构建基金经理数据库的必要性 [page::2]

• 传统基于基金产品维度评估存在数据稳定性和代表性不足问题。

- 基金经理频繁换岗，同一经理管理多只基金，需建立经理层视角进行研究。

• 数据样本涵盖普通股票型、偏股混合型、灵活配置型，按基金风格和行业主题分类。

基金经理数据库搭建关键点 [page::3][page::4][page::5][page::6]

• 代表产品判定：优先单独管理、管理时长≥1年、产品规模大，确定基金经理代表作。

- 空窗期处理：空窗期不计入业绩考核，计算基于真实管理期限。

• 业绩比较基准指数：构建基于基金经理日收益中位数的基金经理指数，覆盖不同风格类型基金经理。

- 基金经理指数表现优于传统基准，支持超额收益和回撤分析。


| 年份 | 全市场型经理 | 价值型经理 | 成长型经理 | 科技主题型经理 | 医药行业型经理 | 基准指数885001.WI |
|-------|--------------|------------|------------|----------------|----------------|--------------------|
| 2023 | -9.2% | -8.6% | -11.3% | -10.0% | -12.1% | -13.5% |
| 2024 | -4.9% | 3.0% | 5.0% | 8.1% | 4.7% | 4.8% |

基金经理维度增强传统选基因子绩效 [page::7][page::8][page::9]

• 经理维度数据在长期业绩类因子（如近3年Sharpe、Calmar、收益率）上的IC均值显著高于产品维度。

- 未来3个月与1年业绩相关性IC均提升明显，尤其在全市场和各基金风格分类中均有增强。

• 近3年收益率因子单因子FOF策略表现更优：

| 基金类型 | 预测期限 | 因子 | 产品维度IC | 经理维度IC | 提升幅度 |
|----------|---------|--------------|-----------|-----------|----------|
| 全市场型 | 未来1年 | 近3年收益率 | 0.0314 | 0.0877 | +0.0563 |
| | | 近3年Sharpe | 0.0711 | 0.1203 | +0.0492 |
| 价值型 | 未来3月 | 近3年Sharpe | 0.0623 | 0.0938 | +0.0315 |
| 科技型 | 未来1年 | 近3年Calmar | 0.0454 | 0.0906 | +0.0452 |

基金经理层数据库优化多因子FOF策略效果显著 [page::10][page::11]

• 通过筛选增强因子，构建经理维度多因子组合，显著提升年化超额收益。

- 经理维度FOF组合相比产品维度存在稳健超额收益。



| 年份 | 产品维度FOF收益 | 经理维度FOF收益 | 年度超额收益 |
|-------|----------------|-----------------|-------------|
| 2020 | 38.12% | 42.60% | 4.48% |
| 2021 | 19.11% | 21.63% | 2.52% |
| 2024YTD| 11.12% | 14.14% | 3.03% |

制作基金经理风险提示清单，辅助FOF风险管理 [page::11][page::12][page::16][page::17]

• 基于8个风险事件：基金经理更换公司、在管规模过大、管理精力分散、份额快速减少、份额快速扩张、过于追逐热点、重仓股踩雷、回撤幅度过大。

- 采用事件前后超额收益变化评估事件效应，有效事件均显著降低基金经理后期超额收益。

• 风险事件扣分权重结合时间衰减，累计扣分排名前5%的基金经理列入风险提示清单，反向收益率显著优于基准。

总结 [page::18]

• 基金经理层面数据库解决了代表产品选择、空窗期业绩计算及统一业绩基准问题。

- 利用基金经理维度数据优化选基因子，提升FOF组合收益风险表现。

• 基于历史事件构建风险提示清单，辅助剔除潜在风险基金经理。

- 对FOF投资策略的选优与风控均有重要价值。

量化专题报告 —— 基金经理层面的数据库制作与应用详解分析

---

一、元数据与概览

报告标题： 量化专题报告——基金经理层面的数据库制作与应用
发布机构： 国盛证券研究所
报告作者： 张国安、林志朋、刘富兵（均持有证券投资咨询执业资格）
发布日期： 2024年11月
研究主题： 公募主动权益型基金经理数据库构建及其在FOF（基金中的基金）投资中的应用，覆盖数据库搭建、核心方法论，及数据库在增强选基因子效力和风险提示中的具体实证效果。

