`

优选稳健 alpha 基金— 基于多因子的业绩预测模型

创建于 更新于

摘要

本报告基于多因子模型,通过剥离基金股票收益计算alpha,运用基金过往alpha及规模因子构建业绩预测模型,验证基金经理业绩具有可持续性,并实现基金组合的显著超额收益。模拟组合相对基准指数年化超额约7%,显示方法的有效性与实用性[page::0][page::11][page::14][page::19]。

速读内容


多因子模型构建与因子表现[page::4][page::6]


  • 采用Fama-French五因子(MKT、SMB、RMW、CMA)和CH-4因子(VMG、PMO)六因子模型。

- PMO因子代表投资者情绪,用超额换手率定义。
  • 因子年化收益率除CMA外均显著,SMB与VMG负相关,VMG与RMW正相关,因子间多重共线性未剔除。


基金股票收益剥离方法及样本选择[page::8][page::9][page::10]


| 近三年平均股票仓位 | 基金数量合计 | 年化绝对收益(%)中位数 | 符合条件基金数量合计 | 年化股票收益(%)中位数 |
|--------------------|--------------|-----------------------|----------------------|-----------------------|
| 90%-100% | 369 | 27 | 336 | 26 |
| 80%-90% | 1057 | 26 | 948 | 26 |
| 70%-80% | 427 | 23 | 369 | 23 |
| 60%-70% | 177 | 19 | 115 | 21 |
| 50%-60% | 87 | 14 | 31 | 16 |
  • 利用Brinson模型从基金总收益中剥离出纯粹股票收益,获得更公平的股票投资能力评价。

- 研究样本限定为平均股票仓位50%以上、港股仓位不超过10%的基金。

基金alpha与业绩可持续性分析[page::11][page::13][page::14]


  • 年化alpha较股票收益波动更为平稳,剔除因子影响后更能反映基金经理真实选股能力。

- 基金alpha表现出较强的可持续性,复合样本及Bootstrap检验均支持该结论。


规模因素对基金业绩的影响[page::15][page::16]


| pct(Y) | rho0 | T0 | rho1 | T1 | rho2 | T2 | 最优pct(S) |
|----------|--------|-------|-------|-------|-------|-------|------------|
| 选股收益 | 0.44 | 28.15 | 0.35 | 3.68 | -0.34 | -3.42 | 50% |
| alpha | 0.44 | 28.07 | 0.38 | 3.57 | -0.39 | -3.40 | 48% |
  • 股票投资市值对alpha呈开口向下的二次型关系,存在最佳基金规模区间(约4-7亿元基金规模)。

- 对基金家族规模影响类似,但显著性较弱。

基于历史alpha及规模的未来业绩预测模型[page::17][page::18]

  • 利用基金过去12季度平均alpha百分位及当期规模百分位构建预测模型:

$$\mathrm{pct}(\alpha{i}^{t+1}) = \rho0 + \rho1 \overline{\mathrm{pct}}(\alphai^t) + \gamma1 \mathrm{pct}(Si^t) - \gamma2 \mathrm{pct}^2(Si^t) + \varepsilon_i$$
  • 该模型T值显著,往期alpha对未来alpha的解释力更强。

- 模拟组合采用该模型打分筛选低风格暴露且高预测alpha基金,年化收益率约22%-23%,超额收益明显,2021Q1熊市表现优异。


投资建议与风险提示[page::20]

  • 本研究基于历史公开数据,有数据滞后和测算误差风险。

- 量化模型局限性及统计结论不保证未来业绩,投资需谨慎。

深度阅读

资深金融分析师对《优选稳健 alpha 基金— 基于多因子的业绩预测模型》研究报告的详尽分析报告



---

一、元数据与报告概览



报告标题:《优选稳健 alpha 基金— 基于多因子的业绩预测模型》
作者:李新春、包赞,均为中泰证券研究所分析师
发布日期:未明确具体发布日期,但数据截至2021年3月
发布机构:中泰证券股份有限公司
研究主题:公募基金的投资能力评价,特别是基于多因子模型对基金alpha的预测与稳健基金组合构建
核心论点与目标:
报告针对海量且风格多样的公募基金,提出利用Brinson归因模型剥离基金的股票收益,结合Fama-French五因子和Liu等人提出的CH-4因子模型,提炼基金alpha表现,建立一个基于过去alpha表现与规模的预测模型,实现对未来alpha表现的预测,并构建稳健且风格低暴露的基金组合。模型在2017年末至2021年3月的历史回测中显示相较中证偏股基金指数有7%的超额年化收益,且在2021Q1的震荡行情中具有较好防御能力。报告强调模型基于历史数据,不构成投资保证,更多作为科学量化分析和投资决策参考。

