从基金收益的来源谈起
　　为了能够更好地预测基金的未来收益，我们对基金业绩进行了拆解，将基金收益拆分为了基金经理持仓收益、基金经理交易收益以及打新收益三部分。通过自2017年以来的统计结果我们发现，主动股票型基金的收益主要由基金持仓部分所贡献。
　　经过进一步的验证，我们发现基金未来持仓收益与基金未来收益之间具有很强的相关性，未来持仓收益高的基金往往有更好的业绩表现。因此，对基金未来业绩的预测很大程度上可以通过对基金未来持仓收益的预测来体现。
　　从选股因子到选基因子
　　对于主动股票型基金而言，基金的持仓即为基金持有的股票组合，而基金持仓收益即为持仓中股票组合的收益。因此，我们借鉴了量化选股方面的研究成果，发掘对于股票未来收益具有一定预测性的因子，再将这些因子映射到基金的持仓中，以此来对基金未来的持仓收益进行预测。
　　在经过了市值和行业中性化之后，我们从基本面、技术面以及资金面等多个维度选择出了对股票未来业绩以及基金未来业绩同时具有显著预测效果的因子，构造了基金持仓收益因子。
　　基金持仓收益因子
　　我们将对于基金持仓收益具有显著预测性的因子合成了基金持仓收益因子。基金持仓收益因子对于基金业绩具有较为显著的预测能力，季度RankIC均值为9.94%，ICIR为1.06，多空年化收益为9.25%。
　　同时，基金持仓收益因子具有较强的特质性。我们从持仓收益因子与常见选基因子相关性、剥离常见选基因子后的增量信息以及将持仓收益因子加入到常见选基因子后是否能提升复合因子对基金收益的预测能力等维度进行了讨论与测试。测试结果表明，持仓收益因子能够对基金未来业绩进行有效预测，同时可提供常见选基因子之外的增量信息；在加入基金持仓收益因子后，新的复合选基因子具有更强的收益预测效果。
　　引入基金持仓收益因子的FOF组合构建
　　在引入持仓收益因子后，新的复合选基因子的IC均值为14.39%，ICIR为2.05，相对于原始综合选基因子预测能力显著提升。接着我们通过组合优化的方法构建基于板块控制的FOF组合，组合自2013年以来基本每年都在主动股基中排名前1/3，历年平均排名分位点23.51%。组合费后年化收益为22.75%，相对主动股基年化超额11.16%，年化跟踪误差4.89%，超额收益最大回撤6.13%，信息比2.28，超额收益回撤比1.82。从2013年以来的41个季度中，有36个季度均战胜了主动股基中位数，季度胜率高达87.8%，达到了稳定战胜主动股基的效果。
　　风险提示：市场环境变动风险，因子失效风险。
　　

研究报告全文：证券研究报告2023年04月18日金融工程专题研究FOF系列专题之七基金经理持仓收益与投资业绩核心观点金融工程专题报告从基金收益的来源谈起金融工程数量化投资为了能够更好地预测基金的未来收益我们对基金业绩进行了拆解将基金证券分析师张欣慰证券分析师刘凯021-60933159010-88005479收益拆分为了基金经理持仓收益基金经理交易收益以及打新收益三部分zhangxinwei1guosencomcnliukai6guosencomcnS0980520060001S0980522040002通过自2017年以来的统计结果我们发现主动股票型基金的收益主要由基金持仓部分所贡献相关研究报告经过进一步的验证我们发现基金未来持仓收益与基金未来收益之间具有很FOF系列专题之六基金经理波段交易能力与投资业绩2022-06-20强的相关性未来持仓收益高的基金往往有更好的业绩表现因此对基金FOF系列专题之五如何构建稳定战胜主动股基的FOF组未来业绩的预测很大程度上可以通过对基金未来持仓收益的预测来体现合2022-03-28FOF系列专题之四基金经理洞察能力与投资业绩基金经理前瞻能力的改进2021-08-18从选股因子到选基因子FOF系列专题之三基金经理调研能力与投资业绩2021-04-21对于主动股票型基金而言基金的持仓即为基金持有的股票组合而基金持FOF系列专题之二基金经理前瞻能力与基金业绩2020-10-28仓收益即为持仓中股票组合的收益因此我们借鉴了量化选股方面的研究FOF系列专题之一基金业绩粉饰与隐形交易能力成果发掘对于股票未来收益具有一定预测性的因子再将这些因子映射到2020-08-26CANSLIM行业轮动策略2022-06-06基金的持仓中以此来对基金未来的持仓收益进行预测公募基金持仓还原及其实践应用2021-12-163M板块轮动策略2021-11-30在经过了市值和行业中性化之后我们从基本面技术面以及资金面等多个维度选择出了对股票未来业绩以及基金未来业绩同时具有显著预测效果的因子构造了基金持仓收益因子基金持仓收益因子我们将对于基金持仓收益具有显著预测性的因子合成了基金持仓收益因子基金持仓收益因子对于基金业绩具有较为显著的预测能力季度RankIC均值为994ICIR为106多空年化收益为925同时基金持仓收益因子具有较强的