低波动率基金表现优异 [page::2]

• 2000-2013年期间，低波动率基金组合的价值累计增长明显高于高波动率组合。

- 低波动率组合的平均年收益率6.8%，高波动率仅0.8%。

• 夏普比率和特纳比率均显著高于高波动率组合，表明风险调整后表现优异。

基金波动率对未来绩效的稳健预测作用 [page::3]

• 即便波动率测算滞后数年，波动率高的基金依旧表现较差，表明波动率是持久且稳定的预测因子。

- 高波动率基金的年化alpha为负，低波动率基金的alpha则为正。

低/高波动率基金特征差异显著 [page::4]

| 特征 | 低波动率基金 | 高波动率基金 | 差异 | p-value | 样本平均 |
|------------|--------------|--------------|---------|----------|----------|
| 年化收益率 | 7.41% | 10.23% | -2.82% | 0.011 | 7.73% |
| 日波动率 | 0.98% | 1.82% | -0.85% | <0.001 | 1.33% |
| 特质波动率 | 0.28% | 0.51% | -0.23% | <0.001 | 0.33% |
| 资产规模 | 29.7亿 | 9.0亿 | 20.68亿 | <0.001 | 16.27亿 |
| 基金年龄（月）| 198 | 149 | 49 | <0.001 | 179 |
| 费用率 | 1.19% | 1.37% | -0.18% | <0.001 | 1.23% |
| 换手率 | 60.4% | 118.9% | -58.5% | <0.001 | 86.8% |

• 低波动率基金具有更低的市场风险和特质风险，更大规模，更低费用与换手率，均为未来高绩效的正向指标。

关键回归分析揭示波动率预测能力 [page::5]

• 基金历史收益波动率每标准差上升，下一年alpha下降约1%。

- 历史alpha本身对未来绩效预测能力弱于波动率。

• 费率、基金规模、换手率等因素影响显著但经济意义较小。

LVH因子揭示波动率异象消除超额收益 [page::6][page::7]

| 投资组合 | Alpha（月度） | 引入因子后Alpha变化 |
|------------|-------------|-----------------------------|
| 低波动率 | 0.15% | 降至0.03% |
| 高波动率 | -0.27% | 升至0.00% |
| Alpha差异（年化）| 5.0% | 降至0.36% |

• LVH（低高波动率股票收益差）因子的加入，显著降低低高波动率基金的alpha差异。

- 进一步加入Fama-French盈利（RMW）和投资（CMA）因子后，基金绩效被完全解释，α值趋近于零，剔除基金经理能力影响。

研究结论 [page::7]

• 波动率异象普遍存在且是共同基金超额收益的重要决定因素。

- 不考虑波动率异象会导致基金经理能力的严重误判。

• 通过非波动率因子（LVH、RMW、CMA）可以修正对能力的错误评价。

《波动率与共同基金管理者能力》报告详尽分析报告

---

1. 元数据与报告概览

• 报告标题：《波动率与共同基金管理者能力》

- 作者：吴先兴

• 发布机构：天风证券研究所

- 发布时间：2019年6月26日

• 报告主题：研究基金收益波动率(Volatility)与共同基金管理者能力之间的关系，特别探讨波动率异象及其对基金管理者能力评估的影响。

- 主要核心论点：
- 基金波动率是预测未来超额收益（Alpha）的重要因素，尤其总收益波动率对未来Alpha有显著负向预测。
- 在传统Fama-French四因子模型中加入波动率异象因子（LVH因子）后，低波动率基金和高波动率基金之间的Alpha差异消失，暗示低波动率基金并非管理者能力强的表现，而是波动率异象的反映。
- 进一步加入盈利能力（Profitability，RMW）和投资（Investment，CMA）两个因子后，同样能消除波动率异象对超额收益的解释，避免“主场比赛”问题。
- 不考虑波动率异象，将导致对基金经理能力的严重误判。

总体来看，报告观点明确，强调波动率因子在基金业绩评估中的必要性，解释市场低波动率股票表现优异现象与基金管理者能力无关，而是市场结构与因子特征决定的结果。[page::0,1,7]

---

2. 逐节深度解读

2.1 引言与背景

• 关键论点：

- Fama-French(1993)模型显示低波动率基金组收益率的四因子调整Alpha正约1.8%/年，高波动率基金则为负3.2%。这一区别不能单靠规模和价值等风险因子解释。
- 基金一些基本特征如规模、成立年限、费率、换手率对Alpha有一定预测能力，但幅度有限（标准差变化引起的Alpha变化仅0.1%-0.4%）。
- 基金总收益波动率是预测未来Alpha的强指标，波动率增加1个标准差，Alpha下降约1.0%，远大于其他因素的影响。
- 引入LVH因子（波动率异象因子，低波动率股票组合收益减去高波动率组合收益）后，低/高波动率基金Alpha差异不再显著，表明传统四因子模型未能充分捕捉波动率异象。
- Fama-French五因子模型中的盈利能力和投资因子也可以消除波动率因子带来的超额收益，验证了波动率异象与公司基本面紧密关联，而非基金经理能力体现。

