大发一分快三 汇聚海量最新国内、国际资讯

目标指数增强类基金的识别及FOF组合构建研究

2020-09-16已围观 12 次来源:互联网编辑:大发一分快三

摘要

研究背景

目前指数化投资已成为一种趋势,然而在A股市场中宽基指数表现并不突出,主动基金仍存在显著的Alpha收益。如果能将Alpha收益和指数型产品结合,长期投资便可以获得更高的收益。事实上,指数增强类基金既满足了投资者对风格稳定基金的偏好,又满足了投资者对更高收益的追求。然而,传统的指数增强类基金主要指的是基于量化选股方法的增强指数型基金,而忽略了市场中诸多基于基本面选股方法的主动权益型基金。因此,本报告试图重新构建指数增强类基金筛选方法,旨在获取更高的投资收益。

目标指数的增强类基金识别模型

指数增强类基金的筛选关键在于对权益类基金业绩基准的识别,本报告提出了基于模拟基准的增强类基金识别模型。该模型以基金的模拟基准与目标指数相似度尽可能高为约束条件,以追求未来Alpha收益的最大化为目标,涉及基准指数匹配模型和Alpha收益预测模型两部分。其中,基准指数匹配模型通过指数走势、行业偏离、成份股占比三个维度刻画模拟基准指数与目标指数的匹配度;Alpha收益预测模型通过隐性信息比率因子打分。

目标指数的增强FOF组合构建

基于目标指数的增强类基金识别模型,本报告进行了增强类基金池的筛选和增强FOF组合的构建研究。 与传统增强指数型基金产品相比,增强FOF组合在小幅增加相对风险的条件下,大幅提升了超额收益和信息比率,长期投资价值更高。截至2020年7月底,各宽基指数的增强FOF组合表现如下:

沪深300指数增强FOF组合的年化收益率为13.50%,年化超额收益率为10.89%,信息比率达到了1.66,除2010年外相对最大回撤均在10%以内。

中证500指数增强FOF组合的年化收益率为17.57%,年化超额收益率为13.70%,信息比率达到了2.02,除2015年外相对最大回撤基本控制在10%以内。

中证1000指数增强FOF组合的年化收益率为13.45%,年化超额收益率为21.74%,信息比率达到了2.65,除2019年外相对最大回撤基本控制在10%以内

1. 引言

1.1、指数化投资已成为一种趋势

截至2019年底,美国共同基金市场资产规模接近22万亿美元。近十年来,美国共同基金发生了结构性变化,主动股票型基金占比由82%降为61%,而以指数基金和ETF为代表的指数型产品占比由18%提升至38%,且指数型产品长期保持着资金净流入。

截至2020年7月底,大发一分快三指数型产品的规模超过了1.4万亿元。 近年来,大发一分快三指数型产品得到了飞速发展,已成为市场中非常重要的产品类别,指数化投资已经成为一种趋势。根据中证指数公司的统计,大发一分快三指数型产品数量和市场规模的年复合增长率均达到了30%以上。与同期美国和亚太地区相比,大发一分快三指数型产品数量与规模实现了快速扩容,但在绝对规模水平上仍然存在较大提升空间。

1.2、A股市场仍存在显著的Alpha收益

事实上,在美国长期牛市背景下指数化投资的赚钱效应明显,坚持投资指数型产品是可以获得很好收益的,例如:过去十年中标普500指数年化收益率达到了11.50%,纳斯达克指数的年化收益率为16.90%,均表现较为优异。然而A股市场中的宽基指数虽然大幅跑赢了上证综指,但表现并不突出,过去十年沪深300指数的年化收益率仅为5.05%,中证500指数的年化收益率为4.61%,且A股宽基指数的波动更大。 由此可见,在A股市场中长期持有宽基指数并不能获得较高的收益,这与美股市场存在一定差异。

同时,当我们将宽基指数与主动基金指数比较时,可以发现A股市场中主动基金的投资价值更高。主动基金指数的年化收益率超过了10%,A股市场中依然存在显著的Alpha收益。主要原因是,大发一分快三股市的交易主要是由个人投资者贡献的。根据2010年至2019年上海证券交易所统计年鉴,2010年以来自然人以约20%持有市值创造了超过80%的交易占比,其交易量远超过专业机构投资者。然而机构投资者无论是在信息获取还是投研能力上都拥有明显优势,因而在A股市场目前是存在显著的Alpha收益的。机构投资者拥有信息优势和突出的投资能力,能获取更多的Alpha收益,从而使得管理的主动基金业绩表现更加突出。

