另类数据：分类法与评估

某上海私募 200 亿规模的多空基金，研究主管周二下午把一份每年 280 万人民币的供应商材料推到你桌上：「沪深300 全部零售消费股的卫星停车场计数。raw IC = 0.06。先做一个季度试用，年合同 280 万。周五之前给 Go / No-Go。」你的因子库已经有一个 Wind / 通联 集成的「盈利预期修正」因子，同一标的池 raw IC = 0.055，年费 50 万。卫星这条信号是 280 万人民币的真 alpha 增量，还是 80% 旧因子的花哨重卖？L1 装的纪律是「基本面是双时间的」；本课要装的是 ​另类数据是被评估出来的，不是被买进来的​​。六个评估轴、四道合规闸、六阶段生命周期——周五下班前写完 Go / No-Go 备忘。

什么算「另类数据」

工作定义：另类数据（alternative data，alt-data）= 既不是 行情数据、也不是 基本面数据、也不是 参考数据的一切结构化数据产品。alt-data 是「剩余」——通常是爬取的、遥感的、情绪抽取的、聚合自交易明细的。定义性属性：alt-data 尚未在价格里——alpha 论断是该信号能在下一次财报披露 / 行业报告 之前 推动价格。等到供应商覆盖饱和，alpha 必然衰减。

八大类别分类法

行业（Eagle Alpha / J.P. Morgan / Greenwich Associates）已经收敛到大致相同的八个类别。把顺序与每类的滞后（lag）标注记牢，因为「滞后 vs 衰减」的赛跑就是一个信号生死的核心：

1. news + sentiment             — news firehose + per-headline sentiment score; lag < 1 minute
2. satellite + geospatial       — per-asset physical-world counts: parking lots, oil tanks, agriculture; lag 24-72h
3. web-scraped                  — job postings, product catalogues, price tracking; lag weekly typically
4. credit-card / consumer transactions — panel-of-card-issuers spending totals; lag 7-14 days; PIPL-constrained in CN
5. foot-traffic / mobile        — store-visit counts from mobile-location aggregation; lag next-day; PIPL-constrained in CN
6. social media                 — per-ticker mention volume + sentiment; lag seconds
7. ESG + carbon                 — per-company E / S / G scores + carbon-emission intensity; lag monthly-quarterly
8. weather + commodity-specific — weather grids tied to agricultural + energy demand; lag near-real-time

news + sentiment——同花顺 舆情、万得 资讯、通联 公告 + 舆情——输出每条新闻 [-1, +1] 区间情绪分 + 题材分类。打分层用 FinBERT 或 Loughran-McDonald 词典；模型架构前向指引到 2.6。

satellite + geospatial——Planet Labs 每日影像，SpaceKnow / Orbital Insight 提供分析即服务——输出停车场计数（零售）、油罐水位（能源）、农产品产量、集装箱、工地活动。24-72 小时滞后来自影像采集 + CV 处理。

web-scraped——拉勾网 + 智联招聘 + Boss 直聘 招聘数据、淘宝 + 京东 + 拼多多 商品目录（境内通过 同花顺行业数据 / 通联 归一化；直接爬取风险高）。生产规则：消费归一化版本，不要自己直接爬。

credit-card / consumer transactions 类别在 CN ​基本关闭​​：PIPL + 数据安全法 在缺乏个人同意时不允许研究用途。foot-traffic / mobile 同样：高德 / 百度 移动位置数据在 PIPL 下严格受限。

social media 覆盖 ​微博 + 雪球 + 东方财富 股吧 + 同花顺 互动易​​——这是 CN 最独特 且无国际等价物的 alt-data 池。输出：按标的提及量、情绪、散户注意力。

ESG + carbon 类别——​​WIND ESG 评级​​（买方主选）+ 商道融绿 + 中证 ESG，叠加 2022 年起的 ESG 披露框架。weather + commodity-specific——DTN / MetraWeather——天气网格喂给农业、能源大宗商品预测。

