量化策略｜A股另类数据：挖掘低相关“蓝海”Alpha收益

主要观点总结

本文介绍了另类数据在A股的应用价值，重点关注了分析师、行业、行为、企业特征和消费五大类数据。另类数据被用于挖掘低相关的Alpha收益，并且随着AI语言模型能力的提升，其在A股应用的前景更加广泛。文章还详细分析了各类数据的特征、应用价值和风险。

关键观点总结

关键观点1: 另类数据的应用和价值

文章介绍了分析师、行业、行为、企业特征和消费五大类，共9个细分类别另类数据，并进一步分析了这些另类数据的使用情况和应用价值。发现分析师和中观行业数据相对较成熟，行为数据应用中的AI语言模型加快新闻舆情和股吧数据应用，专利和财务附注信息价值受到重视。

关键观点2: 分析师数据的特点和应用

分析师数据更新快，策略相对成熟。分析师每日发布的研报中的文本和盈利预测信息都能实现当日入库使用。分析师预期相关策略已经发展较为成熟，在成长风格强势时，分析师策略的有效性相对较强。

关键观点3: 行业数据的应用逻辑

行业数据被大量应用于日常行业景气度跟踪。基于中观数据构建基本面量化策略的核心逻辑是从行业景气趋势指标中筛选景气度最高的行业组合，并进行行业择时判断。

关键观点4: 行为数据的价值和AI语言模型的作用

行为数据中新闻舆情和股吧数据构建选股因子的Alpha空间相对较高。AI语言模型的应用加速了新闻舆情和股吧数据的应用，使得新闻因子与基本面因子的相关性降低。

关键观点5: 企业特征数据的关注点

企业特征数据中专利数据和财务附注信息受到重视。专利数据在大盘成长股中选股能力较强，财务附注信息结构化的效率和质量有明显提升。