2022年基金投资行业专题分析 如何构建稳定战胜主动股基的FOF组合？

1.对主动股基业绩的思考

伴随着公募基金的高速发展，截止到 2021 年末，我国公募基金中股票型与混合 型基金总规模已经突破 8 万亿元，基金数量超 5000 只，资管行业的发展可谓是 势头正猛。与此同时，公募基金在资产配置中的重要性日益凸显， 这也为公募基 金带来了越来越多的关注度。

在公募基金众多类别中，主动股基 (我们称成立或者转型超过 15 个月的普通股票 型、偏股混合型以及灵活配置型基金，同时满足过去连续四个报告期权益仓位均 大于 70%的基金为主动股票型基金，简称主动股基，后文不再赘述)是投资者在 进行配置中博取收益的主要来源之一。作为资产配置中的重要工具，主动股基的 业绩在统计意义上是否可以预测？FOF 组合的行业、风格暴露风险是否可控？是 否可以搭建一个框架体系对主动股基进行稳健增强？这些都是投资者所关注的问 题，本文将尝试对上述问题进行讨论与解答。

市场风格多变，难言常胜将军

股票市场风云变幻，2021 年，我们共同经历了 A 股结构性的极端分化、教培行 业降温整顿、变种病毒肆虐蔓延等一系列重要事件。让我们回到这一年，以 2021 年 春 节 为 时 间 节 点 ， 考 察 春 节 前 （ 2021.01.04-2021.02.10 ） 和 春 节 后 （2021.02.18-2021.12.31）主动股基收益率以及排名变化情况。

受春节前 后市场环境变化影响，春节前收益较高的基金在春节后至 2021 年底的收益相对 较低，而春节前收益较低的基金较大概率呈现出春节后收益相对较高的情况，所 有主动股基春节前后收益率的相关系数为-0.64。春节前 排名在前 10%的主动股基，在春节后平均排名为 82%，而春节前排名在后 10% 的主动股基，在春节后平均排名为 21%。

通过上述案例我们知道，市场风格的短期剧变会带来主动股基业绩排名的大幅波 动。在中长期窗口来看，想要在主动股基中持续排名靠前绝非易事。我们做了这 样一个统计，自 2010 年以来在每年年初选定当年主动股基，查看任意两年区间 内，每年均战胜主动股基中位数收益的基金占比。

可以看到，自 2010 年至 2014 年没有一只主动股票型基金可以每年均战胜主动股 基中位数收益，同时自 2014 年至 2021 年，能够每年均战胜主动股基中位数收益 的基金数量也为 0。2015 年至 2021 年只有 1 只基金每年都战胜了主动股基中位 数收益，占比为 0.63%。

2010 年至 2021 年间，连续 2 年每年均战胜主动股基中位数收益的基金占比平均 为 25.8%，连续 3 年每年均战胜主动股基中位数收益的基金占比平均为 13.77%， 连续 4 年达到上述条件的基金占比平均为 6.9%。目前没有一只基金可以连续 8 年每年均战胜当年的主动股基中位数。

可以看到，在充满变换的市场环境下，以及主动股基的激烈竞争中，能够长期战 胜中位数收益的基金可谓是凤毛麟角。

从 3 年的时间维度来看，可以连续 3 年每年都排名处于前 30%的主动股基占比仅为 3.43%，仅有 0.13%的主动股基可以做到连续 3 年每年都排名处于前 10%。

基金业绩的稳定性对于基金长期排名的提升是有助力的，如果 基金可以连续 3 年排名处于主动股基的前 50%，其 3 年期累计业绩的的平均业绩 排名分位点为 13.42%；如果基金可以连续 3 年排名处于主动股基的前 30%，其 3 年期累计业绩的的平均业绩排名分位点为 4.27%。

主动股基中位数的代表了权益类公募基金的平均投资业绩，我们考察市场上的主 动股基相对于主动股基中位数的偏离程度，将基金过去一年相对主动股基中位数 的年化跟踪误差分为 0%-5%、5%-10%、10%-15%以及大于 15%这四个档位。