---

二、章节深度解读



2.1 报告摘要与研究背景



报告开篇指出,尽管投资者能获取多维度基金数据,但缺乏科学且体系化的研究范式。采用Brinson归因剥离股票收益,结合多因子模型量化管理基金alpha,再根据历史alpha与基金规模构建预测模型,解决基金选择难题。研究选取Fama-French(2015)五因子模型中的市场(MKT)、规模(SMB)、盈利能力(RMW)、投资风格(CMA),加上CH-4模型的估值(VMG)和情绪(PMO)因子,六因子构造精确且符合A股市场特点。基于此模型分析样本覆盖股票仓位在50%以上、港股仓位低于10%的主动股票和混合基金。核心发现包括基金经理的风格暴露揭示投资策略,基金alpha具备持续性,且基金规模呈现对alpha的非线性影响(最优规模约为10亿元)。预测模型利用过往alpha和当前规模的百分位排名拟合,将历史绩效转化为未来表现概率,实证回测表现优异。研究还强调该模型的可扩展性,未来可纳入换手率、持仓集中度等额外变量。

2.2 研究背景与国内外文献回顾



对海外文献的详尽梳理显示围绕基金业绩持续性的研究经历了从关注基金经理个体到运用多因子模型量化alpha的转变。早期研究结果存在争议,近年采用多因子模型测算alpha的观点逐渐主流,部分研究显示基金业绩具有一定的持续性,但结论存在时期和样本差异。国内研究采用Fama-French五因子及Carhart动量因子,实证表明自2010年以来中国公募基金的业绩持续性较为稳健,规模、投资集中度等因素影响显著。报告的研究思路上,即结合国际多因子模型理论,适配中国市场特性,特别利用Brinson模型剥离股票收益纳入低仓位基金,提升评价的公平性和准确性。

2.3 多因子模型构建及因子选择



报告明确采用Fama-French(2015)五因子模型(市场MKT、规模SMB、盈利能力RMW、投资风格CMA)结合Liu等人2019年提出的CH-4模型中估值(VMG)和情绪(PMO)因子。
  • 市场因子MKT以万得全A指数减无风险利率(日常1年期国债利率)估算,使用自由流通市值加权处理。

- 规模因子SMB体现小盘股表现优于大盘股,以市值分组构建。
  • 估值因子VMG采用市盈率PE做划分基础,体现低估值股票相对高估值股票的超额收益。

- 盈利因子RMW用扣非ROE衡量盈利能力。
  • 投资因子CMA基于资产增长率刻画公司的投资风格。

- 情绪因子PMO以超额换手率捕捉投资者情绪波动。

这六个因子构成覆盖面广,能较全面反映A股市场异象,符合中国市场具体特征,尤其增加了代表市场情绪的PMO因子。累计净值曲线图表反映不同因子时期表现差异,2021年初公募基金“抱团瓦解”行情下,盈利因子RMW走弱,价值VMG和规模SMB表现强劲,符合市场实际变化。因子间存在部分显著相关性,例如SMB与VMG负相关,VMG与RMW正相关。报告强调未对因子做去重处理,理由包括因子经济含义明确、市场动态多变导致去重不稳定,以及采用分段拟合可化解多重共线性影响。

2.4 基金样本筛选及股票收益剥离技术



样本选择基于基金股票仓位,针对低仓位基金存在的收益承担比例不同等问题,利用Brinson归因模型精确剥离基金组合中的股票收益部分,从而假定股票收益剥离后的基金表现可以公平比较。
挑选样本为成立满一年以上,股票仓位平均50%以上,且港股仓位低于10%的主动股票型和混合型基金。
Brinson模型假设基金期内持仓线性调整,利用季报仓位及市场收益剖离资产配置收益和股票收益,进一步剔除固收资产影响,仅保留股票超额收益部分作为基金“净选股能力”表现。
对应统计数据显示,股票仓位与基金总收益正相关,但股票收益剥离效果显示,50%以上股票仓位的基金在股票收益表现上高度集中和稳定,而低于50%的基金股票收益表现则较为异常,验证样本选择合理性。