特质性我们从持仓收益因子与常见选基因子相关性剥离常见选基因子后的增量信息以及将持仓收益因子加入到常见选基因子后是否能提升复合因子对基金收益的预测能力等维度进行了讨论与测试测试结果表明持仓收益因子能够对基金未来业绩进行有效预测同时可提供常见选基因子之外的增量信息在加入基金持仓收益因子后新的复合选基因子具有更强的收益预测效果引入基金持仓收益因子的FOF组合构建在引入持仓收益因子后新的复合选基因子的IC均值为1439ICIR为205相对于原始综合选基因子预测能力显著提升接着我们通过组合优化的方法构建基于板块控制的FOF组合组合自2013年以来基本每年都在主动股基中排名前13历年平均排名分位点2351组合费后年化收益为2275相对主动股基年化超额1116年化跟踪误差489超额收益最大回撤613信息比228超额收益回撤比182从2013年以来的41个季度中有36个季度均战胜了主动股基中位数季度胜率高达878达到了稳定战胜主动股基的效果风险提示市场环境变动风险因子失效风险请务必阅读正文之后的免责声明及其项下所有内容证券研究报告内容目录从基金收益的来源谈起4从选股到选基7选股因子的中性化处理8选股因子测试8结合基金持仓构建选基因子9基金持仓收益因子13基金持仓收益因子的构成13基金持仓收益因子相对传统选基因子的增量15引入基金持仓收益因子的FOF组合构建18稳定战胜主动股基中位数并非易事18基于板块控制的FOF组合构建19总结24参考文献25附录1选基因子简介26附录2主动股基p分位数指数28免责声明29请务必阅读正文之后的免责声明及其项下所有内容2证券研究报告图表目录图1基金收益的拆解方式4图2基金A收益来源拆解5图3主动股票型基金收益拆解5图4不同业绩排名基金的收益拆解6图5不同换手率水平基金的收益拆解6图6基金持仓收益与基金真实收益IC测试7图7基金持仓收益与基金真实收益分组测试7图8基金持仓穿透后的收益预测8图9特异度因子选股能力十档分组测试9图10股息率因子选股能力十档分组测试9图11基金持仓还原法流程9图12基金持仓权重调整流程11图13基金经理持仓收益因子筛选框架11图14特异度因子选基能力十档分组测试12图15股息率因子选基能力十档分组测试12图16全市场股票股息率和主动股票型基金股息率对比12图17基金持仓收益因子IC测试14图18基金持仓收益因子十档分组测试14图19过往研究回顾15图20原始综合选基因子与基金持仓收益因子相关性16图21剥离常见选基因子后基金持仓收益因子分组测试17图22原始新综合选基因子以及基金持仓收益因子RankIC走势18图23原始新综合选基因子以及基金持仓收益因子十档分组测试18图242022年年报主动股基平均行业配置证监会中信以及Wind行业分类口径20图25基于板块控制的FOF组合净值表现22图26基于板块控制的FOF组合季度排名分位点及超额收益23图27基于板块控制的FOF组合加权平均规模23图28基于板块控制的FOF组合持仓基金数量23图29主动股基中位数指数与偏股混合型基金指数走势28图30主动股基中位数指数与偏股混合型基金指数收益对比28表1持仓收益因子列表13表2持仓收益因子测试结果13表3因子取值相关系数右上三角与因子RankIC相关系数左下三角14表4持仓收益因子与原始大类因子取值相关系数右上三角与因子RankIC相关系数左下三角16表5连续3年每年排名前N分位点的主动股基占比18表62010-2022年任意两年间业绩排名前20主动股基的年化超额收益19表7基于板块控制的FOF组合分年度绩效统计22请务必阅读正文之后的免责声明及其项下所有内容3证券研究报告在之前的FOF系列专题报告中我们构建了隐形交易能力业绩洞察能力基金规模机构关注度基金员工信心以及波段交易能力等不同的选基因子将这些因子等权合成综合选基因子对基金的未来业绩具有较好的预测效果本篇报告我们将尝试从基金收益拆解的视角出发对基金的收益来源进行探究进而探索对基金未来收益进行预测的新方法从基金收益的来源谈起为了能够更好地预测基金的未来收益我们首先对基金业绩进行了拆解以此了解基金收益的来源我们将基金收益拆分为了基金经理持仓收益基金经理交易收益以及打新收益三部分其中基金经理持仓收益是指通过买入并持有基金经理季报时点披露持仓中个股组合获得的收益基金经理交易收益是指基金经理通过调仓换股或者波段交易所产生的收益打新收益是指基金经理通过参与申购新股获得的收益我们使用2020年12月9日发布的公募打新全解析历史建模与实践中计算基金打新收益的方法对基金的打新收益进行测算通过观察不同来源的收益对基金整体收益的贡献我们可以抓住影响基金收益的主要因素以帮助我们更好地预测基金的未来收益图1基金收益的拆解方式资料来源国信证券经济研究所绘制我们以某主动股票型基金A为例并以中证800指数为业绩基准将基金A自2017年以来每个月的超额收益在持仓交易打新这三个维度进行拆