可以看到 2015 年以前主动股基由于数量较少，大多数的基金相对主动股基中位 数指数的跟踪误差较低，基本都在 10%以内。2015 年因为市场的剧烈波动，基 金表现分化明显，跟踪误差不断扩大，随后快速缩小。

2017 年年中开始主动股基相对主动股基中位数指数的跟踪误差不断上升。一方面，随着基金市场的扩大，基金数量越来越多，另一方面，各种各样的风格型、 赛道型基金越来越多，主动股基中相对基准指数能保持跟踪紧密的基金数量越来 越少。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。

从上面的分析可以看到，正因为主动股基业绩表现存在较大波动，所以构建出能 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，市场需求也是巨大的。

如何对主动股基进行稳健增强？

从本节开始，我们将开始讨论对主动股基进行增强的方法与框架。众所周知，指 数增强基金 A 股已有十几年的历史，指数增强基金力求在对基准指数（如沪深 300、中证 500）进行一定跟踪（通常年化跟踪误差不超过 7.75%）的基础上， 实现对基准稳定的超额收益。从过去十几年的实践经验来看，指数增强基金基本 都能实现对基准指数 1 以上的信息比，优秀的指数增强基金相对基准指数的信息 比甚至能超过 2。

目前指数增强基金使用最多也是最经典的做法就是通过多因子打分体系对选股池 中的股票进行打分，或者说收益预测，同时通过风险模型来刻画股票组合的行业、 风格暴露，最后通过组合优化的方法获得满足风险约束条件的最优组合。

基于此，我们尝试将多因子指数增强的方法运用到 FOF 组合的构建中，希望能以 此为基础构建稳定战胜主动股基金的 FOF 组合。相应的，我们需要完成基金的收 益预测，基金的行业、风格暴露特征刻画这两块核心工作，然后再运用组合优化 的方式构建出相应的 FOF 组合。

2.基金的收益预测模型

基金的收益预测模型是 FOF 组合构建的基石。经典的做法是找到一些低相关性 的、对基金未来一段时间收益有统计意义上预测作用的因子，然后用这些因子综 合对基金进行打分、收益预测。

如何判断一个因子对基金未来一段时间的收益是否有预测作用？一般我们是考察 截面因子取值与未来一段时间收益率之间的相关性，比如 RankIC、RankICIR， 此外，因子的十档分组收益单调性也是衡量因子有效性的重要维度。

关于选基因子，在国信金工团队前期的 FOF 系列专题中已经有较多的介绍，这里 我们做一下简单的回顾，具体内容可参考对应的报告。 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。 图 7 展示了上述选基因子在多空年化收益、RankIC 均值、RankICIR、RankIC 胜 率以及十档分组这几个维度的表现（因子的具体构建方式详见附录 1），可以看 到，每个因子对基金未来业绩都是有显著的预测作用的。

在构建完一些选基金因子之后，我们需要对选基金因子进行合成以形成构建预测 能力更强的因子。在因子合成前，必须要做的一步工作是对因子的相关性进行检 验，如果备选的因子间存在较高的相关性，则需要先对相关性较高的因子先进行 小类合成（避免相关性过高的因子带来某类因子的过重配置），然后对相关性不 高的小类因子再进行大类合成，因子间相关性越低，合成后因子的预测能力就越 强。

3.基金的风险模型

在经典的多因子指数增强模型中，风险模型是收益预测模型之外的另一块基石， 好的风险模型能帮助我们准确的刻画出投资组合的风险特征，进而对组合进行风 险控制。下面我们讨论 FOF 组合的风险模型，FOF 组合是基金的 组合，而基金又是股票组合，因此我们从股票的行业、风格暴露特征出发，刻画 基金的行业、风格暴露特征，最后形成 FOF 组合的行业、风格暴露特征。

