股票間關聯網絡 產生超額報酬收益
其規律是：當一組股票今天出現「領漲」走勢時，相關的「落後」股票往往明天也會跟著走。這種關聯性非常強，足以產生遠超過傳統投資策略所得的顯著效益。
抓到新型態超額報酬來源
筆者採用數據驅動的方法，將股票關聯網絡視為影像，並運用電腦視覺（Computer Vision）技術進行分析。
順筆一說，把股票關聯網路視為影像，並運用電腦視覺進行量化金融分析，是近年金融科技領域前沿且創新的數據驅動方法。
這種方法的核心邏輯，是將抽象的金融時間序列或市場結構「幾何化」與「視覺化」，並利用深度學習模型強大的空間特徵提取能力，來捕捉傳統統計學難以發現的非線性關聯與市場全局趨勢。
本文筆者不談研究細節，而集中闡述研究結果，給投資者作投資決策參考。在今日股市異常反覆波動下，理解這種股票間關聯網絡的作用和影響，尤具參考價值。
研究揭示，諸如「市值」、「價值」、「獲利能力」甚至「動量」等傳統解釋股票報酬的標準因子模式，無法作出解釋；而透過電腦視覺技術圖像辨識，則抓到傳統因子「看不見」的市場訊號，顯示市場上存在新型態的超額報酬（Alpha）來源，這個報酬來源，無法被傳統財務指標或過去的價格動量所歸納。
此外，筆者也發現，許多先前被稱為「因子動量」的現像，其實源自這些股票間的「領漲—滯後」效應；而且最重要的關聯會隨時間而變化，而不是像產業或地理等類別那樣固定不變。這個研究結果對投資者和企業管理者都有啟迪。
應視股市為動態網絡
對投資者和公司來說，應該將股票市場視為一個動態網絡，而不是一系列的孤立股票行情。有系統地辨識哪些股票領漲、哪些股票跟隨，可以創造額外的收益來源。
換言之，傳統習慣把股票依據「相同產業」（如半導體）」或「同地理區域（如美股）」劃分，並認為同類的股票就會一起漲跌。
但筆者發現，最關鍵的股票關聯是隨時間動態改變的。舉例來說，今天A股份（如科技業）和B股份（能源業）可能因為共同供應鏈、或是某個總體經濟事件而產生極高關聯。這種隱性關聯紐帶，超越了傳統的產業與地理界線之分，並且會不斷重組。
此外，這些跨股票關聯還能揭示風險可能蔓延的方向（例如供應鏈壓力、流動性危機等），這對預警系統和壓力測試至關重要。
企業可以利用現有的人工智能和影像處理基礎設施，以更好地理解這些複雜的金融和供應鏈網絡。
