欢迎到爱范文网学习!
爱范文-实用的学习资料网-ifanwen.org

当前位置:爱范文 > 学习方法 > 教案 > 六国论教案 > >

基于风格加权的基金选股能力评价体系【天风金工基金研究】

来源:www.ifanwen.org | 作者:爱范文 | 时间:2018-02-09 21:59:23

原标题:基于风格加权的基金选股能力评价体系【天风金工基金研究】

报告提要

01

背景介绍

FOF的投资研究一般可分为资产配置和基金优选两部分。喜力国际关于资产配置的研究,喜力国际娱乐线路检测可参考我们此前发布的关于主成分风险平价模型的系列报告,本系列将重点关注基金优选的研究。

FOF产品配置主动偏股型基金主要是为了获取基金的Alpha,那么如何度量基金经理的选股能力就变得十分重要。不同于传统基于净值数据视角的回归方法,本文将基金持仓数据视角构建基金经理选股能力多维度评价模型,并以主动偏股型基金为例进行相关实证研究,以期更加真实的探索基金经理的Alpha获取能力。

02

传统选股能力度量模型分析

本报告对传统选股能力度量模型进行了梳理介绍,发现虽然基于净值数据的回归方法原理简单易于操作且应用广泛,但是基于此类方法大量实证研究认为主动偏股型基金的表现不及相应的市场基准或被动指数型基金,这明显与传统认知相悖。事实上,传统度量模型需要事先确定基金业绩的比较基准,但是我们常常无法有效确定基金业绩的比较基准。因此,我们基于持仓数据构建了新的选股能力度量模型,并在多维度下进行选股能力的综合评价。

03

基于持仓数据视角的选股能力度量模型

传统认知中评价选择的股票表现是否好,通常是需要与同特征(同行业、同主题或同市值等)股票的表现进行比较来展现的。本模型用基金持仓数据研究各种风格上的选股能力,用净值回归的方法来确定基金在各类风格上的偏好。具体地,我们基于持仓数据视角构建了选股能力度量模型,通过持仓股票与不同维度特征基准间计算基金的Alpha指标,并从Alpha的期望值、Alpha的稳定性以及Alpha的胜率等方面构建基金的选股能力评价指标。最后,基于基金风格偏向加权构建了基金选股能力综合评价模型。

04

主动偏股型基金的选股能力研究

本报告对2005年以来所有主动偏股型基金的选股能力在横截面上进行多维度评价实证研究。研究发现,整体主动偏股型基金的Alpha表现较好,但在不同维度上选股能力会存在比较大的差异性。同时,我们在每个节点利用过去2年时间对基金的选股能力进行案例分析,发现引入基金风格偏向加权的综合评价指标能够更好地评价基金的选股能力。

此外,本报告提出的基于基金持仓数据视角的选股能力度量模型具有较强的适用性,投资者可以根据自身的需求和基金的认知对模型进行灵活改进。

正文

1

背景介绍

FOF的投资研究一般可分为资产配置和基金优选两部分。关于资产配置的研究,可参考我们此前发布的关于主成分风险平价模型的系列报告,本系列将重点关注基金优选的研究。基金优选的前提是需要对市场基金有比较全面的认识,即需要有完善的基金评价体系。

对于偏股型基金,可分为被动偏股型基金和主动偏股型基金,其中被动偏股型基金是通过紧密跟踪标的指数,追求跟踪偏离度和跟踪误差最小化的基金;而主动偏股型基金则是以寻求超越业绩基准表现为目标的基金。由于被动偏股型基金主要以有效跟踪标的指数为目标,无法展现基金经理全方位的能力,因此我们的研究主要针对的是主动偏股型基金。FOF产品配置主动偏股型基金主要是为了获取基金的Alpha,那么如何度量基金经理的选股能力就变得十分重要。不同于传统基于净值数据视角的回归方法,本文将基金持仓数据视角构建基金的选股能力多维度评价模型,并以主动偏股型基金为例进行相关实证研究,以期更加真实的探索基金经理的Alpha获取能力。

2

传统选股能力度量模型分析

早在20实际60年代中期,学者们便开始对基金的选股能力进行理论研究。相关研究的理论基础为CAPM模型,主要通过回归方法对基金的选股能力进行分离和量化。比较典型的有T-M模型(Treynor and Mazuy, 1966)、H-M模型(Henriksson and Merton, 1981)和C-L模型(Chang and Lewellen, 1984)。