解分为持仓收益交易收益以及打新收益三部分其中持仓收益的计算方式为基金最近季报时点披露的补全持仓组合在未来一个月的收益减去基准收益打新收益为基金当月通过打新获取的收益部分交易收益为基金超额收益减去持仓收益与打新收益后的剩余部分后文的其它基金拆解分析也与此类似我们均以中证800指数为业绩基准对基金的超额收益进行持仓交易打新三部分的拆解基金A的收益拆解结果如图2所示从总样本期来看基金A的累计收益为10003其中累计持仓收益交易收益以及打新收益分别为9983-1511以及1531分别贡献了累计总收益的7665-116以及1175整体来看基金A的收益主要由基金持仓部分所贡献请务必阅读正文之后的免责声明及其项下所有内容4证券研究报告图2基金A收益来源拆解资料来源Wind国信证券经济研究所整理接下来我们也同样对全体主动股票型基金包括普通股票型偏股混合型以及灵活配置型基金且过去连续4个报告期股票仓位均大于70的收益来源进行了考察将其自2017年一季度以来的收益进行了拆解结果如图3所示图3主动股票型基金收益拆解资料来源Wind国信证券经济研究所整理自2017年以来主动股票型基金的累计收益为6912其中持仓收益交易收益以及打新收益分别为4924077以及1911分别贡献了累计收益的7124111以及2765考虑到不同业绩排名基金的收益来源可能存在一定差异我们在每个季度对过去一年所有主动股票型基金的业绩进行排名对其中排名在前20和后20基金的收益进行了拆解结果如图4所示请务必阅读正文之后的免责声明及其项下所有内容5证券研究报告图4不同业绩排名基金的收益拆解资料来源Wind国信证券经济研究所整理自2017年以来业绩排名前20基金的累计收益为11643其中累计持仓收益交易收益以及打新收益分别为8259161以及1774分别贡献了累计收益的70941383和1524业绩排名后20基金的累计收益为4208其中持仓收益交易收益以及打新收益分别为297-575以及1813分别贡献了累计收益的5543-1073和3384其中值得注意的是绩优基金的交易收益为正说明绩优基金具备一定的调仓换股能力但即便如此持仓收益依然是基金收益的大部分来源此外我们从换手率的角度出发在每个季度将换手率最高的20的基金定义为高换手率基金将换手率最低的20的基金定义为低换手率基金并分别对这两类基金的收益来源进行了拆解结果如图5所示图5不同换手率水平基金的收益拆解资料来源Wind国信证券经济研究所整理可以看到自2017年以来高换手率基金的累计收益为5469其中持仓收益交易收益以及打新收益分别为4232-354以及1591分别贡献了累计收益的6852-573以及2575低换手率基金的累计收益为8652其中持仓收益交易收益以及打新收益分别为51661345以及2141分别贡献了累计收益的59711554以及2475可见不论对于高换手率基金还是低换手率基金持仓收益对基金整体收益均有较大的贡献打新收益在不同年份的贡献不一得益于科创板和创业板注册制的推出2019年请务必阅读正文之后的免责声明及其项下所有内容6证券研究报告和2020年打新收益贡献明显但2021年之后打新收益贡献快速下滑长期综合来看主动股票型基金的收益主要由基金持仓部分所贡献因此基金的持仓收益很大程度反映了基金的未来收益进而我们猜想假如能够预测基金季报时点持仓股票的收益是否就能基本预测出基金的未来收益为验证这一想法我们进一步测试了基金持仓收益与基金实际收益的相关性具体来说在每个月月底我们使用基金的持仓如果最新披露半年报或者年报则使用全部持仓如果为季报则使用还原后持仓详细的做法可以参考国信金工团队于2021年12月16日发布的专题报告公募基金持仓还原及其实践应用计算基金持有的股票组合在下一季度的收益假设我们预知未来一个季度的个股收益我们将上述方法计算出的未来持仓收益作为因子值与基金在下一季度的真实收益进行对比测试结果如图6和图7所示图6基金持仓收益与基金真实收益IC测试图7基金持仓收益与基金真实收益分组测试资料来源Wind国信证券经济研究所整理资料来源Wind国信证券经济研究所整理从统计结果可以看到基金持仓收益与实际收益的RankIC均值为3502RankICIR为437多空年化收益为2962预测效果十分显著我们由此得出结论基金未来持仓收益与基金未来收益之间具有很强的相关性未来持仓收益高的基金往往有更好的业绩表现因此对基金未来业绩的预测很大程度上可以通过对基金未来持仓收益的预测来体现从选股到选基对于主动股票型基金而言基金持仓收益即为持仓中股票组合的收益因此我们自然联想到能否通过预测股票未来收益来对基金的未来持仓收益进行预测这样一来我们对基金持仓收益的预测很大程度就转化成了对股票未来收益的预测国信金工团队在多因子选股领域深耕多年我们借鉴了团队在多因子选股维度的研究成果发掘对于股票未来收益具有一定预测性的因子再将这些因子映射到基金的持仓中以此来对基金的持仓收益