \frac {T _{i , t} T _{j , t} ^ {\prime}}{\left(T _{i , t} T _{i , t} ^ {\prime}\right) ^ {1 / 2} \left(T _{j , t} T _{j , t} ^ {\prime}\right) ^ {1 / 2}}
  $$
• 专利关联度计算：通过构建专利关联度矩阵，考虑不同专利类别之间的相互影响，改进的科技关联度定义为：
  $$
  T e c h _{-} P a t _{i j, t} = \frac {T _{i , t} \cdot P a t _{t} \cdot T _{j , t} ^ {\prime}}{\left(T _{i , t} T _{i , t} ^ {\prime}\right) ^ {1 / 2} \left(T _{j , t} T _{j , t} ^ {\prime}\right) ^ {1 / 2}}
  $$
• 因子命名方式：基于专利类型和统计时长，因子命名方式为Tech_Momentum_xx_yy或Tech_Mean_Rev_xx_yy，其中xx表示专利类型（all、fmgb、fmsq、wgsj），yy表示统计时长（1Y、3Y、5Y）。

因子表现对比

风险提示

• 本报告的结论基于模型和历史数据，存在模型失效的风险。
• 历史数据可能无法被重复验证，因此因子表现可能随时间变化。

参考文献

1. Charles M.C. Lee, Stephen Teng Sun, Rongfei Wang, Ran Zhang. Technological Links and Predictable Returns[J]. Journal of Financial Economics, 132(2019): 76-96.
2. Phuong-Anh Nguyen, Ambrus Kecskés. Do Technology Spillovers Affect the Corporate Information Environment[J]. Journal of Corporate Finance, 62(2020): 101581.