20世纪90年代,Fama和French(1993)建立了Fama-French三因子模型来解释股票回报率。模型认为,一个投资组合的超额回报率可由市场组合超额收益(R_m - R_f)、规模(SMB)和账面市值比(HML)三个因子来解释。将规模和账面市值比因子引入到上述单因素模型中,便形成了多因素模型,如TM-FF3模型、HM-FF3模型和CL-FF3模型等。

T-M模型等以CAPM理论为基础,通过考虑市场收益等因素对基金组合的影响,进行基金经理的Alpha提纯,却缺乏更多其他可能影响基金组合收益的因素分析。由于其原理清晰且易于操作,至今仍被广泛使用,但是其有效性一直存在争议。

大量实证研究采用上述基于净值视角的回归方法进行选股能力的度量研究,结果大多认为主动偏股型基金的表现不及相应的市场基准或被动指数型基金(Wermers,2000)。我们知道,主动偏股型基金主要依靠的便是选股能力来跑赢业绩基准并获得超额收益的,而实证结果与大家的认知相悖。

事实上,上述基于净值视角的回归方法需要事先确定基金业绩的比较基准,但是我们常常无法有效确定基金业绩的比较基准。我们知道很多基金会把业绩比较基准定为沪深300或者中证500,而实际投资过程中可以发现部分基金的复权单位净值与业绩基准会出现比较大的偏差,因此,部分基金不可以选择其业绩基准作为市场组合。同样,由于主题基金的存在,不同基金的选股范围存在一定差异性,因此基金也无法选择市场某个指数作为市场组合。因此,有效确定基金业绩的比较基准是非常重要的。

3

基于持仓数据视角的选股能力度量模型

我们知道,传统认知中评价所选股票是否表现好,通常是需要与同特征(同行业、同主题或同市值等)股票的表现进行比较来展现的。因此,我们可以从基金持仓数据出发,将每只持仓股票与特征股票组合进行比较,综合持仓信息来判断基金的选股能力。极端情况下,如果基金的持仓股票均能跑赢特征股票组合,则表明基金具备非常好的选股能力;反之,如果基金的持仓股票均跑输同特征股票组合,则表明基金完全不具备选股能力。通常情况下,基金的持仓股票介于上述两种情况之间,因此需要多维度的数据进行统计分析,从而确定基金是否具备选股能力。

基于持仓数据视角的选股能力度量模型,包含基金选股能力的分析和基金风格偏向的确定两块。其中,基金选股能力的分析可以用基金持仓数据研究基金在各种风格上的选股能力;而基金风格偏向的确定可以用净值回归方法来却基金在各种风格上的偏好。同时,本模型会基于风格加权对基金的选股能力进行综合评价分析。

3.1 特征因子的选取

Fama-French三因子模型表明,公司的规模和账面市值比这两个因子对股票收益具有较强的解释能力。同时,净资产收益率和净利润增速因子对股票的收益也具有较好的解释力。另外,我们知道,不同行业的股票收益也会存在较大差异性,可见,行业也是会对股票收益产生较大影响。因此,我们将选择五个因子,从不同维度构建股票的特征基准。所选因子信息如下表所示。

下面我们将举例说明基金持仓股票相对不同特征基准存在较大差异性。我们在2017年半年报节点,以与持仓股票因子值最为相近的100只股票等权重构建特征股票组合,在半年报节点附近2个月时间内考察持仓股票净值走势与各特征股票组合的净值走势,具体构建过程可以参考下文3.2小节。结果如下面各图。

上面各图中列出了2只股票相对不同特征股票组合净值走势图。可以发现,桂冠电力(600236.SH)在统计时间内明显跑赢行业和成长维度特征股票组合;而安琪酵母(600298.SH)则在统计时间内仅大幅跑赢估值维度特征股票组合。持仓股票相对不同特征组合超额收益信息如下表所示。

通过上面的简单例子我们可以发现,持仓股票相对不同特征基准超额收益表现会有所不同,从而可知基金的选股能力在不同维度下也会存在差异性。因此,我们应该基于持仓数据,在多维度下去分析基金的选股能力。当然,本报告为了便于研究,仅使用表1中列出的5个维度的特征因子,大家可以根据自身的需求进行添加或者删减。