进行预测具体来说如图8所示基金的持仓收益等于其持有所有股票的未来收益乘以相应持仓权重之和而每只股票的未来收益又等于收益模型下各收益预测因子得分乘以对应权重之和公式表达如下请务必阅读正文之后的免责声明及其项下所有内容7证券研究报告其中为基金的季报时点补全持仓收益为基金持有第只股票的权重为第只股票的未来收益为股票的第个收益预测因子的权重为股票的第个收益预测因子图8基金持仓穿透后的收益预测资料来源国信证券经济研究所绘制由此通过穿透基金的持仓我们对基金的持仓收益预测问题就转化成了对季报时点持仓股票组合的收益预测问题接下来我们的研究主要分为两大部分第一部分是对选股因子进行测试在对因子中性化处理后我们希望选择出在股票层面具有显著预测性的因子第二部分是对选基因子进行测试在对基金持仓进行还原后我们结合基金的持仓结构将预测效果较好的选股因子构造成选基因子并进行测试选择选基效果依然较好的因子作为我们最终的持仓收益因子选股因子的中性化处理在我们使用因子进行选股时我们通常希望选股因子能够独立地预测股票在未来的收益不受到市场风格所处行业涨跌等外界因素的扰动使得选出的股票不具有与因子本身无关的风格暴露因此在判断某一个因子是否有解释能力的时候我们首先需要排除其它变量比如行业市值的干扰对因子这样的处理称为因子中性化考虑到个股因子可能会受到市场大小盘行业等风格的影响我们在计算选股因子时对股票的市值和行业做了中性化处理经过市值和行业中性化后的因子计算方式如下1其中为股票的原始因子为市值因子即总市值的对数为中信一级行业的哑变量即如果股票属于行业则暴露度为否则为0-110为回归方程的截距项为回归后残差部分将其作为原因子在进行了市值和行业中性化后的新因子选股因子测试在经过了市值和行业中性化之后我们从基本面技术面以及资金面等多个维度选取了在股票市场中有效的Alpha因子并对因子在选股层面的预测性做出了测请务必阅读正文之后的免责声明及其项下所有内容8证券研究报告试选择出了对股票未来业绩预测效果较好的因子将它们作为后续构建选基因子的备选具体来说我们要求因子与股票未来收益的RankIC2RankICIR1且多空年化收益率5我们以特异度指标和股息率这两个因子为例进一步说明我们在股票层面选择有效因子的过程特异度指标的计算由过去一个月个股的日度收益率对FamaFrench三因子回归取得到2其中为个股收益率1为市场收益2率3为市值因子为账面价值因子为回归后个股的超额收益为回归后残差部分上述回归方程的即为个股的特异度因子2股息率因子DividendRateTTM的计算公式为股息率股息TTM总市值图9特异度因子选股能力十档分组测试图10股息率因子选股能力十档分组测试资料来源Wind国信证券经济研究所整理资料来源Wind国信证券经济研究所整理由图9和图10可知在经过市值以及行业中性化之后特异度因子月度RankIC均值为728年化RankICIR为299多空年化收益为2285股息率因子的月度RankIC均值为418年化ICIR为269多空年化收益为1115特异度因子和股息率因子因子均在个股层面的预测表现较好因此我们将它们作为后续构建选基因子的备选结合基金持仓构建选基因子在选择了在股票层面预测效果较好的因子之后我们接下来将选股因子与基金持仓相结合测试因子在选基层面的预测效果图11基金持仓还原法流程资料来源国信证券经济研究所绘制请务必阅读正文之后的免责声明及其项下所有内容9证券研究报告我们首先对基金的完整持仓进行了还原主要还原步骤如图11所示概括来说我们遵循已知持仓管理人持仓回归拟合的优先原则综合基金持仓和基金收益率两个维度的数据分三个阶段还原基金全部持仓1基金的已知持仓是能够直接获得的基金持仓可信度最高已知持仓包括基金季报中的前十大重仓股和上市公司前十大流通股东数据当基金出现在上市公司前十大流通股东内时可以反向推算出基金持有该股票的权重2基金管理人持仓来自于同基金经理在其他基金中的同期持仓和本基金的上期持仓可参考性相对较高管理人持仓是指该基金经理同期管理的其他基金中的已知持仓简称基金经理同期持仓和本基金的上期持仓在使用基金经理同期持仓时我们仅参考已知持仓重合度高的基金持仓在使用本基金的上期持仓时我们剔除了新股和尾部权重较小的股票3如果用已知持仓和管理人持仓不能充分还原基金全部持仓则参考基金收益信息使用回归拟合的方法在备选股票池中选出对基金收益拟合度最高的股票作为基金持仓备选股票池基于基金经理近期调研股票记录同基金公司股基持仓公募股基持仓中证800港股通成份股进行构建为了避免填入过多股票使用断尾的方法限制股票放入数量上限然后基于OLS回归筛选出对基金收益拟合度最高的股票放入基金的持仓详细的做法可以参考国信金工团队于2021年12月16日发布的专题报告公募基金持仓还原及其实践应用在还原了基金的完整持仓后我们对基金持股权重进行了调整具体流程如下1剔除了基金经理没有重点关注或因打新公司停牌等原因而被动持有的权重很小