1、出行链量化框架1：市场在定价什么？策略视角下的出行链投资投资要点1研究背景1.1三个递进的问题出行链行业研究中，我们持续跟踪产业的高频数据与季度经营数据。作为出行链分析师，每个季度都需要处理数十个甚至上百个信息维度。这些数据能否直接支持投资判断？其对研究的价值几何、价值何在，需要被定量地回答。我们把这个大问题拆成三个递进的小问题。问题一：只用高频数据能不能获取收益？需求热度能否预告股价涨跌？高频数据之间是什么关系？问题二：经营数据能不能变成可交易的信号？把“谁的生意更强”算出来，能否转化为“超配/低配”的择时指令并经得起回测？问题三：若不能交易，这些数据对本职研究值多少？提前读景气、给相对推荐

2、提供量化的锚，这些“研究价值”同样需要被定量评估。从结论来看：问题一的答案基本是否定的；问题二的答案是“统计显著、但不可交易”；真正的价值在问题三而且我们在回答问题三的过程中，得到了本篇最重要的增量结论：市场给酒店股定价时，看的是“房价（定价权）”而不是“入住率”。1.2数据：公开行情与高频经营数据本篇用到两类数据。第一类是公开行情：Wind全历史周K线（后复权），覆盖出行链22只个股与20家景区公司；为了把样本拉到足够长，酒店与OTA同时使用美股长历史（携程约22年、华住约16年）。第二类是经营数据：四家上市酒店集团（华住/锦江/首旅/亚朵）自2009年以来的季度RevPAR/ADR/OCC

3、（公告口径），以及酒店之家按城市线级mathcaltimes档次拆分的行业RevPAR/ADR/OCC周度数据（2019年起，无公司维度）；周度的航空数据来自航班管家、飞常准。1.3概念与记号：信号、IC、回测与夏普比率我们首先定义全文用到的一些概念。信号（signal）是一个在t期就能算出来的数字，用来预判“接下来谁强谁弱”，例如“华住RevPAR同比锦江RevPAR同比”。信息系数（IC）衡量信号的预测力，定义为信号与未来收益的相关系数：其中S为t期可见的信号，R为t期到_mathrmt+k期的（相对）收益。mathrmIC=0意味着信号纯属随机、毫无预测力；经验上，能稳定保持在0.1以上

4、的信号已属很强。IC在本篇里区分两个口径，默认报告RankIC。普通IC（Pearson相关）保留幅度信息，但容易被少数极端值左右；RankIC（Spearman秩相关）先把信号与收益各自换成排名再算相关，只问“信号排序能否预测收益排序”，对极端值稳健。本篇的基础数据多是几十个季度的小样本、且含2020-2022极端波动，普通IC易被个别极端季度撑起或压制，故全文默认使用RankIC，并在关键表格中并列给出普通IC作对照；两个口径明显分歧时会在正文专门说明。期数记号k全文统一：bfk=0表示信号与收益同属一季（“本季”），_mathrmk=+1表示用下一季的指标对照本季收益（“下季”），mat

5、hrmk=-1表示用上季信号，依此类推；周频场景下mathrmk以周计。回测（backtest）严格只用每个时点“当时已知”的信息，按既定规则模拟买卖，统计扣除交易成本后的累计收益。本篇所有回测均扣除单边20个基点（0.2%）的交易成本。夏普比率（Sharperatio）衡量收益的性价比：直观理解：每承担一份波动，换来多少超额收益。大于1属于不错；为负说明承担了波动还录得亏损。涉及统计推断时，我们报告t值衡量“该规律非运气”的把握程度，经验法则是|t|2即统计显著。两类场景需要更诚实的标准误，本篇分别处理并在相应表格注明：其一，重叠样本第4.3节联合回归的持有期收益跨季重叠，会人为放大显著性，

6、标准误统一采用Newey-West（HAC）方法校正；其二，截面相关第4.4节池化回归把四家公司堆进同一面板，同一季度内各家收益同涨同跌，t值按季度聚类校正。此外，对关键结论（第4.1节“预知下季”的IC、第4.2节背离回归的相关系数）另做块置换检验：把信号序列按时间块（每块4个季度）打乱数千次、收益序列保持不动，构造“本无规律”情形下统计量的分布，看真实值是否仍然极端，表中报作“置换p”。2纯价格信号的系统性证伪2.1全景扫描：哪些指标真的同向？在动用任何统计检验之前，我们把出行链上能拿到的指标两两放到一张图里，看谁和谁是真的“同涨同跌”。如果两条线真的高度相关，叠在一起应该几乎完全同向。我