1.3、指数增强类基金的介绍

指数型产品拥有持仓股票公开透明,费率低等优势,即投资者希望以低成本投资风格稳定的基金产品,以期获得良好的投资收益。 由于A股市场存在显著的Alpha收益,如果能将Alpha收益和指数型产品结合,长期投资该类产品便可得到更高的投资收益。

事实上,增强指数型基金产品可以满足上述要求。增强指数型基金以力争实现超越目标指数的投资收益为目标,同时会约束跟踪误差和股票投资范围(如投资于目标指数成份股和备选成份股的资产不低于股票资产的80%)。目前,市场上主要采用量化选股方法实现增强指数收益的目标,但也有少部分基金经理采用基本面选股方法管理增强指数型基金。

同时,也有部分主动权益型基金以目标指数为基准,追求稳定的超额收益。目前,市场上主要采用基本面选股方法管理主动权益型基金,但也有少部分基金经理采用量化选股方法。相比于增强指数型基金,放宽了跟踪误差和拓展了股票投资范围,目的是发挥主动选股的优势获取更高的超额收益。 我们将其与增强指数型基金合在一起,可统称为指数增强类基金。指数增强类基金既满足了投资者对风格稳定基金的偏好,又满足了投资者对更高收益的追求。

1.4、小结

由上文分析可知,目前指数化投资已成为一种趋势,然而在A股市场中宽基指数表现并不突出,主动基金仍存在显著的Alpha收益。指数增强类基金将Alpha收益和指数型产品结合,既满足了投资者对风格稳定基金的偏好,又满足了投资者对更高收益的追求,长期投资可以获得更高的收益。然而,传统的指数增强类基金主要指的是基于量化选股方法的增强指数型基金,而忽略了市场中诸多基于基本面选股方法的主动权益型基金。 因此,本报告试图重新构建指数增强类基金筛选方法,旨在获取更高的投资收益。

具体的,本报告将构建增强类基金识别模型,对特定目标指数进行增强类基金池的筛选并构建增强FOF组合,并以市场宽基指数进行相关实证研究。目标指数增强基金筛选模型的构建,对筛选特定风格的基金提供了新方法,对探索基金经理行为提供了新思路,对深入开展基金评价和业绩持续性的研究提供了依据,对FOF组合构建具有一定的参考意义。

我们知道,前文中定义的指数增强类基金是跟踪特定目标指数且能获得一定超额收益的权益类基金。 因此,考虑到指数增强类基金的特性,我们可以将其收益分解为Beta收益(β)和Alpha收益(α)两部分。其中Beta收益代表的是目标指数的基准收益,是基金产品的基础收益;而Alpha收益代表的是相对目标指数的超额收益,是基金经理通过主动管理获得的,体现了基金经理的投资能力。

例如,部分基金公司推出的研究精选基金等,该类基金通常依托基金公司强大的研究团队,由研究员精选各行业的好股票,再由投资决策小组参照目标指数进行均衡配置,力争实现基金资产的长期稳健增值。

由此可知,针对指数增强类基金的筛选关键在于对权益类基金业绩基准的识别。基金的业绩基准可分为合同披露的业绩比较基准和自主构建的业绩比较基准。

合同披露的业绩比较基准,是基金产品为自己设定的、可实现的预期目标,作为该产品未来业绩考核的主要参考目标和标准。然而大发一分快三部分公募基金产品在业绩比较基准的设定上比较随意,通常会采用常见的宽基指数(如沪深300指数等),并未考虑产品管理对标的指数,或产品策略变更也没有及时修改业绩比较基准,进而使得诸多基金的净值与基准指数之间存在较大偏离。

自主构建的业绩比较基准,通常可分为指数回归法、因子拟合法和持仓模拟法等。在此前的 《20200610天风证券-基金研究:基金的业绩比较基准构建及动态评估研究》报告中,我们对比了不同方法的原理和优缺点,提出了更加有效的模拟基准指数法,可以更好地跟踪权益类基金的净值走势。

模拟基准指数法,是将基金的股票资产、债券资产、现金及其他资产加权合成构建的基准指数。其中股票资产为主要资产,采用重仓股补全法模拟基金季度持仓替代真实持仓;债券资产则直接使用中证全债指数替代,现金及其他资产直接使用一年期定期存款利率替代。

此外,我们会定期会对模拟基准进行更新,调整时点定在每个季度结束后的第15个交易日。相比于合同披露的业绩基准,模拟基准可作为基金业绩表现参考的锚,紧密跟踪基金净值走势。