的股票将基金持股权重在05以下的个股剔除2对于持仓权重大于05的股票我们采用分级靠档的调整方式将持仓权重后向上取整如某基金持有A股票的权重为246则向上取整为3以保证加权权重的稳健性3不少基金公司对基金经理重仓的个股有严格的考评制度对于持仓权重5以上的个股要求有调研及深度的研究覆盖所以我们认为基金经理持仓5以上权重的股票都是其重视的股票不再对5以上的权重加以区分这里我们将基金经理持有个股的权重做截尾处理即持仓5以上的权重统一按照5来计算4将以上步骤得到的调整权重在截面做归一化处理得到的新权重图12以一个案例展示了基金持股权重的调整流程请务必阅读正文之后的免责声明及其项下所有内容10证券研究报告图12基金持仓权重调整流程资料来源国信证券经济研究所绘制通过分级靠档和权重上限截尾的调整我们弱化了股票权重变化对收益预测模型的影响最终我们将经调整后的权重作为持仓股票在加权时的新权重对选股因子取加权平均即得到相应的选基因子在结合了基金持仓将选股因子构造为选基因子后我们希望该因子在选基层面仍具有较好的预测效果具体来说我们要求选基因子与基金未来一个季度收益的RankIC2RankICIR03且多空年化收益率2图13基金经理持仓收益因子筛选框架资料来源国信证券经济研究所绘制我们仍以特异度指标和股息率这两个因子为例进一步说明我们在选基层面测试因子有效性的过程请务必阅读正文之后的免责声明及其项下所有内容11证券研究报告图14特异度因子选基能力十档分组测试图15股息率因子选基能力十档分组测试资料来源Wind国信证券经济研究所整理资料来源Wind国信证券经济研究所整理从图14的特异度因子十档分组测试结果可以看到特异度因子不但在选股层面表现较好同时对于预测基金持仓收益也有较好的表现在全样本期特异度因子在选基层面的季度RankIC均值为726年化RankICIR为263多空年化收益率为664是较为有效的选基因子然而如图15所示股息率因子对基金持仓收益的预测效果却并不显著月度RankIC均值为254年化ICIR值为021且十档分组效果呈现出较为混乱的排列为什么在选股层面有效的因子转化到选基层面可能会失效我们尝试对股息率因子在选基层面预测效果不佳的原因进行分析我们首先对全市场股票每年的股息率进行了统计按照个股流通市值对全市场股票的股息率进行加权得到全市场股票的加权平均股息率接着我们以全体主动股基对每只股票的持仓市值作为权重计算了主动股票型基金持有股票在每年的平均股息率记为主动股基股息率我们知道主动基金经理整体的配置风格偏向于成长如图16所示自2010年以来主动股基配置股票的股息率每年都低于全部A股的整体股息率大多数的基金经理在选股时并不会把股息率作为重要指标由于主动股基长期在股息风格上暴露较低因此股息率因子在选基层面的效果不佳图16全市场股票股息率和主动股票型基金股息率对比资料来源Wind国信证券经济研究所整理可见并非所有对选股有效的因子都同样适用于选基因此在结合基金持仓构造因子时还需要对因子在基金选择层面的表现加以考察和筛选请务必阅读正文之后的免责声明及其项下所有内容12证券研究报告基金持仓收益因子基金持仓收益因子的构成根据上一章节介绍的选基金因子筛选流程结合国信金工团队自建的选股因子库我们最终从在股票市场中有效的Alpha因子中选出了在基金层面依然有较好预测效果的因子作为持仓收益因子大类下的二级因子因子主要包括如表1所示表1持仓收益因子列表因子简称因子名称计算方式个股盈余公告次日开盘价昨日收盘价-中证500指数次日AOG盈余公告次日开盘跳空超额开盘价昨日收盘价详见国信金工2021年12月14日发布的专题报告动量类因子全解析Amihud20Amihud非流动性过去一个月日度收益率绝对值成交额的均值Retearn2At留存收益比率留存收益总资产IVFF3Rsquare特异度过去一个月日度收益率对FamaFrench三因子回归取R方EPQ单季度EP单季度归母净利润总市值CFO经营活动产生的现金流量净额经营活动现金流量净额总资产Rdexp2p研发费用市值比研发费用自由流通市值AmtStd成交额波动率过去一个月成交额的波动率NetInflowLarge大单资金净流入大单资金买入额-大单资金卖出额ProfitRatio利润率单季度营业利润单季度营业收入ROAROATTM净利润TTM总资产资料来源国信证券经济研究所整理我们统计了上述因子在多空年化收益RankIC均值RankICIRRankIC胜率以及十档分组这几个维度的表现以展示这些因子分别在预测股票收益和预测基金持仓收益方面的能力从表2可以看到每个因子对股票未来业绩以及基金未来持仓收益都有显著的预测作用表2持仓收益因子测试结果资料来源Wind国信证券经济研究所整理接下来我们统计了上述因子间的相关性其中下表中右上三角展示了选基因子在截面取值的相关性左下三角展示了选基因子IC序列的相关性请务必阅读正文之后的免责声明及其项下所有内容13