六轴评估框架

任意一份另类数据数据集，在做出生产决策之前都要过六个维度。纪律：raw IC 高 + orthogonality 低 = 「换了花哨包装的旧因子」；增量 IC 高 + 滞后 > 衰减半衰期 = 「先验地无用」；可用信号 + capacity < 你自己 AUM = 「对你具体而言无用」。

| axis            | definition                                                  | metric                                       | pass-fail rule                                          |
| orthogonality   | correlation between alt signal and existing factor stack    | pairwise correlation matrix                  | pass if max correlation with existing factors < 0.5     |
| incremental IC  | the IC of alt added on top of the baseline, NOT the raw IC  | incremental cross-sectional Pearson correlation | pass if incremental IC > threshold (e.g. +0.005)     |
| capacity        | the $-AUM the signal supports before market-impact decay    | simulated turnover-impact cost vs target AUM | pass if capacity >= target AUM                          |
| decay           | half-life of signal predictive power in trading days        | decay-curve fit                              | pass if half-life > vendor lag                          |
| lag             | wall-clock gap from real-world event to vendor delivery     | event-to-delivery time-stamp diff            | pass if lag < decay half-life                           |
| cost            | vendor list-price + integration + maintenance               | annualised total cost of ownership           | pass if cost < expected revenue from incremental IC     |

orthogonality 轴是「贵的错误」最常发生的地方：供应商说 raw IC = 0.06，等你签了字才发现该信号与你已有的「盈利 预期 修正」因子相关 0.85——你花 280 万买了一个你早就拥有的因子 15% 的提升。incremental IC 轴是正式的解药：把另类信号投影到基线因子组合的正交补空间，再在残差上算 IC。

# always evaluate alt-data on incremental IC over the baseline factor stack; the raw IC of a non-orthogonal signal is mostly a known factor in disguise
baseline_ic = corr(baseline_signal, forward_return)
alt_signal_orthogonal = alt_signal - linear_project(alt_signal, baseline_signal)
incremental_ic = corr(alt_signal_orthogonal, forward_return)

IC 机制（信号与远期收益的截面 Pearson 相关）前向指引到 4.2.3 / 4.3.1。capacity 轴背后是 Almgren-Chriss + Kyle's-lambda 容量框架与市场冲击 模型（4.1.1 L3 + 4.5.2 详述）。该评估纪律辐射到整个因子模型 研究分工：价值因子 / 质量因子 / 动量 / 因子暴露 与「夏普比率 + 信息比率 + Alpha 衰减」共同构成下游 4.2-4.3 输出口径——alt-data 的增量 IC 必须叠加到这组指标之上才算可考核。沪深300 上的 A 股 alt-data 评估遵循同一框架（CSRC 合规闸照常运行）。

decay 与 lag 这两轴是绑在一起的：lag = 真实世界事件到供应商投递之间的钟壁时间——新闻 < 1 分钟、社交 秒级、客流 次日、卫星 24-72 小时、信用卡 7-14 天、爬虫 周度、ESG 月度到季度。decay 半衰期 = 信号预测力衰减一半所需的交易日数。硬规则：lag > 半衰期，信号「死在到达之前」。新闻（lag < 1min，衰减 小时级）通过；用月度发布的 ESG 数据做日度 mean-reversion（lag 月度，衰减 日度）不通过。

cost 轴跨度极大：经济档的打包数据约每年 7 万人民币起，单类别旗舰产品可超 350 万人民币 / 年，再加约 3-12 周数据工程时间（按全成本人月计），以及约 list 价 20% / 年 的持续维护（schema 漂移、API 中断、EULA 重谈）。

