刊于《经济一周》，2026年6<月13日
股票间关联网络产生超额报酬收益
余家林
科大商学院金融学系教授
许多投资者要么专注于个别股份，要么关注市值和规模等宏观市场因素。但笔者有一项研究，揭示了一个强大的中间层：股票之间的关联网络，这个网络对股票收益所起的作用和影响。
其规律是：当一组股票今天出现「领涨」走势时，相关的「落后」股票往往明天也会跟着走。这种关联性非常强，足以产生远超过传统投资策略所得的显著效益。
抓到新型态超额报酬来源
笔者采用数据驱动的方法，将股票关联网络视为影像，并运用计算机视觉（Computer Vision）技术进行分析。顺笔一说，把股票关联网络视为影像，并运用计算机视觉进行量化金融分析，是近年金融科技领域前沿且创新的数据驱动方法。这种方法的核心逻辑，是将抽象的金融时间序列或市场结构「几何化」与「可视化」，并利用深度学习模型强大的空间特征提取能力，来捕捉传统统计学难以发现的非线性关联与市场全局趋势。
本文笔者不谈研究细节，而集中阐述研究结果，给投资者作投资决策参考。在今日股市异常反复波动下，理解这种股票间关联网络的作用和影响，尤具参考价值。
研究揭示了诸如「市值」、「价值」、「获利能力」甚至「动量」等传统解释股票报酬的标准因子模式，无法作出解释，而透过计算机视觉技术图像辨识，则抓到了传统因子「看不见」的市场讯号，显示市场上存在着新型态的超额报酬（Alpha）来源，这个报酬来源无法被传统财务指针或过去的价格动量所归纳。
此外，笔者也发现，许多先前被称为「因子动量」的现像，其实源自这些股票间的「领涨—滞后」效应；而且，最重要的关联会随时间而变化，而不是像产业或地理等类别那样固定不变。这个研究结果对投资者和企业管理者都有启迪。
应视股市为动态网络
对投资者和公司来说，应该将股票市场视为一个动态网络，而不是一系列的孤立股票行情。有系统地辨识哪些股票领涨、哪些股票跟随，可以创造额外的收益来源。换言之，传统习惯把股票依据「相同产业」（如半导体）」或「同地理区域（如美股）」划分，并认为同类的股票就会一起涨跌。但笔者发现，最关键的股票关联是随时间动态改变的。举例来说，今天 A股份（如科技业）和 B股份（能源业）可能因为共同供应链、或是某个总体经济事件而产生极高关联。这种隐性关联纽带，超越了传统的产业与地理界线之分，并且会不断重组。
此外，这些跨股票关联还可以揭示风险可能蔓延的方向（例如，供应链压力、流动性危机等），这对预警系统和压力测试至关重要。企业可以利用现有的人工智能和图像处理基础设施，以更好地理解这些复杂的金融和供应链网络。