3.2 基金Alpha指标的构建

基于持仓数据视角的选股能力度量分析,本质是对基金持仓股票业绩表现的分析。因此,我们将针对每只持仓股票从不同维度计算其相对特征股票组合的表现情况。由于基金公布的持仓数据是一个静态(时点)数据,而收益率是一个动态(时段)数据,我们将利用时点前后一段数据做计算。

3.3 基金选股能力指标的构建

在上一节中,我们给出了基金的Alpha指标构建方法,并形成了基金Alpha指标序列。基于基金Alpha指标序列,我们可以构建基金选股能力的评价指标。我们知道,对于一位优秀的基金经理,我们希望其选股能力越强越好、能力越稳定越好、选股能力的胜率越高越好,从而对应的是Alpha的高期望值、Alpha的分布稳定集中以及Alpha的高胜率。

接下来我们将基于上述三个方面指标构建基金选股能力评价指标。我们需要使用加权的方法将三个方面指标合成一个选股能力评价指标,选择的加权权重分别为25%,50%和25%。可以发现,我们给予Alpha的稳定性指标较大的权重,主要原因是相比于Alpha值的高期望值和高胜率,我们更应该关注的是Alpha值的稳定性,稳定性较强的Alpha值在未来才会有比较强的持续性。

3.4 基于基金风格偏向的选股能力综合评价

上一节中我们针对任意维度的因子,均可在一段时间内对基金的选股能力进行评价。在3.1小节中,我们提出了五个维度的因子,基于基金持仓数据可以计算持仓股票相对行业、规模、估值、盈利和成长维度特征基准的超额收益情况,进而反映基金在行业、规模、估值、盈利和成长维度的选股能力。为了综合评价基金在多维度上的综合选股能力,我们可以考虑将不同维度上的选股能力评价指标进行加权汇总。即基金的多维度选股能力综合评价指标Z可表示为:

3.4.1 经验加权法

3.4.2 等权重法

等权重法表示平等看待基金在各个维度上的选股能力表现。当我们无法确定基金在哪个维度的选股能力具有明显偏向时,可以采用此种最简单加权形式。即

3.4.3 风格偏向加权法

风格偏向加权法是依据各基金所属风格进行各维度上的选股能力加权。风格偏向加权法的基础是能够识别各基金的风格,多因子模型是应用较为广泛的风格识别模型。基金的风格分析需要经过两个步骤:(1)基于横截面股票收益和因子暴露数据计算因子收益;(2)基于时间序列基金收益和因子收益计算风格偏向。

(1)因子收益的计算

多因子模型认为存在一个相对精简的因子集合,这些因子驱动了资产收益率,而不能由这些因子解释的收益被认为是资产的特质收益率,并且假定特质收益率与这些因子不相关。即

本报告参考Barra相关报告的因子收益率模型,将股票收益率分解为市场收益率、行业收益率、风格因子收益率以及特质收益率的线性组合:

上式中,股票收益率、因子风格因子暴露和行业因子暴露可以直接获得,需要求解的是因子预期收益率。具体地,在每一期可以用t期股票收益率对t-1期因子暴露进行横截面回归,从而得到t期的因子预期收益率。

(2)风格偏向的计算

基金的投资风格分析,可以通过对基金与不同风格因子的相关度进行分析。具体地,将时间序列上的基金收益率分别与上述各因子收益进行单变量回归,通过拟合优度的相对大小判断基金的投资风格偏向。

在2017年半年报节点,以基金收益分别与风格因子收益回归,可以得到不同行业因子的拟合优度/调整拟合优度。所有基金的统计分布如上图所示。可以发现,行业因子的对应调整拟合优度明显大于其他风格因子的拟合优度,所以如果进行单位化处理会使得行业因子对应的权重绝对优势。例如,下表中列出了3只基金的拟合优度/调整拟合优度统计信息。可以看到,行业因子的调整拟合优度明显大于其他因子,相对而言其他风格因子的拟合优度就会显得较小而易被忽视。

事实上,主要原因是在计算行业因子收益时,我们引入的是哑变量形式,因哑变量数量较多,必然会使得调整拟合优度有所增加。因此,风格加权法不适用对行业因子的识别,主要针对的是风格因子。

4

主动偏股型基金的选股能力实证研究

4.1 基金数据采集与处理

本文从万得(Wind)数据库中选取2005年1月至2018年1月28日间所有已上市(包含到期)的所有主动偏股型基金信息,其中主动偏股型基金包括普通股票型基金和偏股混合型基金。由于直接获取的基金中包含部分无效的基金信息,因此我们需要对基金进行数据处理,最终得到有效主动偏股型基金584只。