证券研究报告表3因子取值相关系数右上三角与因子RankIC相关系数左下三角IVFF3NetInflowAOGRetearn2AtAmihud20Rdexp2pEPQProfitRatioCFOAmtStdROARsquareLargeAOG-003015007001017014006002004013Retearn2At-010-008002-015009042033014008066Amihud20006-024027012011014002009016010IVFF3-007005037003-004006001001011013RsquareRdexp2p000-042008007024-013-018025008-027EPQ013015-022-028025006009021022004ProfitRatio009019032027-025-061028005-005068CFO009061-021-010-053009014003002034AmtStd005010-007-010048037-009-017044011NetInflow003025-011-022018055-039-004049003LargeROA007062021027-055-040077041-012-018资料来源Wind国信证券经济研究所整理从表3可以看到各个因子之间取值相关系数较低长期相关系数绝大多数都在03以下最后我们将选择出来的所有可以用来预测基金持仓收益的因子等权合成为持仓收益因子图17展示的是基金持仓收益因子的IC测试结果基金持仓收益因子的季度RankIC均值为994ICIR为106图18展示的是基金持仓收益因子的十组分档测试持仓收益因子第十组因子得分最高一组年化超额收益为545多空年化收益为925可见持仓收益因子能够显著对基金未来持仓收益产生较强预测能力图17基金持仓收益因子IC测试图18基金持仓收益因子十档分组测试资料来源Wind国信证券经济研究所整理资料来源Wind国信证券经济研究所整理由前面的测试结果可以看到持仓收益因子对基金业绩有较强的预测作用持仓收益因子得分越高的基金统计上看未来的业绩表现会更好那么基金的持仓收益因子与常见选基因子的相关性如何是否对于常见选基因子具有增量信息下面我们将就此进行讨论与检验请务必阅读正文之后的免责声明及其项下所有内容14证券研究报告基金持仓收益因子相对传统选基因子的增量在国信金工团队往期的FOF系列专题中我们介绍过7大类选基因子包括隐形交易能力因子收益类因子机构关注度因子基金规模因子员工信心因子业绩洞察能力因子和波段交易能力因子因子的具体构建方式详见附录1关于选基因子我们在此做简单的回顾具体内容可参考国信金工团队前期的FOF系列专题报告在2020年8月26日发布的报告基金经理业绩粉饰与隐形交易能力中构造了隐形交易能力因子和业绩粉饰因子在2020年10月28日发布的报告基金经理前瞻能力与基金业绩中介绍了衡量基金经理提前布局超预期股票能力的因子业绩前瞻能力因子此外还介绍了收益类选基因子TM-FF超额收益因子夏普率因子机构关注度因子基金规模因子和员工信心因子在2021年4月21日发布的报告基金经理调研能力与投资业绩从基金经理调研次数和基金经理调研质量两个维度介绍了基金经理调研能力因子在2021年8月18日发布的报告基金经理洞察能力与投资业绩基金经理前瞻能力的改进中对前瞻能力因子做了更为全面和细致的改进构造了收益预测效果更好的基金经理洞察能力因子在2022年6月20日发布的报告基金经理波段交易能力与投资业绩中我们从区间累计买卖交易明细数据中捕获了基金经理的波段交易能力图19过往研究回顾资料来源国信证券经济研究所绘制对于基金持仓收益因子的特质我们将从持仓收益因子与常见选基因子相关性剥离常见选基因子后持仓收益因子表现将持仓收益因子加入到常见选基因子后是否能提升复合因子对基金收益的预测能力这几个维度进行讨论与测试表4所展示的是持仓收益因子与7大类因子之间的相关性其中右上三角展示了选基因子截面取值的相关性左下三角展示了选基因子RankIC序列的相关性请务必阅读正文之后的免责声明及其项下所有内容15证券研究报告表4持仓收益因子与原始大类因子取值相关系数右上三角与因子RankIC相关系数左下三角收益类因子隐形交易能力业绩洞察能力基金规模机构关注度基金员工信心波段交易能力持仓收益因子收益类因子039020010016013011009隐形交易能力053005019010012019006业绩洞察能力044008007000-001002030基金规模020035004012023008009机构关注度002031-023006028004006基金员工信心-008017-040030028005008波段交易能力-005015018003011-013004持仓收益因子-005026009020028028039资料来源