核心论点与主要信息：

• 传统的基金产品维度研究忽略了基金经理变动的关键性影响，数据虽处理简便但结果稳定性不足，且无法准确评价跳槽基金经理的历史表现。

- 构建和使用基金经理层面的数据库能更准确反映基金经理真实投资能力，提升长期因子IC值，有效优化FOF组合的构建和管理。

• 同时，通过历史风险事件研究，建立基金经理风险提示清单，辅助策略规避潜在投资风险，显著提高投资组合的稳健性。

- 报告明确风险提示基于历史和模型推演，提示存在模型局限及失效风险，但为FOF投资和基金经理层面研究提供了重要创新工具。

---

二、逐节深度解读

2.1 为什么要构建基金经理层面的数据库

关键论点：
报告指出以往大多基于基金产品维度的研究存在严重缺陷：忽视基金经理变更影响、新跳槽基金经理缺乏历史业绩可用做评价、基金经理管理多产品但投资决策体现于代表作等，导致测算结果可能失真且稳定性不足。基金经理被视为投资决策的核心，代表基金经理层面的研究更加契合投资逻辑。为了可比性与精准性，基金划分为五大主动权益基金域（成长、价值、科技主题、医疗行业、全市场型），并按股票仓位与相关指数成分做严谨划分（图表1）[page::2]。

支撑逻辑与假设：

• 基金经理流动频繁，基于产品业绩简单测算造成历史评价数据混淆。

- 投资者选基金更多基于基金经理而非单一产品。

• 不同基金类型差异大，需分类研究保证指标有效性。

数据点说明：

• 各基金域样本数量如成长风格型732只、价值风格型183只等，涵盖细分领域多样性。

- 股票仓位上限界定为近多个报告期最大股票占净值比的最大值，保证权益属性。

---

2.2 如何搭建基金经理层面的数据库

代表作选取原则

核心内容： 针对基金经理多产品管理特点，采取“代表产品”原则，按是否单独管理、管理时长≥1年，再按产品规模大小依次选出代表产品（图表2）[page::3]。该方法弥补简单按规模加权合并的不足，保证代表基金经理关键投资风格和决策资产。

投资生涯空窗期业绩处理

方法论与选择：
空窗期因跳槽或休假难以纳入统一计算，有三种处理方式：设0收益、用同行中值替代、剔除空窗期，最终选择剔除空窗期以避免市场波动影响扭曲业绩，保证业绩计算的真实性和连贯性（图表3，红线跳跃展示多段任职业绩拼接）[page::4]。

基金经理业绩比较基准制定

主要做法与意义： 将在职基金经理收益率的中位数建为统一基准，用于计算基金经理的超额收益，实现不同基金经理间公平可比的业绩评价（图表4）[page::5]。依据不同基金池类型，分别建立相对应的基金经理指数，基本构架清晰且合理（图表5展示各经理指数累计收益表现，涵盖全市场型、价值型、成长型等多个细分基金池）[page::5]。

2.3 基金经理数据库可提供的数据字段

如图表7所示，数据库涵盖经理净值、经理持股以及经理因子三个主要模块，包含基金经理ID、日期、投资产品收益率、持股代码及权重、以及基于因子的定量指标。成熟的数据库设计利于多维度量化分析[page::6]。

---

3. 基金经理数据库的投资应用

3.1 优选经理：增强传统选基因子效果

主要论点： 基金经理维度的因子在预测未来业绩（短期的3个月及长期的1年）方面表现优于产品维度，提升了因子的IC值显著（图表8-10），说明基金经理数据包含更稳定、更具代表性的业绩信号[page::7]。

