金融科技FactSet供应链数据分析报告.docx
《金融科技FactSet供应链数据分析报告.docx》由会员分享，可在线阅读，更多相关《金融科技FactSet供应链数据分析报告.docx（26页珍藏版）》请在冰豆网上搜索。
金融科技FactSet供应链数据分析报告
2019年金融科技FactSet供应链数据分析报告
2019年7月
FactSet深度行业分类（RevereBusinessIndustrialClassificationSystem，RBICS）数据。
一套精确的结构化公司分类体系。
利用FactSet独有的RevereHierarchy行业分类，构建有固定层次的6级结构。
作为一类自下而上的分类方法，该体系利用每个公司的产品与服务信息，对它们进行精确、细粒度的行业划分。
这种分类方式正在为越来越多的投资者接受与认可，被广泛应用于各种细分行业或特定主题的指数编制以及投资组合的构建中。
FactSet供应链（SupplyChainRelationships）数据。
供应链研究是当前证券市场的热点。
随着产业整合度的不断提高，公司之间的关联对其自身业绩的影响正变得越来越大。
上游供应商的业绩波动、下游客户的主营变迁都会在很大程度上影响公司的盈利状况，从而反映在股价的表现中。
FactSet供应链数据在传统的行业或公司研究之外，提供了一种更加全面的视角，对全市场所有可能的关联公司进行透视。
FactSet公司营收国别或地区分布（GeographicRevenueExposure，GeoRev）数据。
公司研究往往需要回答三个重要问题，即，做什么业务，与谁开展业务，在哪里开展业务。
FactSet的GeoRev数据通过对公司在不同地域营收的统计，回答了第三个问题。
FactSetRBICS数据在量化基本面中的应用。
基于RBICS数据，FactSet与多家国际知名的指数公司联合开发了超过100条指数。
众多大型资产管理公司纷纷以此为基础，发行了各类ETF和被动指数产品。
目前，已经正式运行的产品共计42个，管理规模超过80亿美元。
FactSet供应链数据在量化基本面中的应用。
（1）构建更加及时和深入的事件驱动策略，提供右侧交易机会；
（2）计算“度、中心性、溢出效应”等与传统因子相关性极低的新因子，获取稳定显著的Alpha收益。
基于对股价相关性和主营业务关系网因子的研究，以及FactSet对供应链因子的测试，均可以发现，A股市场上同样可以利用供应链网络构建因子，为传统的基于量价或财报数据的因子模型提供额外的信息增益。
一、FactSet数据产品介绍
FactSetResearchSystem（简称FactSet）是总部设在美国康涅狄格州诺瓦克的一家金融资讯服务供应商。
公司为从事投资的专业人士和机构提供金融信息和分析软件，内容包括公司比较、产业分析、投资分析、风险评估、投资优化和即时新闻行情等。
经过38年的发展，FactSet已在全球24个国家的60个办公室拥有超过9600名员工。
FactSet的业务集中于技术和客户服务，用户数量超过11万。
公司目前已有几百个不同的数据库，但依然在持续优化和开发产品。
另外，FactSet还在全球多个国家为客户提供本土的专业咨询服务、24小时电话支持和免费培训。
本文主要介绍FactSet的三个基于供应链的另类数据（AlternativeData）产品：
FactSetRBICS数据、FactSet供应链数据和FactSetGeoRev数据。
1、FactSet深度行业分类（RBICS）数据
FactSet深度行业分类（RevereBusinessandIndustryClassificationSystem，RBICS）是一套精确的结构化公司分类体系。
利用FactSet独有的RevereHierarchy行业分类，构建有固定层次的6级结构。
作为一类自下而上的分类方法，该体系利用每个公司的产品与服务信息，对它们进行精确、细粒度的行业划分。
这种分类方式正在为越来越多的投资者接受与认可，被广泛应用于各种细分行业或特定主题的指数编制以及投资组合的构建中。
FactSet的BRICS拥有三个子产品：
RBICSFocus：
通过分析公司在各个深度行业分类（RBICS）中的营收情况，将营收占比超过整个公司50%的业务线作为主营业务线。
RBICSwithRevenue：
将每个财报期的公司营收按照各业务条线分拆至最细粒度的深度行业分类（RBICS）中，获得对应的营收占比。
RBICSwithTradenames：
将公司所有的产品与服务划入深度行业分类（RBICS）中。
反过来，每个公司也都有可能出现在多个深度行业分类（RBICS）中。
