财务报表中Alpha信息的挖掘
　　财务因子挖掘的两个维度：一个财务因子的生成范式可总结为：定义一个运算规则（算子），按此规则将几个财务指标计算得到因子。数据方面，我们采用三张报表、预告、快报与财务附注中的指标作为数据源；算子方面，我们参照常见因子的构建方式定义了14个算子，最终挖掘得到约10万个因子。
　　挖掘财务因子的筛选：大多数挖掘因子的RankIC均值在0-1%区间且多空年化收益在0-2%区间，不能提供有效的选股信息。为此我们根据RankIC均值的绝对值高于2%、年化RankICIR绝对值高于1.5，多头月均超额高于0.3%，多空月均收益高于0.6%的标准初步筛选出4427个有效因子。
　　多维度财务因子扩容
　　我们从新算子与新数据两个视角举例说明挖掘因子对于经典因子的扩容：
　　因子扩容视角一：改进算子提升经典因子绩效。鉴于比值算子易受分母极端值的影响，我们提出了截面分位差算子来解决这一问题。改进算法计算得到的新因子相比经典因子在多头与空头月均超额方面有明显改善。
　　因子扩容视角二：加入新数据带来增量信息。我们引入财务附注数据构建附注类因子，附注复合因子RankIC均值4.78%，年化RankICIR为2.69，RankIC月胜率83.78%，多头月均超额0.77%，空头月均超额-1.02%。此外，财报中的非核心指标也蕴含增量信息。引入预告和快报数据使得我们提前得知公司的营收和净利润情况，为经典因子的构建提供更及时的信息。
　　Alpha因子库的扩容与增强
　　传统因子合成方法存在的问题：对现有因子库中的因子全部合成虽选股能力优越，但面对大量挖掘因子时，若不考虑风格直接合成则容易导致复合因子风格偏离的问题，使得复合因子表现不稳定。
　　因子关联度的定义与因子聚类：我们提出“分组加权法”定义因子关联度，并根据因子关联度对传统因子进行Leiden聚类，最终得到价值、低波、成长、分析师预期、高频、反转、公司治理与时序分位点这8个类别。
　　聚类复合因子：我们将上述8个类别中的因子合成为8个大类因子后再将大类因子合成得到聚类复合因子，因子在RankIC均值、年化RankICIR、多空月均超额等方面均优于全部因子直接合成的结果。
　　聚类增强因子：根据新挖掘因子与8个大类因子的多空相关性对每个类别进行扩容，并采用增量筛选方法对各类别的因子进行筛选，最后合成聚类增强大类因子。合成后每个聚类增强大类因子相比原大类因子表现有提升，将聚类增强大类因子进行合成得到最终的聚类增强因子。
　　聚类增强因子表现：因子RankIC均值12.08%，年化RankICIR高达5.32，RankIC月胜率92.67%。因子多头月均超额1.62%，空头月均超额-1.91%，多头年化超额25.1%，空头年化超额-24.3%。此外，聚类增强因子在各宽基指数以及不同风格股票池中的表现相较传统复合因子也有显著提升。
　　风险提示：市场环境变动风险，本报告基于客观数据，不构成投资建议。