四道合规闸

任意一份另类数据数据集都要过这四道闸——无例外。

1. MNPI       — material non-public information; could trading on this dataset constitute insider trading under SEC Rule 10b5-1 / CSRC 内幕交易 管理 办法
2. PII        — personally identifiable information; does the dataset cross individual privacy boundaries even after aggregation
3. GDPR / PIPL — cross-border-transfer + data-residency rules; GDPR for EU residents, PIPL for CN residents
4. EULA       — end-user license agreement; does the vendor contract explicitly permit financial-research and trading use, and are upstream data-source EULAs honoured

MNPI 闸有实打实的牙齿。美区 2014-2016 年 SEC 专家网络案（对冲基金 付费 给 paid consultants 拿非公开盈利信息）画出了现代执法边界；2021-2023 年的 alt-data MNPI 调查继续扩展边界。CN 一侧——证监会 关于 内幕 信息 与 内幕 交易 的 管理 办法 同样适用：测试是「一个理性股东会认为该信息一旦泄露具有重大性吗？该信息是否只能通过内部访问获取？」一份数据集被判 MNPI 风险，直接 block，没有讨价还价。

PII 闸最重压在 信用卡、客流、移动位置、个人 社交账号 这几类。生产规则：PII 在投递前就完成聚合（个人 标识符 永不跨越公司 边界），公司维持「谁访问了什么」的审计日志。

GDPR / PIPL 闸是数据驻留 + 跨境传输 法。GDPR 管辖 EU 居民个人数据；PIPL 个人信息保护法（2021-11 实施）+ 数据 安全 法 数据安全法（2021-09 实施）管辖 CN 居民个人数据 + PIPL 第 38-43 条 的出境传输。出境路径要么是 CAC 网信办 安全 评估（针对处理 > 100 万 CN 居民或 > 10 万 敏感 数据的处理者），要么是 CAC 标准 合同 + 个人 明确 同意；两条路径都是多月级流程。绝大多数 CN 买方机构选择把 CN 居民另类数据全部留在境内，永不出境。

EULA 闸检查供应商合同是否明确允许金融研究 + 交易用途，以及上游数据源的 EULA 是否被遵守。许多网络爬取数据集在这一闸折戟。

生产规则：​​任意一份另类数据数据集在获得研究访问之前都要过这四道闸，无例外。​

六阶段生命周期

过了四道合规闸之后，数据集走完六个阶段：

1. discover       — vendor outreach + dataset specification + business-case memo
2. evaluate       — one-quarter pilot with the six-axis framework on a hold-out window; compliance gate runs in parallel
3. pilot          — one-quarter live-paper-trade with the signal in shadow mode; no production-stack consumption
4. productionise  — integrate into the production research stack with full lineage + entitlement (via the L4 warehouse)
5. monitor        — weekly incremental IC + decay tracking, with threshold-alerts
6. decommission   — sunset when monitored incremental IC falls below threshold for N consecutive weeks (typically 4-8)

引用经验规则：​​大多数另类数据信号在广泛供应商覆盖之后 18 个月内衰减到噪声​​——拿到信号的第一家机构赚钱；到第三年信号已经是被市场定价的商品。这就是为什么 monitor 与 decommission 是平等公民阶段，而不是事后想起来才做的事情。Kolanovic 2017 年 J.P. Morgan 的报告普及了这条规则；之后多篇学术工作论文在卫星、社交、信用卡类别上验证了它。

CN 与 US 的分野，与纪律收尾

美区另类数据丰富、竞争激烈、在 GDPR 边界内 EULA 宽松；美国买方一年在另类数据上花 30-50 亿美元，主要类别都有多供应商竞争。CN 一侧由 PIPL + 数据 安全 法 主导，凡涉及个人追踪的类别（信用卡 / 客流 / 移动位置 / 个人 社交账号）基本对研究用途关闭；但 ​微博 + 雪球 + 东方财富 股吧 + 同花顺 互动易​ 的散户舆情、A 股 业绩 预告 + 业绩 快报 的强制提前披露、电商商品目录 + 价格 数据——这些 没有美区等价物 的数据池则独特丰富。操作规则：美式另类数据工具箱不能直接平移到 CN；任何涉及个体追踪的数据集须做 PIPL 合规改造；微博 / 雪球 / 股吧 / 同花顺 舆情 / 万得 资讯 是 CN 主选。