随着全球经济整合程度的不断提高，不同产业在全球市场中相互影响程度也变得越来越深。
基于自下而上的分类模式，RBICS拥有更强的自我演进能力，能够精准快速地反映全球市场及产业的变动。
基于公司的新增业务占比、行业风险暴露以及具体的产品和服务信息，RBICS打破了过去公司从属单一行业的限制，为全球公司及其竞争领域带来了前所未有的观察角度与高度。
为了克服公司信息披露分散且非标准化的难题，FactSet构建了6层架构。
其中，最顶层的Economy包含14个不同类别。
在对每个公司分类的过程中，FactSet采用了系统与人工结合的方式。
首先，通过系统工具对公司信息进行初步筛选；然后，再通过训练有素的分析师二次判断，从而确保分类信息的质量。
下面，以苹果公司为例，详细介绍RBICS产品。
如上图所示，传统行业分类通常采用的是自上而下的单线业务划分，包含的信息量较少。
与之相对应的是，FactSet的行业分类方法可以展现苹果公司全部的产品线，便于投资者自下而上地掌握苹果公司的整个业务脉络（见下图）。
上图为FactSet的苹果公司RevereHierarchy分类。
苹果公司所有的业务和产品都被囊括入图中，不同的终端产品所归属的业务条线一目了然。
其中，红色标注的业务条线即为通过营收占比分析确定的苹果公司主营业务。
将每个产品的营收占比加入RevereHierarchy结构图，即可得到不同业务线的营收占比。
如下图所示，苹果公司的营收产品线共有5条，分别为iPad、Mac、iPhone、其他产品以及服务。
iPhone作为苹果公司的主营业务产品，贡献了63%的营收。
尽管RevereHierarchy分类清晰明了，但其结构并不规则。
为了便于使用，FactSet进一步开发了RBICS，将RevereHierarchy的所有业务线均归入一个统一的6层体系，从而保证了业务分类信息的结构化特性。
如下图所示，若以苹果公司营收占比最高的iPhone为例，逐层分析其分类，可以发现，最下层的L5和L6均为智能手机制造（SmartphoneManufacturing），上一层（L4）为无线移动设备（WirelessMobileEquipment），再往上依次为通信设备（L3：
CommunicationsEquipment）、硬件（L2：
Hardware）、科技（L1：
Technology）。
因此，基于RBICS，便可以从数据库中获取每一层中所有产品和服务的竞品信息，从而有利于分析师研究不同业务线的盈利预期，把握公司的发展脉搏。
若将各个业务线的营收占比信息加入RBICS当中，便构成了上文所述的RBICSwithRevenue产品（见下图）。
从中可以轻松获取公司的主营业务线，分析公司的业务分散情况，判断市场波动对公司业绩的潜在影响。
除各业务条线在公司内部的营收占比外，每项业务的市场份额、全球各地区的收入情况，也都可以从FactSet数据库中获取。
这使得分析师可以从全局角度分析公司的业务现状，更准确地判断公司的发展和前景。
RBICS产品在海外被广泛应用，其中最直接的用法是基于RBICS的业务线分类编制指数，为被动型产品提供跟踪标的。
例如，FactSet与新加坡交易所（SGX）合作开发了多款全球主题指数，包括网络安全、机器人技术与人工智能等。
目前，RBICS产品已覆盖A股80%的上市公司。
其中，中证800指数成分公司的覆盖率为95%。
根据海外的实践经验，有理由相信，这种新的行业分类方法，将为A股市场提供更为灵活、细粒度的上市公司业务拆解信息，不仅有助于分析师深入研究行业及公司之间的关联，而且能丰富被动产品的种类，迎合投资者的差异化需求。
2、FactSet供应链数据
FactSet供应链（SupplyChainRelationships）数据是一种标准化的关系分类。
相较于传统的行业上下游数据，FactSet供应链数据提供了一种更为全面的视角，可以直接对市场上所有公司之间的关联关系进行透视。
其基本结构如下图所示。
为了全面准确描述公司之间的关联特征，FactSet将一条供应链中的所有公司都归入四大类总计13种关系中。
Supplier，传统意义上的上游供应商。
包括报告供应商（ReportedSuppliers）、制造（Manufacturing）、营销（Marketing）、在授权（In-licensing）和配送（Distribution）；
Customer，传统意义上的下游客户。
包含报告客户（ReportedCustomers）和授权（Out-licensing）。
Competitor，竞争对手，在主营业务上有竞争关系的其它公司。
