因子残差连通性，行业结构以及未来下行风险

《Finance Research Letters》：Factor-residual connectedness, industry structure, and future downside risk

　　# 摘要要点- 因子残差连通性可预测中国A股下月的下行风险。- 预测性变异既存在于行业之间，也存在于行业内部。- 按市值加权的低中心度组合在适度成本下仍能保留显著Alpha。# 引言市场下跌会波及整个市场，但其后果在各股票间远非均匀分布。部分公司仅录得有限损失，而另一些公司则遭受远超其的尾部损失与回撤。常规因子调整已剔除了熟悉的共同波动来源。本文将组合构建之前形成的残差连通性，与次月的下行风险联系起来。金融网络概括了收益、波动率与预测误差之间的依赖关系，并将网络位置与共同暴露及集中压力联系起来（Billio et al., 2012, Diebold and Yilmaz, 2014, Adrian and Brunnermeier, 2016, Glasserman and Young, 2016, Brownlees and Engle, 2017, Acharya et al., 2017, Demirer et al., 2018, Jackson and Pernoud, 2021）。残差共同波动曾与共同所有权相关联（Antón and Polk, 2014）。就中国股票而言，网络证据已刻画了行业共同波动与溢出效应（Shi and Chen, 2022, Wu et al., 2019, Zhang et al., 2020），因子调整后相关网络亦被用于组合风险管理（H?rdle et al., 2026）。我们的设计则在结果月份之前即固定网络，并以其横截面位置对个体股票随后实现的下行风险进行排序。行业与生产链条关系组织着公司层面的共同波动（Cohen and Frazzini, 2008, Barrot and Sauvagnat, 2016, Herskovic, 2018, Baqaee and Farhi, 2019, Bigio and La'O, 2020, Carvalho et al., 2021），而尾部与频率网络揭示了具有状态与期限依赖性的依赖结构（H?rdle et al., 2016, Corsi et al., 2018, Baruník and K?ehlík, 2018）。股票相关性在下跌市场中亦变得不对称（Longin and Solnik, 2001, Ang and Chen, 2002, Cappiello et al., 2006）。上述发现动机引出两点区分：行业之间的变异 vs. 同行业内公司之间的变异，以及下跌市场条件化 vs. 由等长样本估计的全状态网络。我们以每月基准样本——流通市值最大的500只中国A股——为基础，从 $t-1$ 月开始的五因子残差中估计正则化网络，在 $t$ 月形成信号，并在 $t+1$ 月度量下行波动率、左尾损失与最大回撤。大横截面使得分开进行行业总体与行业内测试成为可能（Chang et al., 2014, Carpenter et al., 2021）。全月份中心度对未来风险有强排序能力：下一月最大回撤在高中心度五分位比低中心度五分位高出3.215个百分点。分解显示该排序同时存在于行业之间与行业内部，与暴露于共同非因子冲击的情形一致。该关系在流通市值排名1500以内保持为正且统计显著，并在替代估计窗口与残差因子模型下同样成立。流通市值加权的低中心度组合在每边25个基点成本之后仍保留显著的五因子Alpha。下跌市场条件化相对于个体等长估计仍保留增量信息，但相较于反复抽取的全状态集合，这一增量则消失。本文作出三点贡献。第一，使用组合形成时已知的因子残差网络来排序一个月之后的股票层面下行风险，而非刻画同期共同波动或分配组合风险。第二，将该排序分解为行业与行业内两个组成部分。第三，区分状态条件化与全状态基准聚合信息的方式。分离的等长抽取与20次抽取的集合对下跌市场增量得出不同结论。链接计数与权重均给出相似结果，指向广泛的残差连通性，而非中心度专属公式。# 分节摘要## 方法论我们以截至 $t-1$ 月的36个月构建残差网络，在正则化后保留强正链接，并将形成月 $t$ 的中心度与 $t+1$ 的下行风险联系起来。我们分别估计全月份与下跌市场版本，并将两者分解为行业均值与行业内偏差。补充材料的A部分收集了符号与正则化细节。## 实证结果我们首先使用全月份残差网络确立基准预测关系，随后通过行业与行业内组成部分考察其经济结构。第三阶段测试相对于传统风险度量的增量预测，包括样本外预测。我们继而考察下跌市场条件化带来的额外信息，并在交易成本与交易限制之后评估组合实施情况。最后阶段评估外部……## 结论组合形成前度量的因子残差连通性可预测中国A股的下月下行风险。在最大的500只样本中，最高与最低中心度五分位之间的最大回撤差为3.215个百分点。预测性变异同时存在于行业之间与行业内部，与暴露于共同非因子冲击的情形一致。该关系在常规风险控制下存续，并延伸至流通市值排名1500，并跨越替代性网络……## CRediT 作者贡献声明**Qiao Hu：** 撰写——审阅与编辑、撰写——原稿、可视化、验证、软件、方法论、调查、形式化分析、数据管理、概念化。**Jia Zhang：** 撰写——审阅与编辑、撰写——原稿、验证、方法论、调查、经费获取、形式化分析、概念化。**Yuanzheng Zhu：** 撰写——审阅与编辑、可视化、验证、方法论、调查、形式化分析。## 生成式AI与AI辅助技术在工作准备过程中，作者使用了 OpenAI Codex 来改进稿件的语言、可读性与组织。使用本工具之后，作者根据需要审阅并编辑了内容，并对出版内容承担全部责任。## 资金本研究由中国**国家自然科学基金委员会**资助（项目编号 72673137）。## 利益冲突声明作者声明，不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。## 致谢所有作者均批准了拟发表的稿件版本。---Qiao Hu | Jia Zhang | Yuanzheng Zhu