• 推理依据：

- 基金所持股票组合波动率不同导致Alpha差异，但加入波动率相关因子后差异消失说明异象驳斥了管理者能力解释。
- 结合前文四因子模型与新兴五因子模型研究，增加实验验证异象背后的经济根源。

• 结论：评估基金经理能力时，忽视波动率异象因子会导致误判；基金收益波动率应纳入评价体系。[page::0]

2.2 数据与方法论

• 样本来源：

- 使用CRSP数据库的美国主动管理股票基金数据剔除指数基金、ETF、固定收益基金等，且要求基金成立时间≥1年、资产规模≥2000万美元，保证样本的代表性和活跃度。
- 基金分类采用Lipper类别代码，剔除低股票投资比例基金。
- 计算基金的每日收益和波动率，采用1999年开始数据。

• 方法：

- 对每年基金根据前一年日收益标准差进行排序，划分为10个波动率投资组合，分别取最低10%和最高10%作为低波动率和高波动率基金组合。
- 采用Fama-French-Carhart四因子模型计算各基金Alpha，检验波动率对未来基金绩效的预测能力。

• 推断：样本筛选和方法严格，能较全面观察波动率异象及其对基金绩效的影响。[page::1]

2.3 低波动率和高波动率基金绩效比较

• 图1解读：

- 从2000年至2013年间，低波动率投资组合的一美元价值增长最快，达到约2.2美元，而高波动率组合明显落后，仅上涨至约0.4-0.5美元。

• 图2（PanelA）基金收益及表现指标：

- 低波动率组合年均收益6.8%，高波动率仅0.8%；
- 几何年化收益低波动率5.9% vs 高波动率-2.5%；
- 收益标准差低波动率14.2% vs 高波动率25.8%；
- 夏普比率和特纳比率均显著高于高波动率组合。

• 图3相关性矩阵：

- 各波动率组合的月收益高度相关，尤其临近组合间相关性极高（0.9以上），但低波动率与高波动率组合相关性稍低（ ~0.83），显示投资策略存在一定区别。

• 论证意义：

- 低波动率基金组合表现更优，不仅收益更高，且风险调整后表现更佳。
- 但基金对规模、价值等因子的暴露差异无法完全解释这种绩效差异。

• 总结：

- 波动率是影响基金收益和风险的重要变量，低波动率基金表现更稳健且收益更高，支持波动率异象存在。[page::2]

2.4 波动率预测持续性与基金特征对绩效的影响

• 图4解读：

- 使用不同年份滞后观测的波动率预测未来基金绩效，发现高波动率基金表现持续较弱，即使滞后5年测量，预测性能仍然存在。
- 说明波动率异象具有长期稳定的预测性质。

• 表3（图5）基金特征比较：

- 低波动率基金平均日收益标准差0.98%，高波动率基金1.82%，差距显著。
- 低波动率基金规模大（2970万美元 vs 901万美元）、成立时间长（198 vs 149月）、费率低（1.19% vs 1.37%）、换手率低（60.4% vs 118.9%），都有利于基金绩效表现。
- 高波动率基金表现四因子Alpha为负（-1.14%），低波动率接近零或微正（0.07%）。
- Fama-French因子暴露显示，低波动率基金Beta更低，规模和价值因子暴露较低波动率基金更稳健。

• 表6（图6）模型结果：

- 历史收益波动率（总波动率）是预测Alpha的显著负变量，一个标准差波动率上升，未来Alpha下降近1%。
- 其他特征（资产规模、成立时间、费用率、换手率）也对Alpha有显著但较小的影响。
- 其中费用率的显著性最强，说明成本控制对基金未来超额收益影响较大。
- 特质波动率（Idiosyncratic Volatility）对Alpha无显著预测能力。

• 总结：

- 基金的历史波动率对未来绩效预测能力强于其他特征。
- 波动率异象具有一定的持久性与解释力，且不能简单归因于基金特征差异。
- 持续低波动率与更优绩效相关，支持文章核心逻辑。[page::3,4,5]