股票的行业、风格特征是容易获取的，接下来需要知道的基金的持仓信息，我们 知道，公募基金只在每个季度结束后的 15 个工作日内披露基金在季度末的十大 重仓股、在 8 月末和次年 3 月末披露 6 月底和 12 月底的全部持仓信息。如果仅 使用基金半年报和年报中的全部持仓信息，不仅会降低持仓信息的获取频率，时 效上的滞后也是非常严重的。为此我们需要更快速更高频的获取基金的全部持仓 信息，以对基金的行业、风格特征做出更好的估计。

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》。报告综合基金持仓和基金收益率两个维度的数据，从基金重仓开始逐 步还原基金的全部持仓，这里对算法做一个简要介绍，我们将基金持仓还原过程 分成已知持仓、管理人持仓和回归拟合三个阶段：

1） 基金披露的重仓股和上市公司披露的股东数据是可获得的已知持仓；

2） 该基金经理同期管理的其他基金中的已知持仓和本基金的上期持仓属于管理 人持仓，我们通过特定算法计算此部分持仓的权重，作为基金持仓的重要补充；

3） 对剩余仍未还原的持仓，我们首先构建备选股票池，然后使用回归拟合的方 法，从备选股票池中选出对基金收益率拟合度高的股票。

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。基金的已知持仓是能够直 接获得的基金持仓，可信度最高。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。如果使用已知持仓和管 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，从有一定参考性的备选股票池中筛选股票。

第一阶段使用“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。

第二阶段使用“管理人持仓”，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。

第三阶段进行“回归拟合”，回归拟合是指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。

以 2021 年 7 月末预测的 2021 年 6 月 30 日的主动股基金持仓为例，我们看到 Wind 一级行业估算权重与实际权重 的平均绝对偏离均值为 0.53%，估算行业权重与实际行业权重之差的最大值为 1.3%，最小值为-1.05%，持仓还原的方法能对主动股基金整体的行业配置有较为 准确的估计。

接下来我们对主动股基行业划分的口径进行一些探讨。我们知道，常见的行业划 分方法有很多，比如证监会行业分类、中信行业分类、Wind 行业分类等等。

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 75%，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医药行业占比 17.65%，权重在 5%以上的行业有 5 个， 权重在 3%以上的行业有 10 个，有 20 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 22.70%，有 6 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。

综合以上分析，在刻画主动股基的行业配置信息时，行业的划分既不能太粗（容 易模糊关键信息），也不能划分得太细（容易引入噪音）。因此在后面实证过程 中，我们统一采用 Wind 一级行业分类为度量口径。

4.基于基金板块轮动的 FOF 组合

前文介绍的基金收益预测模型和风险模型都是自下而上从微观维度出发进行 FOF 组合的构建。我们知道，不少投资者在投资框架中会纳入自上而下的一些配 置策略，比如，未来一段时间看好成长/价值、大盘/小盘风格、或看多/看空一些 行业板块。在上文介绍的投资框架中，是否可以纳入先验的行业、风格配置观点？ 如何加入？加入后组合的信息比能否提升？下面我们对这些问题进行探讨。

前文的分析我看到，紧跟主动股基金的行业配置是降低 FOF 组合相对主动股基回 撤的有效手段，因此我们借鉴应用比较广泛的“核心+卫星”的配置思路来进行行业 板块配置，具体的，所谓“核心”，指的就是行业配置的主体，这里我们以主动股 基金的平均行业配置为“核心”部分的配置标准；所谓“卫星”，指的是“核心”策略的 辅助策略，对“核心”策略做一定程度的补充，在风险可控的范围内去博取更高的 收益，后续的我们会以国信金工团队开发的 3M 板块策略为“卫星”策略，在主动股 基平均行业配置的基础上用“3M 板块轮动策略”的结论进行相应的板块超低配。