另外,在股票数据方面,我们需要获取截至2018年1月28日已经上市(包含退市)股票的相关信息,包含每日股票后复权收盘价、中信一级行业指数价格、以及参照表1计算股票在半年报和年报节点的因子值信息等。

4.2 基金的Alpha指标分析

2005年以来共25个半年报和年报时间节点(基金的2017年年报未发布),我们利用每个时间节点基金全部持仓数据及全市场股票因子值信息,参照3.2小节方法构建了基金的Alpha指标序列。具体的参数设置如下:

统计区间:2005年1月1日至2017年6月30日期间的半年报和年报时间节点;

统计标的:主动偏股型基金(普通股票型基金和偏股混合型基金)的节点全部持仓数据,剔除其中上市不满半年的股票;

特征因子:表1中的行业因子、规模性因子、估值性因子、盈利性因子和成长性因子五个因子;

特征基准股票数量:最多100只;

时间节点前后区间:时间节点前后2个月,在半年报节点考察6月和7月;在年报节点考察12月和次年1月。

上图中绘制了行业维度下基金的Alpha指标在不同时间节点上的分布图。可以发现,所有基金的Alpha指标主要介于-5%到10%之间,全时期占比达到了93.11%;约有88%节点所有基金Alpha指标的胜率在60%以上,最高胜率可以达到100%。可见,在行业维度下,整体主动偏股型基金的Alpha值表现优异。

上图中绘制了基金D在不同维度下的Alpha指标统计图。可以发现,基金在行业、规模和估值维度上的Alpha值一直表现较好,而在部分阶段在盈利和成长维度上Alpha值表现较弱。由此可见,基金在不同维度上Alpha值会存在比较大的差异性;同时,在某一维度不同时间点上Alpha值也会存在一定差异性。主要原因是我们考察时间区间较长,期间可能发生了基金投资风格的变化等。因此,我们应该在一段时间内多维度考察基金的Alpha指标。

考虑到数据的有效性,我们选择在2年时间内分析基金的Alpha指标。因此,在每个时间节点(半年报和年报)我们均可利用过去2年的数据分析基金的Alpha指标。为便于观察,下文主要以最近一期(2017年半年报)数据为例进行研究。

4.3 基金的选股能力指标分析

相比于Alpha的高期望值和高胜率,我们更应该关注的是Alpha值的稳定性,稳定性较强的Alpha值在未来才会有比较强的持续性。因此,我们对Alpha的高期望值、Alpha的稳定性、和Alpha的高胜率对应的加权权重分别为25%,50%和25%。具体地参考3.3节的计算过程。

上表中列出了基金E在不同维度下的选股能力评价指标信息。可以发现,该基金在行业、估值、盈利和成长维度下Alpha期望值表现较好;该基金在行业维度下Alpha稳定性较高;而该基金在行业维度下Alpha的胜率表现较好。因在Alpha期望值、Alpha稳定性和Alpha胜率等方面均表现较好,使得该基金在行业维度下表现优异,位于同类基金的前10%以内。由此可见,基金在不同维度下的选股能力评价指标会展现较大的差异性。

4.4 基金的选股能力综合指标分析

依据3.3小节的计算方法,我们可以在每个时间节点利用过去一段时间的数据对基金的选股能力在各维度上进行评价。研究发现,部分基金在不同维度下得到的选股能力评价指标存在较大差异性。

上图中列出了3只基金在不同维度下的选股能力评价指标值统计信息。可以看到,基金F在行业维度上具有显著的选股能力,而在其他维度上选股能力较弱;基金G在规模维度上具有显著的选股能力,而在其他维度上选股能力较弱;基金H在盈利维度上具有显著的选股能力,且在估值和同成长维度上具有一定的选股能力。具体信息可以见下表。

为了综合评价基金在不同维度上的综合选股能力,我们可以考虑依据基金的风格偏向对多维度选股能力进行加权。

(1)等权重法

当我们无法确定基金经理在哪个维度的选股能力具有明显偏向时,可以采用等权重加权的形式,即平等考察基金在各个维度上的选股能力。

上表中部分列出了部分基金选股能力的综合评价指标统计结果。我们平等对待基金在各个维度上的选股能力,以等权重加权基金在行业、规模、估值、盈利和成长维度上的选股能力评价指标值,得到综合评价指标。可以发现,综合评价指标介于不同维度选股能力评价指标值的最大值与最小值之间,反映了基金在不同维度下的平均选股能力。上述三只基金在综合选股能力上均位于同类基金的中等偏上水平。由此可见,等权重法更加看重基金在各个维度上均衡的选股能力。