2.5 LVH因子引入与管理者能力再评估

• LVH因子构建：

- 选取美国三大交易所较大市值普通股，低波动率（前10%）组合收益减去高波动率（后10%）组合收益构建LVH因子。
- 该因子反映波动率异象。

• 因子统计特征（图7）：

- LVH因子平均超额收益1.16%，波动率11.66%；
- 与市场因素相关性负，中小盘因子及价值因子相关性中等，表现特异性因子特征。

• 因子引入模型结果：

- 加入LVH因子后，低波动率投资组合的月Alpha从0.15%降至0.03%，高波动率从-0.27%提升至0.00%。
- Alpha差异从5%/年大幅缩小至约0.36%，统计和经济意义均消失。
- 此结果表明，基金超额收益主要来自对波动率异象的暴露，而非管理者技能。

• 加入盈利能力（RMW）和投资（CMA）因子（图8）：

- 进一步加入Fama-French五因子中的盈利能力和投资因子，Alpha进一步变得不显著。
- 这两因子能避免“主场比赛”问题，即用构造因子的数据解释自身特点。
- 说明波动率异象背后有更基本公司的盈利和投资特征驱动。

• 结论：

- 基金超额收益受波动率异象及背后经济基本面因子驱动，不能简单认为基金经理有“特殊能力”。
- 波动率异象已解释或替代了传统管理者能力解释模型的Alpha。

[page::6,7]

---

3. 图表深度解读

图1：2000-2013年五类波动率投资组合的$1价值变化

• 描述：图示5个基于波动率分类的基金组合价值变化趋势，蓝色线（最低波动率组合）表现最优，显著优于最高波动率组合（橙色）等其他组合。

- 解读：低波动率基金组合长期稳健增长，最终价值几乎是高波动率组合的4倍以上，表现出波动率异象的持久效应。

• 联系文本：支持基金波动率是预测未来收益的重要指标，低波动率组合的稳健优势明显。[page::2]

图2 面板A：不同波动率组合的收益和风险指标

• 描述：列举Low、3、5、7、High五个组合的年化平均收益、几何收益、标准差、夏普比率和特纳比率。

- 解读：
- 收益明显由低向高波动率降低并最终为负；
- 风险指标随波动率升高；
- 夏普和特纳比率呈现了收益风险调整后的稳健性，低波动率组合完全领先。

• 文本联系：强调基金绩效差异已通过夏普等风险调整指标确认，非仅简单风险差异。[page::2]

图3 面板B：波动率投资组合月收益相关性

• 描述：低波动率与高波动率组合月收益相关系数在0.83左右，同类组合相互间关联度极高，显示波动率分类基金策略间有明显整体相关性。

- 解读：基金组合在市场因素影响下相关性较强，但波动率组合仍合成了风险和策略的不同维度。[page::2]

图4：波动率作为未来基金绩效预测的持续性

• 描述：展示不同滞后期间波动率测算对组合月Alpha的预测，低波动率组合Alpha稳定为正，高波动率为负且影响持续多年。

- 解读：波动率异象具有长期稳定的预测性，低波动率基金的优势具有持续性。

• 文本联系：证实波动率异象非短期偶发现象，基金绩效和波动率关系持久。[page::3]

图5：低/高波动率基金特征

• 描述：表格包含基金层面特征（收益、波动率、资产规模、成立时间、费用率、换手率）与Fama-French因子暴露的显著差异。

- 解读：
- 低波动率基金具有更大资产规模、较长成立时间、低费用及低换手率，且Beta和规模因子暴露较低。
- 高波动率基金表现为更高波动和更高换手率。

• 文本联系：差异说明波动率不仅为基金风险指标，也是基金风格分类标志，影响基金未来表现和管理者特征识别。[page::4]

图6：基金未来Alpha预测回归结果

• 描述：回归显示每日收益标准差对未来一年Alpha的负向影响显著（约-2.5%），其他变量影响较小但费用率同样显著。

- 解读：基金总波动率重要性优于基金先前Alpha，说明波动率是更强预测因子。

• 文本联系：为文章论点提供强实证支持，波动率作为基金绩效预测变量具统计学和经济学意义。[page::5]

图7：LVH因子及其他四因子的统计描述与相关性

• 描述：展示LVH因子的均值、波动率和与其他因子间的相关关系，显示其独立性。

- 解读：LVH因子表现出独特的波动率异象，相关性适中，适合作为新的风险因子加入模型。

• 文本联系：合理支持后文LVH因子加入后的模型解释力。[page::6]

图8: 新因子对低/高波动率基金Alpha的影响

• 描述：多组模型显示引入LVH、RMW与CMA因子后，低/高波动率基金的Alpha差异显著缩小甚至消失。

- 解读: 低波动率基金超额收益的消解，验证管理者能力在经过波动率异象调整后无显著贡献。

• 文本联系：核心证据支持波动率异象解释基金表现差异，基金经理能力被大幅削弱。[page::7]