资料来源Wind国信证券经济研究所整理可以看到各选基因子截面取值的长期相关性较低均不超过03其中持仓收益因子与其余选基因子的相关性普遍较低与收益类因子隐形交易能力因子基金规模因子机构关注度因子员工信心因子以及波段交易能力因子的相关性均在01以下与业绩洞察能力因子取值的相关性最高但也只有03由此我们可以看到持仓收益因子与常见选基因子均有较低的相关性具有相对独立的信息增量接下来我们将之前研究提出的收益类因子机构关注度因子基金规模因子隐形交易能力因子员工信心因子业绩洞察能力因子和波段交易能力因子这七大类等权合成为一类因子作为原始的综合选基因子对原始综合选基因子与基金持仓收益因子进行相关性检验图20原始综合选基因子与基金持仓收益因子相关性资料来源Wind国信证券经济研究所整理经测试原始综合选基因子与基金持仓收益因子的长期相关性较低仅为012且2015年以来整体相关性更低一些为008因此可以看出两大类因子彼此较为独立各自拥有与彼此异质的独特信息如果长期来看相关性较低的两类因请务必阅读正文之后的免责声明及其项下所有内容16证券研究报告子各自对基金未来收益均具有一定预测性的话那么这两类因子进行线性合成将产生较大增益接着我们尝试将持仓收益因子对常见选基因子进行剥离即对常见选基因子进行中性化考察中性化后因子的表现持仓收益因子1122n其中为待剥离因子这里的待剥离因子包括收益类因子机构关注度基金规模业绩洞察能力隐形交易能力基金员工信心以及波段交12易能力因子我们考察剥离其他选基因子后的残差项的选基金能力图21剥离常见选基因子后基金持仓收益因子分组测试资料来源Wind国信证券经济研究所整理从图21可看出中性化后的持仓收益因子仍然维持了不错的单调性第十组持仓收益因子得分最高组的年化超额收益为201从上面的测试可以看出尽管一些常见选基因子已经具有不错的收益预测能力但持仓收益因子在剥离了这些因子的影响后依然具有一定的收益预测效果从这个角度来看持仓收益因子相对于常见选基金因子而言也具备一定的增量信息因此我们将持仓收益因子加入到常见选基因子中考察先前的7类因子等权复合后形成的原始选基因子与加入了持仓收益因子后的新综合选基因子的表现图22所展示的是加入持仓收益因子后新的综合选基因子与原始综合选基因子的RankIC走势对比可见加入了持仓收益因子后的新综合选基因子的累计RankIC可以较为稳定地超过原始综合选基因子原始复合选基因子的RankIC均值为1288ICIR为223在加入持仓收益因子后新的复合选基因子的IC均值为1439ICIR为205新的选基因子拥有更高的IC均值从图23所展示的十组分档测试对比可以看到原始综合选基因子第十组因子得分最高一组年化超额收益为557多空年化收益为1026在加入持仓收益因子后新的综合选基因子第十组年化超额收益为678多空年化收益为1237加入持仓收益因子后新的复合选基因子具有更强的多头组合更高的多空年化收益请务必阅读正文之后的免责声明及其项下所有内容17证券研究报告图22原始新综合选基因子以及基金持仓收益因子图23原始新综合选基因子以及基金持仓收益因子十档分组RankIC走势测试资料来源Wind国信证券经济研究所整理资料来源Wind国信证券经济研究所整理至此我们完成了持仓收益因子的构建与测试测试结果表明持仓收益因子能够对基金未来业绩进行有效预测同时可提供常见选基因子之外的增量信息加入持仓收益因子后新的复合选基因子具有更强的收益预测效果引入基金持仓收益因子的FOF组合构建随着基金市场的扩大基金数量越来越多市场上主动股基的风格以及业绩的分化度也越来越高因此一只基金在多变的市场环境下想要稳定战胜主动股基的中位数也越来越难正因如此构建出能够长期在各种市场环境下都能稳定战胜主动股基中位数的FOF组合具有非常重要的意义和巨大的市场需求稳定战胜主动股基中位数并非易事表5展示了连续3年每年业绩排名前N分位点的主动股基占比从滚动3年的时间维度来看可以连续3年战胜主动股基中位数的基金平均占比为1355连续3年每年都排名处于前30的主动股基占比仅为330而仅有011的主动股基可以做到连续3年每年都排名处于前10可见能够做到连续稳定战胜主动股基中位数的基金并非易事表5连续3年每年排名前N分位点的主动股基占比年份10分位点20分位点30分位点40分位点50分位点2010-20120000001721728622011-201300016148480613712012-20140000001635438702013-201500000009446911272014-201604408835161412722015-201700008542680914892016-2018034168505107719872017-201900011427354712302018-2020019171590101018292019-202102817137098217352020-20220