关系型数据
　　随着算力提升和研究深入，以及机器学习这类非线性工具的应用，量化选股的因子库已日益庞大，新因子的有效性已不仅仅取决于其本身的效果强弱，其对原有因子的边际增量已愈发重要。由此，从关系型数据入手，挖掘相关要素，探索新因子与原有因子的关联效应和边际增量，成为因子衍生和策略增强的又一新颖视角。
　　分析师共同覆盖
　　分析师共同覆盖关系可以刻画行业、地理、供应链等一系列关系型信息，统一表征了公司在基本面层面的关联，这为完善关系型数据在模型训练中的增强应用、丰富为多因子选股策略应用场景提供了新的数据形式和探索角度。
　　基于分析师共同覆盖的因子衍生方法
　　本文从特征工程的角度出发，基于分析师共同覆盖信息构造关系矩阵，在已有因子库的基础上对因子进行批量的衍生，利用存量的有效因子和新的数据源交互的方式生成高质量、低相关性的新因子，从而为存量因子库和多因子选股应用场景进行赋能。
　　在模型训练和因子合成环节，在存量因子的基础上加入分析师共同覆盖数据批量衍生因子后，机器学习模型结合与个股相关的分析师共同覆盖信息一起对个股收益进行预测，全周期来看，所合成的因子在IC上提升了2%，在IR上提升了1。
　　在分组、多空组合评估上，存量因子加入分析师共同覆盖数据衍生因子后所训练的模型输出，相比于仅用存量因子所训练的模型输出在超额、夏普等评估指标上有不同程度的提升，从全周期来看，相比原始因子，叠加分析师共同覆盖衍生因子后的年化收益在头部组合提升了约2%，在多空组合提升了近3%。
　　风险提示：模型计算可能存在偏误，业绩不代表未来;因子测试、机器学习建模是对历史经验的总结，模型学习到的市场规律在未来存在失效的可能。