Partnerships，战略合作伙伴，区别于直接提供生产原材料的供应商，一般指与公司有战略合作关系，共同进行项目研发、收购其他公司的重要合作方。
包括研究合作（ResearchCollaborations）、集成产品供给（IntegratedProductOfferings）、合资公司（JointVentures）、股权投资/投资者（Equityinvestment/Investors）。
FactSet采用大数据工具与人工筛选相结合的方式，根据公司的定期财报、披露公告、权威新闻及其他被动披露信息等，将所有公司在全球范围内按照上述分类进行梳理与关联。
以日本株式会社村田制作所（Murata）为例（下图），其供应链关系的构建主要基于公司的年报、公告和官网。
此外，根据实际的业务状况，FactSet还允许两家公司之间同时拥有多种供应链关系，以保证它们的关联关系更加精确。
通过这种方式，FactSet能够提供更加全面的供应链数据。
以华为为例，FactSet整理的供应链结构如下图所示。
由上图可见，除直接供应商外，供应商的上游供应商也可从FactSet数据中直接获取。
这种层层推进的搜索形式，可以让投资者看到公司供应链的全景，分析任何一家公司的变动对其他公司的影响。
将供应链与深度行业分类（RBICS）结合后，FactSet还可以提供公司客户结构的直观展示与分析。
继续以华为为例，其客户结构如下图所示。
从地域分布来看，华为的客户遍布全球。
其中，在中国、日本、泰国的集中度较高。
就行业分布而言，则以科技、通信和周期性消费品行业为主。
通过这种方式，投资者可以清晰地分析每家公司的客户基础和营收来源。
目前，FactSet供应链数据已覆盖A股80%的上市公司与中证800指数95%以上的成分股。
更重要的是，FactSet经过十多年的积累，已形成了全球范围内的供应链网络。
与A股上市公司直接关联的海外公司，以及再向上游的关联关系，都可以通过FactSet进行搜索。
全球化视角下的公司供应链分析，会使结果更加精确有效。
供应链数据在量化投资中的主要应用包括构建动量溢出策略，公司的供应链中心度因子，以及事件在供应链网络中的传导效应等。
对公司本身而言，覆盖全球的供应链数据也有助于内部决策。
例如，怎样对目前的供应商与合作伙伴体系进行优化，从而降低经营风险。
3、FactSetGeoRev数据
公司研究往往需要回答三个重要问题，即，做什么业务，与谁开展业务，在哪里开展业务。
FactSet的GeoRev数据通过对公司在不同地域营收的统计，回答了第三个问题。
下图是韩国三星公司在全球各个地区的营收分布。
随着产业全球化的不断深入，一家公司的营收很多时候并不来自于所在的国家。
以富时海峡时报指数（FTSEStraitsTimes）为例，其成分股对应的公司均位于新加坡，然而这些公司的总营收中，只有45.8%来自于当地，其余均来自于其他国家（见下图）。
为了便于投资者使用，FactSet进一步以GDP为权重，将各公司按不同标准披露的各地区营收占比汇总到了统一的区域分类中，得到了结构化的数据形态。
下图展示了华为、苹果和三星在经过这一流程处理后，各国家或地区营收占比的对比。
掌握公司营收的来源地是分析公司业绩稳定性和预测营收增长潜力的重要信息。
不同地区宏观环境的变化都有可能对公司在当地的营收产生较大影响，通过分析营收的分布情况，不仅有助于评估公司抵抗地缘风险的能力，而且可以判断公司能否享受到该地区的发展红利，具备较大的业绩提升空间。
二、FactSet数据的应用
1、FactSet深度行业分类（RBICS）数据的应用
FactSetRBICS数据以上市公司产品线为切入点，自下而上地建立多层行业分类体系，并提供公司产品线的营收分布，有效量化了上市公司在各个行业上的暴露。
以A股的金风科技（GOLDWIND）为例，该公司的主营业务产品是风机及零部件销售，营收占比达到77.38%。
如下图所示，若按主营业务产品对其分类，第一级为工业（Industrial），第6级为风力能源设备制造（WindEnergyEquipmentManufacturing）。
但是，金风科技也有8.20%的营收来源于风电服务，因此该公司在公用事业（Utilities）上也有一定的行业暴露。
由于FactSetRBICS数据按照统一的行业分类体系整合了全球近5万家上市公司，因此，投资者可以方便地从中分析风力能源设备制造这个子行业的全球市场现状，以及金风科技的市场份额。
如上图所示，截止2019年2月，全球风力能源设备制造行业的总收入为363亿美元（基于FactSetRBICS覆盖的公司）。
其中，西门子公司（SiemensAG）的全球市场份额高达30%，但该项业务只占公司全部营收的10.98%。