五句话收尾：另类数据是研究预算，不是魔法配方；签约前用六轴去评估；合规闸是 MNPI / PII / GDPR-PIPL / EULA 四维审核，没有商量余地；签约后每周监控增量 IC；alpha 没了就 decommission。

工作示例：CN 零售三巨头的卫星停车场

供应商给你 ​永辉超市 601933 / 中百集团 000759 / 高鑫零售 06808.HK​ 所有门店日度停车场计数。raw IC = 0.06，周度截面。基线「盈利预期修正」因子同标的池 raw IC = 0.055，卫星与之 corr = 0.6。

六轴评判。​​Orthogonality​​：corr 0.6，越过 0.5 硬阈值，borderline。​​Incremental IC​​：≈ raw IC × sqrt(1 − corr²) = 0.06 × sqrt(0.64) ≈ 0.048——通过。​​Capacity​​：声称 100 亿，研究台模拟验证——通过。​​Decay​​：半衰期 ~12 个交易日 > 1-3 日滞后——通过。​​Lag​​：24-72 小时——通过。​​Cost​​：280 万 / 年 + 6 周数据工程 ≈ 首年 340 万；按 50 亿规模与 incremental IC ≈ 0.048 估算年化 1500-3000 万——通过。

四道合规闸。​​MNPI​​：停车场是公共视野——通过。​​PII​​：无个体标识符——通过。​​GDPR / PIPL​​：卫星影像非个人数据——通过（须供应商书面声明 + 法务复核）。​​EULA​​：合同链条完整——通过。

Go / No-Go 备忘：「卫星停车场计数信号过 6 轴中的 5 项（orthogonality borderline，视作 部分替代 而非叠加）+ 4/4 合规闸。增量 IC ~0.048 在 50 亿 AUM 下足以覆盖首年 340 万 TCO。建议 evaluate → pilot 一个季度；pilot 结束以实测增量 IC vs 生产因子组合 决策。」

练习

\text{incremental IC} \approx IC_{\text{raw}} \cdot \sqrt{1 - \rho^2}

本课组装清单

本课按顺序组装的可核对件：

• Inline-code listing——八大另类数据类别 + 滞后 标注。
• Inline-code table——六轴评估框架映射到 定义 / 度量 / 阈值。
• Fenced ```python 代码块——增量 IC 计算（baseline IC、正交投影、残差 IC）。
• Inline-code listing——四道合规闸（MNPI、PII、GDPR / PIPL、EULA）。
• Inline-code listing——六阶段生命周期（discover、evaluate、pilot、productionise、monitor、decommission）。
• 练习——卫星停车场评估四问，含两条递进式 Hint。
• FormulaExplorer——增量 IC 近似公式 IC_inc ≈ IC_raw × sqrt(1 − ρ²)。

五句话的纪律收尾：另类数据是研究预算，不是魔法配方；签约前用六轴去评估；合规闸是 MNPI / PII / GDPR-PIPL / EULA 四维审核，没有商量余地；签约后每周监控增量 IC；alpha 没了就 decommission。

下一课

掌握了另类数据产品面与评估纪律之后，下一课打开 采集 plumbing——四种投递模式（REST API pull、WebSocket 流式 push、SFTP 文件 投递、S3 / 对象存储 投递）、幂等性 + schema 注册表 + quarantine 纪律、供应商对账 契约、权限治理 层——把数据集以 L4 仓库与下游研究台所依赖的完整性保证 送进 公司。本课走过的 discover 与 evaluate 阶段默认你已经有一条工作中的采集管线，L3 就是把它建起来。