(2)风格偏向加权法

风格加权法需要要对基金所属的风格进行判断。我们将基金收益与除行业因子之外的其他风格因子进行回归分析,通过对回归得到的拟合优度进行单位化处理,即可得到基金在各风格上的投资权重。

上表中列出了部分基金在不同风格因子上的偏向权重。可以发现,基金A的风格偏向权重主要集中在盈利因子和规模因子上;基金B的风格偏向权重主要集中在规模因子和估值因子上;基金C的风格偏向权重主要集中在规模因子、估值因子和盈利因子上。

基于风格偏向权重,我们可以对基金在各风格维度下的选股能力评价指标进行加权,便可得到基金选股能力的综合评价指标。结果如下表所示。

上表中部分列出了部分基金选股能力的综合评价指标统计结果。可以发现,当考虑基金的风格偏向权重后,基金的综合评价指标会更加向基金所属风格因子的选股能力评价指标值靠近。基金A的综合评价指标与规模和盈利维度下的选股能力评价指标较为接近;基金B的综合评价指标介于规模和估值维度下的选股能力评价指标值之间;因不同维度下基金选股能力的评价指标值都较为接近,使得基金C的综合评价指标与不同维度下的选股能力评价指标值均类似。

当然,在基金选股能力综合评价模型中,我们提出了等权重加权法和风格偏向加权法,但这些并非是唯一的方法,大家还可以开展经验加权法的研究。例如,根据自身对各基金风格的认识,引入类BL模型的形式对风格偏向权重进行修正等等。

我们在上文中给出了基金选股能力多维度评价模型,及基于基金风格偏向加权的综合评价模型。但在实际投资中因全部持仓数据分布的频次较低,在一定程度上限制了我们的深入分析。如果能够获得更加高频的持仓数据,对基金选股能力的分析也可以更加细致化。同时,如果想粗略考察基金的选股能力,也可以基于每个季度的十大重仓数据进行选股能力的评价分析。此外,如果某些基金具有明显的风格偏好,且在该风格上展现了非常稳定的选股能力,FOF投资者同样可以有选择性的配置该风格的基金。

总结与展望

本报告对2005年以来所有主动偏股型基金的选股能力在横截面上进行多维度评价实证研究。 研究发现,整体主动偏股型基金的Alpha表现较好,但在不同维度上选股能力会存在比较大的差异性。同时,我们在每个节点利用过去2年时间对基金的选股能力进行案例分析,发现引入基金风格偏向加权的综合评价指标能够更好地评价基金的选股能力。

事实上,虽然我们在构建基金选股能力评价模型时已尽可能接近现实,但依然存在诸多不确定性因素。例如,我们在半年报和年报节点附近选取两个月数据计算相对特征基准的超额收益,潜在假定是基金在这段时间没有调仓;没有考虑巨额申购赎回对基金净值的影响;仅在半年报和年报分析获取持仓进行分析,数据更新频率限制了我们的更加精确化的统计;等等。因此,在接下来的研究中,我们将对本文提出的选股能力评价指标应用于FOF组合进行有效性验证,同时对基金经理更多能力进行评价研究。敬请期待!

特别地,限于文章篇幅,我们只在文中列出了部分统计信息,更加详细的结果数据可联系天风金融工程团队获取!

本报告为基于历史数据统计结果,市场结构的调整和因子变动等风险均可能使得模型失效。

相关报告

FOF

3. 天风金融工程:乐视网复牌能否进行套利?喜力国际-20180124

4. 年度策略:绝对收益型FOF的资产配置与基金选择-20171214

7. 天风证券-专题报告-FOF专题研究(三):华泰柏瑞量化A偏股混合型基金-20170724

资产配置

关注我们

Email:chenyi@tfzq.com

风险提示:本报告为基于历史数据统计结果,市场结构的调整和因子变动等风险均可能使得模型失效。

《天风证券-基金研究-基于风格加权的基金选股能力评价体系》

2018年2月8日

返回搜狐,查看更多

责任编辑:


分享到: 更多

精品阅读TODAY'S FOCUS