相比之下，全球市场份额排名第二的维斯塔斯（VestasWindSystemsA/S）的风机业务却占公司总营收的84.71%。
金风科技排名第三，全球市场份额为8%。
此外，中船重工集团（ChinaShipbuildingIndustryCo.Ltd）的风机业务在公司营收中的占比只有21.46%，但是全球市场份额可以排到第6位。
除了从全球视角分析公司的业务，基于FactSetRBICS数据还可以开发各种主题指数。
截止2019年7月，FactSet已与多家国际知名的指数公司，如，富时罗素（FTSERussell）、标普道琼斯指数（S&PDowJonesIndices）等，联合开发了超过100条指数。
众多大型资产管理公司，如，贝莱德（BlackRock）和道富环球投资（SPDR）等，纷纷以此为基础，发行ETF和被动指数产品。
现已正式运行的产品达到42个，管理规模超过80亿美元。
下表展示了欧洲STOXX（斯托克）指数公司与FactSet联合开发的iStoxxFactSet主题系列指数。
共包含4个主题：
人口老龄化（AgeingPopulation）、自动化和机器人（Automation&Robotics）、突破性医疗（BreakthroughHealthcare）和数字化技术（Digitalisation）。
其中，每个主题又包含3-4个子主题。
如，突破性医疗包括生物技术、设备和医疗软件3个子主题。
而每个子主题下面又包含各个分类的小项，如，生物技术包括慢性病、基金测序和抗体创新。
传统的三级行业体系通常很难实现如此精细的分类，但借助FactSetRBICS及对应的营收占比，就可以方便地挑选出主营业务收入与主题相匹配的上市公司。
该系列指数的构建步骤如下。
1.初始股票池包含全球市场8000个股票，主要以StoxxGlobalTotalMarketIndex中的成分股为基础覆盖发达和新兴市场的大中小盘股票2.按照营收占比筛选必须有至少50%的营收来自一个或多个与该主题相关的行业；
2.行业分类。
基于FactSetRBICS市值不得低于2亿欧元，3个月的日均交易量必须高于100万欧元组合至少包含80个股票；
3.等权配置。
所有股票等权重配置，确保每个主题都有足够的暴露，且个股不会有太高的集中度下图展示了iStoxxFactSet主题指数2016年以来的表现，基准为MSCI全球指数。
整体来看，除了人口老龄化主题指数和基准相差不大之外，其他主题指数均跑赢了基准。
近年来，在人工智能的大行情推动下，自动化和机器人主题指数的净值显著高于其他主题指数和基准。
2016年9月，BlackRock发行了4个跟踪iStoxxFactSet主题指数的ETF产品。
截止2019年5月，iSharesAutomation&RoboticsUCITSETF的规模规模已经达到了17.95亿美元，是4个ETF中规模最大的产品，也是目前世界上管理规模最大的机器人主题ETF。
泰国地产商LandAndHouses在2018年1月发行了共同基金——LHRobotics-E，主要购买iSharesAutomation&RoboticsUCITSETF的份额。
新西兰Smartshares在2019年6月同样发行了两个iStoxxFactSet主题指数ETF产品——SmartsharesAutomationandRoboticsETF和SmartsharesHealthcareInnovationETF。
下图统计了4个iStoxxFactSet主题指数相关产品的规模占比。
其中，自动化和机器人指数的对应产品占6成以上。
突破性医疗指数和数字化技术指数的产品规模占比接近，均为15%左右。
老龄化人口的规模占比最低，为8.66%。
在全球创新浪潮的驱动下，这4条与高科技相关的主题指数对应的产品，近年来规模增长迅速，已从2016年的1.30亿美元大幅增长至2019年5月的30.44亿美元（见下图）。
FactSetRBICS数据的第三种应用是为量化策略提供增强。
例如，对于经典的PE均值回复策略，最常见的做法是买入低PE的股票，同时卖出高PE的股票，获取估值的风险溢价。
但不同类型股票的估值中枢可能并不一致，如，科技类成长股的估值天然地会高一些。
因此，合理的做法是将有相似主营业务的公司归集起来，在每个集合中应用均值回复策略。
因为这样形成的集合，其中的股票更有可能有接近的估值中枢。
FacSetRBICS数据恰好提供了一种从主营业务出发的分类方法，能够将相似的公司放在一起进行对比。
如下图左侧所示，理论上，在L6这一层级的每个行业中构建高低PE组合，应当能达到最好的均值回复效果。
