人工智能61：多角度深挖分析师共同覆盖中的关联因子，并用于指数增强
　　分析师共同覆盖能刻画上市公司的基本面关联，本文是分析师共同覆盖主题的第二篇研究。本文从间接关联、关联事件驱动和指数增强组合构建的角度对分析师共同覆盖中的信息进行多角度挖掘，均取得了一定的改进效果。结合前期报告《分析师共同覆盖因子与图神经网络》(2022.7.7)，我们通过两篇报告系统梳理了如何在量化投资中使用股票间关联信息的方法论，该方法论也值得在其他股票关联类数据(如产业链、供应链数据)上尝试。
　　分析师共同覆盖间接关联可对直接关联信息进行补充，具有较大挖掘潜力
　　Shared analyst coverage: Unifying momentum spillover effect (Ali andHirshleifer,2019)中关于分析师共同覆盖的研究认为，股票间接关联的特点有：(1)间接关联较为隐蔽，不易被投资者察觉，并且间接关联的数量远超直接关联，想要完全覆盖和利用间接关联公司的信息也存在困难，这意味着间接关联具有较大的挖掘潜力。(2)对于那些分析师覆盖数量较少(或直接关联较少)的公司，间接关联造成的股价领先滞后效应可能会更显著。(3)间接关联经多层连接，其领先滞后效应有所衰减，可能不如直接关联显著。
　　分析师共同覆盖间接关联可进一步改进反转因子的效果
　　本文进一步完善了基于分析师共同覆盖的改进反转因子，其含义是前期自身跌幅较大，但关联股票涨幅较大的股票因子取值较大，是均值回复现象的表现。基于分析师共同覆盖间接关联，本文首先构建了间接关联改进反转因子CF2_REV，CF2_REV能改进传统反转因子的选股效果。本文进一步将直接关联改进反转因子CF1_REV和CF2_REV合成得到多层关联改进反转因子CF_REV，CF_REV在日频和周频调仓的多头组合超额收益都表现最好，相比传统反转因子有较大提升。
　　基于关联事件驱动的逻辑，可利用分析师共同覆盖改进事件因子
　　股票市场中，A公司发生事件，可能会沿着关联关系将事件的影响传导到其关联的公司，从而对关联公司的股价产生影响，本文基于分析师共同覆盖来构建关联事件因子。在原有事件因子化模型的基础上，我们选取前N家直接关联最紧密公司的事件来构建特征，融入关联公司的信息。当N逐渐增大时，因子的TOP组合年化超额收益率先增后减，当N=3时达到最高，而当N=10时因子表现最差，说明过多引入关联公司的事件信息可能带来噪声。从RankIC均值和IC_IR来看，关联事件因子相比事件因子没有提升。汇总测试结果，关联事件因子的提升较为有限。
　　分析师共同覆盖关联动量和改进反转因子可提升中证1000增强组合的表现
　　基于原有的多因子中证1000增强模型，本文构建以下两个中证1000增强组合进行对比：(1)对照组合：技术因子中包含6个传统反转因子。(2)改进组合：将技术因子中的6个传统反转因子替换为4个分析师共同覆盖动量和反转因子。2018年以来，改进组合相比对照组合年化超额收益率从15.56%提升至16.92%，信息比率从1.90提升至2.21，Calmar比率从1.73提升至2.40，年化跟踪误差、超额收益最大回撤均有改善，实现了对标的指数更稳健的增强，体现出分析师共同覆盖动量和反转因子相比传统反转因子更优秀的选股能力。
　　风险提示：因子测试和机器学习模型是历史经验的总结，存在失效可能。本文测试的股票池仅包含有分析师覆盖的A股，测试结论不能推广到全A股。高频调仓受交易费用影响较大。