---

4. 估值分析

报告不涉及具体公司估值，但分析框架中基于Fama-French四因子和五因子模型进行超额收益预测和检测。相关金融模型包括：

• Fama-French四因子模型：市场超额收益（Mkt-RF）、规模因子（SMB）、价值因子（HML）、动量因子（UMD）。

- 波动率因子LVH：低波动率组合收益减去高波动率组合收益。

• 五因子扩展：增加盈利能力（RMW）和投资（CMA）因子以解释波动率异象。

报告核心在于在多因子模型框架内对基金Alpha的解释力和预测力评估。[page::0-7]

---

5. 风险因素评估

• 基金波动率忽视风险：忽视波动率异象可能导致基金经理能力的严重误判，错误评估投资绩效导致投资决策失误。

- 模型缺陷风险：四因子模型未充分捕捉波动率异象内涵，因而存在评估偏误风险。

• “主场比赛”问题风险：以某异象构造的因子解释自身可能产生循环逻辑，为规避此风险，报告引入独立盈利和投资因子。

- 模型静态假设风险：假设波动率因子恒定风险结构，但实际市场波动性和因子暴露可能动态变化，存在模型不完善风险。

• 市场环境变化风险：波动率异象在不同市场环境、时间区间或非美国市场表现可能不同，存在外推风险。

报告提及部分风险缓解策略，如引入多因子避免主场比赛问题，但未完全覆盖所有潜在风险。[page::0-7]

---

6. 批判性视角与细微差别

• 潜在偏见：

- 报告认为基金经理能力影响被波动率等因子解释抵消，但未讨论其它可能影响Alpha的非观察变量或行为因素。
- 选择样本剔除指数基金ETF限制了结论普适性。
- 报告未深入讨论小基金规模和高波动率基金的生存偏差问题。
- 未提供对于不同市场或时间段的波动率异象表现差异的深入讨论。

• 假设局限：

- 估计依赖于历史数据回归，模型前提线性且稳定，现实市场可能非线性且波动率异象结构随时间变化。
- 股市结构性变化、新兴市场或其他资产类别波动率异象可能不同，跨市场适用性存疑。

• 内部细微之处：

- 波动率异象背后隐藏的盈利能力与投资因子驱动，暗示更深层经济因素作用，但报告未深入机制讨论。
- 费率和换手率对Alpha影响虽小但显著，提示基金管理成本控制仍关键，或影响管理能力评估。

• 总体审慎态度：

- 报告结论有力但仍需在基金经理技能测度、市场环境差异及跨资产类别验证上进行拓展验证。[page::0-7]

---

7. 结论性综合

本文通过严谨数据分析与多因子模型实证研究，确认低波动率基金长期表现优异，其未来Alpha显著高于高波动率基金，且波动率对Alpha的预测作用显著且稳定。基金管理者规模、成立年限、费用、换手率等基本特征对未来Alpha有一定但较弱的预测力。

然而，通过引入波动率异象因子LVH及公司盈利和投资因子后，低波动率基金的超额收益显著减少，管理者能力解释的空间几乎消失，表明基金的波动率特质暴露而非管理者技能是绩效差异的主因。

图1展示了波动率分类投资组合的长期累计收益明显分化；图2收益和风险指标呈现低波动率基金风险调节后更优表现；图4证明波动率的预测能力持久稳健；图5表彰了低波动率基金更优的特征组合；图6回归结果巩固了波动率对绩效的预测作用；图7和图8的因子检验揭示波动率异象通过LVH及公司基本面因子彻底解释基金超额收益差异。

综合来看，报告清晰指出：低波动率效应是市场层面的结构特征，而非基金经理特殊能力体现。忽略波动率异象易导致对基金管理者能力的误判，从而误导投资决策和业绩评价体系设计。

这对于量化投资、资产配置甚至监管评估均有重要启示，提示需在绩效评估中充分纳入波动率相关因子，防止能力评估偏误，科学设计基金评级指标。

整体而言，报告基于翔实的实证和严密的模型分析，提供了对基金绩效和管理能力理解的有力补充，强化了波动率异象在资产定价与基金评价中的地位和重要性。[page::0-7]

---

参考图片

• 图1：波动率投资组合价值变化趋势

• 图4：基金波动率预测未来Alpha的稳定性

• 图7：LVH等因子统计说明

（因图片未单独提供，如需要可进一步提取）

• 图10（二维码联系方式）

---

总结：本报告通过系统性数据分析和因子模型实证验证了波动率异象的普遍性及其对基金绩效评价的深远影响，否定了低波动率基金超额收益体现管理者能力的观点，强调在基金经理能力评估体系中需剔除波动率异象影响，从而得出更加准确的绩效评价。此研究对投资管理实践和学术研究均具重要指导意义。[page::0-7]

报告