2.5 多因子模型在基金alpha和风格beta分析中的应用



通过季度数据分段回归基金净超额股票收益与六因子收益,提取得到基金alpha和各因子beta,辅助判断基金经理的选股能力和投资风格。示例中五位著名基金经理的代表基金展现了alpha水平及对市场、规模、估值、盈利能力、投资风格和情绪因子的不同暴露,符合其各自的投资风格描述。
拟合调整后R²平均在75%以上,统计意义良好,alpha波动较股票收益更为平稳,反映反复剥除系统性因子后的纯选股能力信号。
数据揭示基金经理主动调节因子暴露是双刃剑,能提升收益但也会增加因因子风险反转导致的损失,提示构建低beta高alpha基金组合的必要性。

2.6 基金业绩持续性检验



利用基于基金股票收益和alpha的滞后排名回归,分别检验业绩序列的时间相关性。
基金股票收益的持续性统计特征不稳定,周期性波动显著,不足以作为业绩持续的可靠指标。
基金alpha则显示出较为显著的持续性,绝大多数季度rho1和对应T值均显著大于零,表明剥除系统风险之后的基金选股表现更具有稳健性。
采用Fama-MacBeth回归和Bootstrap重复抽样程序进一步验证业绩持续性结论的稳健性,近三年和近五年样本下均显示alpha的持续性显著,T值置信区间左端均>2,统计意义充足。

2.7 基金规模对业绩表现的影响



基金规模(以股票投资市值替代)对基金表现的影响是非线性的。
初步单变量分析显示股票投资市值对部分因子暴露(如VMG、RMW、CMA)显著,意味着大规模基金倾向于持有高估值、高盈利、激进投资的股票。
进一步以基金规模的百分位及其平方项作为回归变量,观测股票收益和alpha表现,均显示二次函数关系,其中开口向下,存在最佳规模区间。
根据2020Q4数据,最佳股票投资市值集中于3亿多元,折算基金规模对应4到7亿元之间。
对基金家族规模的分析结果相似,但规模效应被削弱,最佳规模略有不同但大致近似。

这说明基金规模控制在合理区间有利于基金alpha表现,过大或过小均可能影响基金经理发挥选股优势。

2.8 基于历史alpha和规模的未来业绩预测模型



结合业绩持续性及规模影响的定量特征,报告提出了一个简化的实用预测模型:

$$
\mathrm{pct}(\alpha{i}^{t+1}) = \rho0 + \rho1 \overline{\mathrm{pct}}(\alphai^t) + \gamma1 \mathrm{pct}(Si^t) - \gamma2 \mathrm{pct}^2(Si^t) + \varepsilon_i
$$

其中,$\overline{\mathrm{pct}}$代表过去数期alpha百分位均值,考虑了业绩的稳定性;规模变量同样用百分位及其平方刻画非线性影响。
回归结果统计值显示模型回归系数均基本显著,模型描述历史alpha与规模对未来alpha相对排名的解释力度显著,尤其历史alpha影响力更大。
通过对2017年至2021年基金数据应用该回归模型,构建低风格暴露、高预测alpha值的基金经理组合,并每季度调仓,采用等权配置。
模拟组合无论是否考虑季报发布时间延迟,其年化收益约22%-23%,夏普比率均超1,最大回撤优于基准中证偏股基金指数,且在2021Q1波动剧烈阶段表现更佳,体现模型在实操中的有效性和稳健性。

---

三、图表深度解读



图表1:多因子累计净值曲线(第6页)



该图展示了2011年至2021年初,报告中六个因子(MKT、SMB、VMG、RMW、CMA、PMO)的累计净值表现。
  • MKT(市场因子)走势波动大,整体涨幅较为温和。

- SMB(规模因子)表现较好,尤其2015-2017年间显著上涨,后期有所回调。
  • VMG(价值因子)和RMW(盈利因子)整体走势相近,但在2021年初期间表现分化,RMW走弱,VMG表现走强。

- CMA(投资因子)相对平稳,年度波动较小,年化收益率最低。
  • PMO(情绪因子)表现较强,且年化波动较小。


这些曲线体现了市场热点与风格轮动特征,也印证了2021年公募基金“抱团瓦解”时盈利因子弱势。图表支持了因子选取的合理性与市场行为相符。

图表2:因子收益率描述及因子相关性(第7页)