• 以近3年Sharpe因子为例，基金经理维度的IC均值从产品的约0.05提升至约0.1，表明预测相关性倍增。

- 实证中，经理维度数据在不同基金池（如价值型、成长型、医药型、科技型）均有类似IC提升（图表12），说明这一优势具备广泛适用性。

• 以“近3年收益率因子”构建的单因子FOF策略对比显示，经理维度策略收益曲线明显优于产品维度（图表11）[page::8]。

逻辑与推断：
基金经理的行为和业绩持续性可能更稳定且易识别，剔除基金产品的无效噪音，因而更能反映真实的投资能力。

3.2 风险提示：基金经理风险提示清单

主要内容与方法：
通过事件研究框架，定义多种负面风险事件（基金经理更换公司、管理规模过大、管理精力分散、持有人信任下滑、份额快速扩张/减少、追热点、重仓股踩雷、回撤过大），据统计这些事件与基金经理超额收益大幅下滑显著相关。相关评估指标包括事件发生前后250个交易日的超额收益差异、超额下降概率与幅度，综合事件效应E = P×S进行量化分析（图表17）[page::12]。

具体风险事件分析（部分重点）：

• 基金经理更换公司事件： 752次统计样本，超额降低概率59.26%，平均下降幅度17.53%（图表18）[page::13]

- 管理规模过大（当管理规模首次超过100亿）： 650次事件，79.23%概率导致收益超额下降，幅度高达25.27%（图表19）[page::13]

• 管理精力分散（同时管理3只以上不同策略产品）： 565次，56.48%概率下降，幅度15.77%（图表20）[page::14]

- 份额快速减少与快速扩张： 两者分别为509和508次，超额下降概率均超过56%，幅度分别为15.16%、20.80%（图表21-22）[page::14-15]

• 过度追逐热点（产品IFF因子 > 0.8）： 1410次事件，67.38%概率下降，幅度19.17%（图表23）[page::15]

- 重仓股踩雷（重仓股票跌幅处于最低10%）： 978次，55.94%概率下降，幅度16.50%（图表24）[page::16]

• 回撤幅度过大（近1年回撤 > 50%，且处于行业前10%）： 610次，66.39%概率下降，幅度高达25.32%（图表25）[page::16]

风险提示清单制作流程：

• 列举8个风险事件的超额下降概率与幅度计入扣分权重（表格26），

- 对基金经理过去1年出现事件进行打分，采用时间衰减因子 $e^{-d}$ 权衡历史事件时长，

• 扣分最高的5%基金经理列入风险提示清单（图表27显示负面清单经理组合指标明显低于基准）[page::17]。

---

三、图表深度解读

核心图表解析：

• 图表2（代表产品示意）： 展示了对于基金经理A在不同产品的任职情况，如何先剔除共同管理、任职不足一年，然后按规模大小选取代表产品。例如，虽然产品2规模较大，但经理A单独管理且任职不足一年，优先满足单独管理和任职时间原则后选出产品4作为代表作。该流程符合投资实际选择逻辑，避免混杂业绩的不合理合并。[page::3]
• 图表5（基金经理指数累计收益）： 各基金经理指数均跑赢基准指数885001.WI，科主题、成长型和医药型经理行业表现尤其突出，呈现出基金经理集体超额收益的趋势，支持使用这些指数作为基准合理性[page::5]。
• 图表8、图表9（IC对比条形图）：明显显示基金经理IC（黄色）高于基金产品IC（蓝色），反映经理层面数据对于短期(3个月)与长期(1年)未来收益预测均更有效，数据呈现持续性和周期性提升[page::7]。
• 图表11（收益率曲线对比）： 单因子策略（近3年收益率因子）采用基金经理维度数据（橙色）相较产品维度（蓝色）表现更优，收益累计涨幅明显超过，且相对超额收益（灰色阴影区）趋势向上[page::8]。
• 图表15及图表16（FOF组合对比）： 经理维度的FOF组合明显优于产品维度，图表15收益曲线更高且波动温和，图表16详细年度收益也显示经理维度组合逐年均超过产品维度组合，即使在2016、2018、2022等市场不佳年份依然相对抗跌，反映更高投资稳健性和可持续性[page::11]。
• 图表17（事件效应示意）： 清晰展示如何利用事件前后基金经理净值及比对指数超额收益变化进行事件效应测算，强化事件研究方法论的透明度与信度[page::12]。
• 图表27（风险提示清单表现）： 风险提示清单经理组合收益明显低于基准指数，验证风险事件识别的有效性及对风险管理的实际贡献[page::17]。