000322056031131平均0110903306941355资料来源Wind国信证券经济研究所整理请务必阅读正文之后的免责声明及其项下所有内容18证券研究报告此外我们统计了自2010年至2022年任意两年间业绩排名在20分位点的主动股基相对同期主动股基业绩中位数的年化超额收益结果如表6所示表62010-2022年任意两年间业绩排名前20主动股基的年化超额收益2010201120122013201420152016201720182019202020212022201083643832840725640534031425821322724920120114493944614143964264183283683452852462012583525536468483423346342361320282201312167158096354783764074313892952014127110226846424695024844482852015189493579257953555140930420168368526375295544163912017132867364367555644920185766677256765042019139913551007643202019481284740202117317922022667资料来源Wind国信证券经济研究所整理可以看到当投资的时间周期越长时排名前20基金所需实现的年化超额收益越小例如在2018年至2022年的5年间主动股基排名前20分位点的基金与中位数相差为504但在2013年至2022年的10年周期下下主动股基排名前20分位点的基金与中位数的年化超额仅有295也就是说如果基金管理人能获得相对同业平均3以上的年化超额其自2013年以来的10年期业绩将在同业中排到前20因此当拉长周期来看主动股基之间的收益差异趋于收窄主动股基的长期业绩回报可谓是积跬步以至千里如果能够构建每年稳定战胜主动股基中位数的组合那么其长期业绩排名将处于相对靠前的位置从中短期持有体验来看投资者的持有体验能够得以提升这将是极具性价比的投资模式由此可见构建出能够长期在各种市场环境下都能稳定战胜主动股基中位数的FOF组合具有非常重要的意义为此我们尝试使用包含基金持仓收益因子和其它常见选基因子的多因子选基模型来构建出相应的FOF组合以达到长期稳定战胜主动股基指数的目的基于板块控制的FOF组合构建如果我们简单地通过综合选基因子来选择得分最高的基金来构建基金组合容易导致基金组合在单一行业或者板块上的过多暴露造成组合在行业或板块上相对主动股基出现较大的偏离从而导致组合表现出现较大波动因此我们尝试从控制FOF组合的行业配置入手希望尽可能降低组合相对于主动股基的最大回撤图24分别展示了证监会中信以及Wind行业分类口径下2022年年报的主动股基平均行业配置比例请务必阅读正文之后的免责声明及其项下所有内容19证券研究报告图242022年年报主动股基平均行业配置证监会中信以及Wind行业分类口径资料来源Wind国信证券经济研究所整理从图24中可以看到不同分类下的行业结构差别也非常大其中证监会行业分类下主动股基的平均行业配置呈现出较强的集中性有超过70的权重集中在制造业中而中信行业分类体现出较强的分散性最大的一级行业配置权重不超过15而在Wind行业分类下主动股基的平均行业配置则相对均衡一些并且板块的划分颗粒度适中具体而言证监会一级行业分类将股票分成了制造业金融业房地产业等19个行业但主动股基平均在制造业的股票数量占比超过70其成分股涉及到建材钢铁汽车机械有色金属食品饮料家电轻工制造纺织服装医药等不同跨度很大的行业很显然制造业过于粗糙的划分不能帮助我们区分一些公募重仓但表现差异有很大的行业中信一行业分类将股票分成30个行业所呈现出来的结果要比证监会行业细化很多主动股基配置最多的电力设备及新能源行业占比1282权重在5以上的行业有7个权重在3以上的行业有11个有19个行业的配置权重低于3大多数的行业主动股基配置权重都不高在后期做组合优化行业控制时很容易出现大量小权重行业被忽略的情况Wind一级行业分类类似于国际流行的GICS行业分类将股票划分成了能源材料工业日常消费医疗保健等11个行业主动股基配置最多的信息技术占比2152有5个行业的配置权重在10以上行业分布相对均匀既不失颗粒度也不会因划分过细而引入噪音综合上述考虑我们选择了行业分布相对均匀而不失颗粒度的Wind一级行业分类来作为我们对组合中股票行业的度量口径接下来我们以主动股基的行业配置为约束最大化FOF组合的得分希望构造出稳健战胜主动股基的FOF组合我们采用组合优化的方法构建基于板块控制的FOF组合此组合优化问题是一个目标函数为最大化组合的基金收益预测模型得分同时限定约束条件的线性规划问题优化模型的公式如下行业约束个基权重约束0仓位约束请务必阅读正文之后的免责声明及其项下所有内容1120