“该研究使用Google专利数据，收集1976年后及之前的专利信息，并分析其引文网络。通过图神经网络模型（GNN），为每个专利生成向量，以测量发明间的相似性。重点关注过去十年发布的专利，进行集群分析，识别创新技术集群，并构建新技术暴露变量（NewTech），评估高技术暴露公司是否获得更高回报。”
资产类别：股票 | 地区：美国 | 频率：每月 | 市场：股票 | 关键词：专利创新、股票
策略概述
专利数据来自Google专利，研究不仅收集了1976年后的美国专利，还包括1976年前的专利及其在引文网络中的关联专利。使用图神经网络模型（GNN），为每个专利生成一个向量，通过该向量测量发明与其他发明的相似性。研究者基于专利引文网络进行集群分析，聚焦于过去十年内发布的专利，找出创新型技术集群。每年的数据重新分类发明，将其归为新技术相关的发明或非新技术发明。最后，构建了新技术暴露变量（NewTech），并通过组合分析评估拥有高技术暴露的公司是否能获得更高的回报。
策略合理性
作者提出的新技术投资策略基于对新技术的风险评估。投资于新技术相关公司虽然面临较高的不确定性和风险，但也可能带来更高的回报。通过分析美国专利的历史数据，使用深度学习模型将专利文本及其引文网络信息结合，识别出快速增长的技术集群，并形成投资组合策略。研究结果显示，基于此策略形成的投资组合能带来较高的超额收益。
论文来源
New Technologies and Stock Returns [点击浏览原文]
- Jinyoung Kim, Boston College
<摘要>
投资于新兴技术（如量子计算）是具有风险的。本文探讨了投资于具有高新技术曝光度的公司股票是否能够带来潜在的高回报。我收集了1976年至2021年间公开的所有美国专利发布，以及它们在引用网络中的第一跳和第二跳邻居专利。我利用文本信息和引用网络中的信息来检测技术集群，这些集群正在经历专利快速增长。通过购买具有高新技术曝光度的公司股票并卖出曝光度较低的公司股票（新技术减旧技术因子，NMO），构建了一个经过规模调整的市值加权投资组合。该投资组合产生了7.4%的年回报率，并根据不同的因子模型，产生了5.7%至14.7%的年化阿尔法收益。在Fama和MacBeth（1973年）对月度超额收益的回归分析中，企业对新技术的曝光度有显著的正向负载。我进一步展示了结果是由风险回报权衡所驱动的。
回测表现
| 年化收益率 | 5.54% |
| 波动率 | 11.83% |
| Beta | N/A |
| 夏普比率 | 0.47 |
| 索提诺比率 | N/A |
| 最大回撤 | N/A |
| 胜率 | 71% |