---

四、估值方法简析

本报告不涉及传统意义上的股票或基金估值分析，核心关注点为基金经理绩效评价及风险识别模型构建，其“估值”更多体现在多因子模型中因子IC的提升和超额收益的量化实际提升，具体涵盖因子构造、IC回测、FOF绩效模拟等量化方法，充分依托统计学和概率模型，强调基金经理层面而非产品本身的独特估值逻辑。因而传统DCF、P/E等估值模型未被使用，体现出量化投资研究的专注与差异化。

---

五、风险因素评估（基金经理风险事件）

报告详尽揭示了8大风险事件，均经过样本回测验证其显著风险预示作用。其共性表现为：

• 超额收益下降概率普遍在55%以上，说明多数风险事件展开后基金经理相对表现下滑的概率很高；

- 超额收益平均下降幅度多达到15%-25%级别，意味着业绩波动和风险幅度显著；

• 设计时间衰减权重合理捕捉风险事件的时效性。

风险揭示合理具体，覆盖基金经理跳槽、规模压力、管理分散、投资者信心变动、资产配置热点追逐、选股失误及风控不足，是投资过程中的重要预警工具[page::12-17]。报告也诚实指出历史统计及模型固有局限，存在未来失效风险，提示投资者应结合多因子及主动管理进行综合判断。

---

六、批判性视角与细微差别

• 基金经理代表产品选取与基金经理多策略管理：单一代表作原则虽然更贴近投资实际，但可能弱化不同产品间策略多样性的短期冲击，尤其当经理管理的多产品策略大相径庭时，可能丢失部分多维度表现信息。

- 空窗期剔除法：虽然避免了收益扭曲，但也使时间序列或断裂，可能影响部分因子计量的连续性与库存，未来可以考虑空窗期效应的更细粒度建模。

• 风险事件定义的阈值设定（如管理规模100亿，份额变化80%等）多基于统计经验，具体阈值科学性和动态适应性仍有改进空间。

- 因子增强效果并非全面：部分基金因子在经理维度中无提升，报告对此均有合理说明与披露，增强应用科学严谨。

• 风险清单和因子选基策略主要基于历史数据，新型市场环境下模型表现仍需持续监控和动态校正。

整体来看，报告表达谨慎严谨，创新性强但未过度夸大结论，保证了研究的科学性和实际应用价值。

---

七、结论性综合

本报告构建了全面且系统的基金经理层面数据库，针对基金经理多产品管理、空窗期业绩处理及统一业绩比较基准的核心难题，提出了科学合理的解决方案。数据库支持广泛指标提取（净值、持股、因子值），为多因子FOF投资策略提供了更精准的因子信号，显著提升了选基因子的IC值和后续的投资组合收益及稳健性（图表8-16）。

与此同时，通过大规模事件研究体系，报告识别了8大历史有效的负面风险事件，建立了基金经理风险提示清单，有效预警业绩潜在风险，辅助FOF策略规避踩雷风险，提升组合的防御水平（图表17-27）。数据驱动与实证研究相结合，令基金经理层评估方法更智能、更系统、更可操作。

结合全部图表和数据，报告充分展现了基金经理层面数据库在量化投资尤其是FOF领域的创新价值：

• 基金经理维度数据提供了更稳定和有效的业绩预测信号。

- 基金经理风险事件反映的风险提示具备显著统计意义和投资实用性。

• 基于经理维度的FOF组合表现明显优于产品维度组合，无论长期收益还是分年度结果均更加稳健。

整体上，报告传递的核心立场为：基金经理是基金投资和管理的关键主体，从经理层面构建和应用专业数据库，将显著优化公募主动权益FOF投资策略，增强收益持续性和风险控制能力。报告体现了高度专业性和操作性，是当前量化投资领域重要的研究成果。

---

参考引用

文中所有结论均清晰对应页码标注，如[page::3][page::7][page::12-17]等，确保科学溯源。

---

END

报告