表格详细列出六个因子的年化收益率、波动率和因子间相关性。
  • PMO最高年化收益9.2%,而CMA仅为2.1%。

- 市场因子年化收益7.1%,波动最大(24.9%),风险最高。
  • 因子之间呈现显著的相关性格局:尤其SMB与VMG强负相关(-0.72),VMG与RMW强正相关(0.82)。

- 相关性说明因子之间存在重叠部分,但报告坚持保留因子以保持经济解释力和稳定性。

图表3:基金经理与代表基金示例(第8页)



该表以时间线方式展示基金经理同时管理多只基金的情况,体现样本处理中的“代表基金”原则及任职期串联方法,确保基金经理业绩归因的连续性和准确性。
体现了基金经理换手和基金变动的现实复杂性,增强后续数据处理的科学性。

图表4:基金股票仓位分组及股票收益分布(第10页)



表格区分近三年平均仓位与对应基金数量、年化收益及股票收益率分布。
  • 发现整体年化绝对收益随股票仓位下降呈下降趋势。

- 剥离股票仓位后的股票收益较为稳定,各分位数接近,表明Brinson剥离方法有效消除仓位影响。
  • 明确排除股票仓位低于50%的基金作为样本,避免异常值干扰。


图表5:基金年化股票收益与年化alpha的季度变化(第11页)



折线图展示2011年至2020年底,基金中位年化股票收益和alpha的走势对比。
  • 股票收益大幅波动,受多因子风格影响明显。

- alpha走势更为平稳且幅度较小,体现去除因子影响后的基金经理纯选股能力。
  • 图示支持alpha作为基金能力衡量指标的稳健性。


图表6:五位著名基金经理及代表基金因子暴露估计(第12页)



展示基金经理alpha及其在六因子上的beta及对应T值。
  • 体现选股能力(alpha)水平和统计显著程度,各基金经理表现不一。

- 因子暴露与基金经理调研描述吻合,如盈利因子RMW正暴露强烈的经理,与“重视盈利”策略相符。
  • 提供个例支持多因子模型对选股风格的分解及理解。


图表7:多因子模型拟合效果时间序列(第12页)



折线图体现各季度基金alpha均值、调整R²均值及T值。
  • 大部分时期调整R²高于75%,拟合效果优良。

- alpha及T值自2018年第三季度起上升,表明该阶段基金经理选股能力加强。
  • 2020年第2季度出现回调,反映市场环境变化对alpha影响。


图表8-10:基金股票收益与alpha的可持续性分析(第13-14页)



条形和折线图比较股票收益(图8)和alpha(图9)的滞后相关系数及T值。
  • 股票收益序列滞后相关无显著稳定性,曲线波动大。

- alpha序列则较显著持续,大部分正相关且T值≥2,意味着选股alpha具有一定持久性。
  • 进一步Fama-MacBeth与Bootstrap抽样分析(图10)确认alpha跨季度持续效应的稳健性。


图表11-13:基金及基金家族规模与绩效相关性分析(第15-16页)



表格列出基金级及家族级股票投资市值与各因子暴露、收益、alpha相关的Fama-MacBeth回归统计量。
  • 初步线性回归显示股票投资市值与VMG、RMW、CMA因子暴露高度相关(部分显著)。

- 加入非线性项(二次)后,股票收益和alpha表现出显著的二次型关系,存在最优规模。
  • 家族层级分析显示规模影响略低于单基金分析,仍支持最优规模理论,最佳股票投资市值约在3-5亿元。


图表14:alpha未来表现预测回归统计(第18页)



多期滚动回归中,各季度回归系数及t值均显著,尤其rho1(历史alpha影响)均大于0.13且T值普遍超过5,规模影响系数gamma1、gamma2及T值在2附近波动。
验证模型合理且稳定,表明在业绩稳定与规模共同影响下,未来alpha相对排名具可预测性。

图表15-16:基于模型的模拟组合与基准指数的对比(第19页)



