特征拆解新范式：把“同伴均值”与“个股偏离”分开定价，制造低相关Alpha

0. 近月脉络

近月各家主线集中在：算子化高频因子方法论的体系化拓展（长江）、深度学习因子的去风格化与稳定性（国盛WPE/CDE、广发StableAlpha）、多模型融合与AI重构投研流程的落地讨论。本期广发把”关系网络/同伴信息”引入因子构造——不换预测模型，只改变特征的组织方式，就批量获得与原始因子低相关的新Alpha，指向”从挖掘新因子到重组已有特征”的增量方向。

1. 本期研究灵感 ⭐

灵感点1：双重同伴效应——放宽”同伴均值与个股偏离系数相等”的隐含约束，把每个因子拆成两个特征重估 ^[1]

• 灵感点：广发金工指出传统截面回归隐含一个从未被检验的约束——若把个股特征拆成同伴群体均值（peer_avg）与个股相对偏离（peer_dev），标准模型强制两者对未来收益有相同预测系数。本文将其放宽：以Wind概念指数作为可重叠的股票关系网络（股票同属多个主题则连接权重累加），把约130个基本面与量价因子拆解为260余个”同伴均值+个股偏离”特征后喂入Ridge模型。样本外（2020年起）双重同伴效应因子多头年化超额收益21.30%、信息比率3.38，优于原始特征输入的19.26%/2.71，最大回撤由-16.43%收窄至-12.17%；同伴平均项系数的T统计量绝对值均值达27.51，远超原因子的10.32。与另一LightGBM原始因子等权合成后，多头超额时序相关性仅48.06%——特征拆分比更换模型更能带来低相关增量，且在中证1000股票池效果最强（多头年化超额14.10%、信息比率2.42）。
• 出处：广发金工安宁宁/陈原文/王小康团队——《根据同伴股票因子暴露带来的全新Alpha》（单篇深度，非系列周报）；方法源头参考D. Avramov等2026年论文《Dual peer effects and cross-stock predictability》，文中亦梳理了Lee等2018”科技动量”（以专利相似度构建网络）等同类思想。
• 启发 / 怎么用：这套”特征分解”操作起来极轻、迁移面极广：任何自下而上的因子库都可按（行业/主题均值, 个股相对偏离）做一次膨胀，批量生成与原因子低相关的新特征，且经济含义清晰——“行业整体估值过高”与”个股相对同行被低估”本就是两件事，理应允许方向相反。值得尝试的替代网络包括基金共同持仓、分析师共同覆盖、供应链与专利相似度、年报文本提到的同行关系。报告中最有价值的一个案例是：归母净利润单季环比这类近年在个股层面已失效的因子，拆开后同伴平均项与个股偏离项各自呈现显著且方向相反的有效性——提示”因子失效”的诊断应先做拆分再下结论，避免把被混合信息掩盖的Alpha直接丢弃。两点警惕：Wind概念主题自带较强的风格/主线属性，拆出的同伴均值可能内嵌动量与主题轮动信息，需做风格中性后的独立性检验；多主题累加赋权使”同伴”定义含主观性，换用申万行业或基金持仓网络结论可能大幅变化，落地时应做网络选择的敏感性测试。

附：补充信源

本期无量化的附加方法论报告值得补充；申万宏源视觉大模型ViT选股报告 ^[2] 虽被重新召回，但发布于2026年7月底且已在早前简报详述，此处不再重复。

本报告为卖方金工研究的灵感摘录，方法与结论以各家原始报告为准，不构成投资建议。