3M 板块轮动策略

3M 板块轮动策略以 Wind 一级行业为研究对象中，我们从微观（Micro）、中观 （Medium）和宏观（Macro）三个维度对 Wind 一级行业进行综合打分评价。3M 板块轮动策略体系架构如图 16 所示，我们将微观视角的 Micro 因子、中观视角的 Medium 因子和宏观视角的 Macro 因子加权合成，形成最终的综合板块轮动因子 3M 因子。

基于板块轮动的 FOF 组合

鉴于 3M 因子在板块层面有较为出色的预测能力，因此，我们按照如下方式将 3M 板块轮动的结果融入到 FOF 组合的行业配置中，在每个调仓时点，计算各个板块 的 3M 因子得分，对于得分较高的 50%的板块相对主动股基的平均配置不低配， 其中得分最高的 25%的板块配置权重超配范围为：0%-10%，得分排名 25%-50% 的板块配置权重超配范围为：0%-5%。对于得分较低的 50%的板块相对主动股基 的平均配置不超配，其中得分排名 50%-75%的板块配置权重低配范围为： -5%-0%，得分最低的 25%的板块配置权重低配范围为：-10%-0%。

6.总结

对主动股基业绩的思考

伴随着公募基金的高速发展，主题型、赛道型的基金产品日趋增多，基金在不同 市场环境下业绩波动巨大，从 2010 年以来的统计数据看，连续 3 年每年均战胜 主动股基中位数收益的基金占比为 13.77%，连续 4 年达到上述条件的基金占比 仅有 6.9%，可见在不同市场环境下均能稳定战胜主动股基中位数并不容易。

如何对主动股基进行稳健增强？

从 A 股指数增强基金十几年的运作经验来看，指数增强基金基本都在跟踪住基准 的基础上实现了稳定的超额。我们尝试将多因子指数增强的方法运用到 FOF 组合 的构建中。为此，我们搭建了基金的收益预测模型、基金的风险模型，然后再运 用组合优化的方式构建出相应的 FOF 组合。

基金的收益预测模型与风险模型

我们将收益类因子、机构关注度因子、隐形交易能力因子、基金规模因子、员工 信心以及业绩洞察能力因子合计 6 大类因子等权重合成综合选基因子，构建基金 收益预测模型。综合选基因子 IC 均值为 14.5%，年化 ICIR 为 1.99，IC 的月度胜 率为 82.73%，十档分组收益单调，多空组合季均收益 2.78%。 风险模型是收益预测模型之外的另一块基石，FOF 组合是基金的组合，而基金又 是股票组合，因此我们从股票的行业、风格暴露特征出发，刻画基金的行业、风 格暴露特征，进而形成 FOF 组合的行业、风格暴露特征。

风险控制与组合优化

根据我们稳健战胜主动股基金的目标，我们采用“核心+卫星”的配置思路来进行板 块配置，所谓“核心”，指的就是行业配置的主体，我们以主动股基金的平均行业 配置为“核心”部分的配置标准；所谓“卫星”，指的是“核心”策略的辅助策略，我们 以国信金工团队开发的 3M 板块策略为“卫星”策略，在主动股基平均行业配置的基 础上用“3M 板块轮动策略”的结论进行适度的板块超低配。 我们以“核心+卫星”的配置结论作为行业配置的约束，根据基金收益预测模型以最 大化 FOF 组合的得分为目标函数进行组合优化，得到基于板块轮动的 FOF 组合。

基于板块轮动的 FOF 组合

基于板块轮动的 FOF 组合自 2013 年以来每年排名均处于主动股基的前 50%，历 年平均排名分位点 30%，组合费后年化收益为 22.25%，相对主动股基年化超额 8.63%，年化跟踪误差 3.76%，超额收益最大回撤 3.08%，信息比 2.29，收益回 撤比 2.80，自 2013 年以来的 37 个季度中，组合只有 2 个季度小幅跑输了主动股 基中位数，季度胜率高达 94.59%。

编辑：999感冒灵