累计净值曲线图(图15)显示季末调仓组合与延迟调仓组合均显著优于中证偏股基金指数,整体趋势平稳上涨。
绩效指标对比如表16显示模拟组合年化收益约22%-23%,夏普比率约1.1以上,最大回撤25%,均优于基准指数16%年化收益率和0.72夏普比。2021Q1震荡期间,模拟组合损失更小,表现出更强的防御性和alpha稳定性。

---

四、估值分析



本报告不涉及公司股价估值,而是基于统计回归模型对基金alpha未来表现进行预测。主要方法为基于多因子模型分解alpha,结合Fama-MacBeth回归分析基金过去alpha表现及规模对未来alpha的影响,构建预测模型。该模型结合了历史alpha的滚动均值和规模百分位的二次函数描述规模的非线性影响,以回归系数作为预测参数,进而打分筛选基金组成超额组合。核心估值思想为统计模型拟合与预测,非传统的DCF或市盈率估值。

---

五、风险因素评估



报告作者对风险的详细声明:
  • 结论完全基于历史公开数据统计测算,数据存在滞后和第三方数据不准确风险。

- 模型局限性显著,历史规律难保证未来有效。
  • 模型依赖统计推断,极端市场环境下解释力或预测力不足。

- 报告不构成投资收益保证或投资建议。

具体风险包括:
  • 自然市场波动和极端事件导致模型预测失效。

- 行业或宏观政策变化影响基金经理可选策略和因子表现。
  • 数据滞后或错误可能影响模型结果。

- 模型过拟合风险和因子结构时变问题。

报告未详述具体缓解策略,但通过多因子模型内在分散风险及使用多期历史数据减少偶发误差。模拟组合构建中剔除了风格暴露高的基金以减少系统性风格风险。

---

六、批判性视角与细微差别


  • 模型假设合理性审视:Brinson模型及持仓线性插值假设均为简化,实际基金持仓变化可能更复杂,存在拟合误差。

- 多因子相关性处理:虽然报告未去除多重共线性因子,但其“分段拟合”做法缓解了问题,仍需继续关注未来因子动态变化对模型稳定性的影响。
  • 规模测度的局限:选用股票投资市值作为规模变量,未考虑基金流动性、申购赎回压力等实际运作层面限制。

- 样本选择限制:研究限制在股票仓位50%以上、港股仓位低于10%的基金,对低仓位及海外资产配置基金的适用性有限。
  • 数据覆盖期限与市场周期:覆盖2010年后数据,且拟合模型更多反映最近五年市场状态,模型对极端年前后变化和未来新兴因子的适用需谨慎。

- 预测模型简化:报告提出简化的alpha预测回归,放弃多期滞后项,有利于稳定性但可能降低对短期波动的捕捉能力。

该报告体现了扎实学术基础,但仍需实务验证并动态更新以应对市场环境变化。

---

七、结论性综合



本报告系统构建了基于Brinson归因方法和融合Fama-French五因子与CH-4六因子的多因子alpha提取框架,实证显示中国公募主动股票及混合基金选股alpha具备持续性。基金规模对alpha表现存在显著的二次型非线性关系,规模适中基金(约10亿元)表现最佳。基于此提出的alpha及规模百分位预测模型,能有效预测未来基金alpha排名,并辅以低风格暴露筛选,成功构建超额收益组合。
模型经2017年至2021年回测表现稳健,相较中证偏股基金指数带来约7个百分点年化超额收益,夏普比明显提升,且2021年市场震荡期表现更优,表明模型有效聚焦基金经理真正的选股选风能力。
报告对多因子模型及统计方法、基金样本数据预处理和业绩解释都做了详实介绍,数据和方法充分,分析严谨。报告同时明确强调历史规律的局限性和模型预测的参考性质,给出详尽的风险提示,兼顾科学性与市场应用。
整体上,报告对公募基金业绩分析提出了科学、细致且可操作的多因子量化方法体系,具有较强的理论价值和实务指导意义,为投资者筛选和预测优秀基金提供有力工具。

---

附图示示例



本文涉及重要图表如下:

示例1:多因子累计净值曲线



示例2:基金年化股票收益与年化alpha 对比



示例3:多因子模型拟合效果



示例4:基金alpha可持续性分析



示例5:模拟组合与中证偏股基金指数对比



---

以上内容基于报告原文原始资料整合剖析,确保证据充分、解读专业且完整,详细阐释了报告提出的多因子alpha研究设计、统计分析及实际应用的各重要细节。[page::0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20]

报告