但是，由于行业分类过细，其中4个行业所包含的公司数量不足10个。
这会使得公司之间的PE差异不明显，反而影响策略的表现。
因此，可以将分类向上逐层合并，以增加每个类别中的公司数量。
如下图右侧所示，在达到L3时，每个分类中都有10个以上公司。
这既保证了类别内部公司主营业务的相似程度，又有足够多的股票数量，使PE的区分更加明显。
根据这一思路，构建中证800指数成分股PE的均值回复策略。
考虑如下两种组合构建方式。
（1）选取PE最低的1/5股票作为多头组合，PE最高的1/5股票作为空头组合。
（2）以至少包含10个股票为标准，按照RBICS重新划分行业。
在每个行业中，选取PE最低（高）的1/5股票作为多（空）头组合。
下图展示了这两个组合2015年以来的累计净值。
引入行业分类的组合——PE（SectorNeutral），无论是在收益上（16.4%vs.11.4%），还是在风险上（16.7%vs.18.4%），都显著优于简单的PE策略。
2、FactSet供应链数据的应用
任何公司的经营都不是独立的，而是时刻与供应商、客户、战略伙伴，乃至竞争对手发生往来。
故这个系统中的所有公司也被称为是经济关联（economically-linked）的公司。
识别它们之间的关联关系，对理解一家公司的业务机会和潜在风险非常重要。
FactSet供应链数据揭示了公司间的业务联系，是一类非常有用但又区别于传统财报数据的信息。
基于供应链数据，海外开发了一系列量化基本面（quantmental）策略，主流的有事件驱动和因子化两种应用方式。
（1）基于供应链数据的事件驱动策略
传统的事件驱动策略主要研究事件对于发生实体的证券价格的影响。
例如，市场对A公司的新产品评价不佳，该公司的股价就会收到牵连。
这种影响虽然直接，但冲击效应容易在短期内释放完毕，等待事件发生后再入场的收益相对有限。
而基于供应链数据，就可以将传统的事件驱动策略向发生实体的上下游公司延展。
例如，A公司主要供应商的股价也会因新产品的负面评价，表现出与A公司同向的变动趋势，但发生时间往往会滞后。
因此，利用这种传播效应，便可以构建右侧交易策略。
以A股市场的应收账款网络为例。
当某个公司发生业绩预增事件后，一个合理的推断是，它的债权人公司会因为应收账款回收可能性的增大，获得业绩的增厚，并进一步反映在股价上。
下图印证了这一逻辑。
当事公司和其债权人公司在事件发生后的超额收益基本保持了同向变动，但受影响的时点并不同步。
债权人公司的股价在事件发生当日并无明显变化，此后才逐步上扬。
上述这个简单的案例证明，基于事件在供应链网络中的传播效应，投资者可以构建另类驱动策略，不仅具备客观的收益空间，而且还获得了更加从容的交易机会。
但遗憾的是，利用传统的量价或财报类数据很难建立起覆盖面广、可靠性高的供应链网络，类似的事件驱动策略，更多的还得靠分析师人为挖掘。
而FactSet的供应链数据恰好提供了一个覆盖相对全面的公司网络，是一个非常有益的信息补充。
下图是华为的部分供应链结构。
其中，Inphi、NeoPhotonics、Lumentum、Oclaro这4家美国公司是华为的一级供应商，分别为华为提供半导体和光通信材料，产品总金额接近4亿美元。
2019年5月中旬，华为遭受美国公司在技术和配件供应上的限制。
消息发布后，上述公司的股价应声下挫，Inphi在16日和17日分别下跌13%和7%，NeoPhotonics下跌20%和15%。
A股上市公司——石英股份同样受到冲击，17日股价下跌约5.6%。
此外，华为在受到限制时，就有可能会从国内寻找新的供应商，投资者可以在原供应商的竞争对手中寻找相应的投资机会。
随着近期限制的缓解，原先遭遇负面冲击的公司均有可能受到积极的影响。
由此可见，通过包括竞争对手在内的供应链网络，可以构建一系列及时、深入的事件驱动策略。
（2）基于供应链数据的因子投资策略
除了事件驱动，另一类应用供应链数据的方式是构建选股因子。
其核心逻辑为，将具有某类关联关系的公司连接成一个复杂网络，通过图论的算法提取网络的特征，得到包含公司关联信息的新因子。
①美股市场上的供应链因子
德银在2015年发布的研究报告——《LogisticsofSupplyChainAlpha》中，利用社交网络和网络搜索算法，将供应链作为一个整体进行分析，展示了如何利用客户-供应商数据产生Alpha。
作者基于FactSet供应链数据，在不同的行业中寻找关键供应商和客户，以及其他在供应链关系中具有显著重要性的公司，观察它们的股价表现。
具体地，将所有公司视为节点，将它们之间的供应链关系作为有向边，从而形成一个图网络，并构建以下三
升级会员 