基于模拟基准,我们提出了针对特定目标指数的增强类基金识别模型。该模型主要包括基准指数匹配模型和Alpha收益预测模型两个部分,下面我们将分别展开介绍。

2.1、基准指数匹配模型

针对指数类基金,由于合同会披露跟踪标的指数,可直接将跟踪标的指数与目标指数进行匹配;针对主动类基金,由于既无跟踪标的指数又无有效的业绩基准,并不能直接与目标指数进行匹配。 因此,我们将构建基准指数匹配模型进行主动类基金的识别。

模拟基准指数匹配模型,是引入基金的模拟基准,与目标指数进行相似度匹配来判别的。在相似度刻画上,我们选择了指数走势、行业偏离和成份股占比三个指标。具体的:

(1)指数走势

(2)行业偏离

(3)成份股占比

2.2、Alpha收益预测模型

Alpha收益是基金相对基准收益的超额收益,体现了基金经理/投研团队的管理能力,来源包括但不限于资产配置、选股、择时、交易以及打新等等。

首先,我们对因子进行RankIC检验。即在每个月末利用基金过去一年数据计算因子值,并与基金未来半年收益率计算RankIC值。可以发现,隐性信息比率因子均表现较好,RankIC均值达到了0.119,标准差为0.098,胜率在85%以上,RankIC_IR值超过了1。从下面的RankIC序列统计图可以发现,隐性信息比率因子长期表现较好,且整体而言局部反转并不明显。

进一步的,我们在月频上对因子进行了半年度调仓的分组有效性检验。即在某月节点按照因子值降序排序将基金等分成10组并等权重构建组合持有半年再调仓,滚动计算,统计每组相对基金平均业绩的年化超额收益,最终得到12个月份调仓策略的分组年化超额收益统计表。我们计算了12个策略年化超额收益均值统计结果,如上图所示。可以发现,隐性信息比率因子的分组单调性较好,多空年化收益差明显,多头年化超额收益平均值达到了3.73%。

同时,分开来看12个月份调仓策略的分组有效性检验结果可以发发现,隐性信息比例因子的多头年化超额收益更高且更加稳定,不同月底调仓策略的多头年化超额收益均在3%以上。

由此可见,隐性信息比率因子表现较好,对基金未来业绩具有非常好的预测能力。因此,我们可以选择隐性信息比率因子构建Alpha收益模型。同时,我们希望基金的Alpha收益越高越好。因此,我们可以通过设定阈值来确定筛选基金,即当基金的隐性信息比率值超过特定阈值时,则认为其未来具有较好的Alpha收益。

2.3、小结

将前文中的基准指数匹配模型和Alpha收益预测模型结合,便可得到针对目标指数的增强类基金识别模型。 增强类基金识别模型,以模拟基准与目标指数相似度尽可能高为约束条件,以追求未来Alpha收益的最大化为目标。示意图如下所示。其中,基准指数匹配模型通过指数走势、行业偏离、成份股占比三个维度刻画模拟基准指数与目标指数的匹配度;Alpha收益预测模型通过隐性信息比率因子打分。

3. 实证研究

前文中,我们构建了针对目标指数的增强类基金识别模型,本节我们将以A股市场宽基指数为例,进行指数增强类基金池的筛选和增强FOF组合的构建研究。

3.1、沪深300指数增强FOF组合构建

沪深300指数,是由上海和深圳证券市场中市值大、流动性好的300只股票组成,反映了大发一分快三A股市场上市公司整体表现,是大发一分快三A股市场走势的“晴雨表”。 我们将针对沪深300指数进行增强类基金池的筛选和增强FOF组合的构建研究。

首先,我们在每年的6月和12月底利用基准指数匹配模型,筛选出过去一年模拟基准指数与沪深300指数匹配度较高的权益类基金;然后利用Alpha收益预测模型,筛选过去一年隐性信息比率为正的权益类基金,最终可得到沪深300指数增强类基金池。基金池每期基金数量如下图所示。 可以发现,基金数量过去长期低于20只,但近年来有逐年增长的趋势。

同时,我们在每期基于基金池的基金等权重构建组合持有半年再进行调仓,滚动计算,便可得到基金池组合,结果如下所示。可以发现,基金池组合能够稳定跑赢沪深300指数,相对强弱曲线平稳增长,展现出良好的业绩增强效果。截至2020年7月底,沪深300指数累计收益率31.30%,基金池组合累计收益率为216.66%,累计超额收益率达到了185.35%。

下表中对基金池组合的分年度超额收益进行了统计。可以看到,基金池组合绝大多数年份都跑赢了基准指数,超额收益较为显著,风险控制较好。截至2020年7月底,基金池组合的年化收益率为11.51%,年化超额收益率为8.90%,信息比率达到了1.46,除2010年外相对最大回撤基本在8%附近。

由此可见,本报告提出的增强类基金识别模型实证效果较好,筛选出的沪深300增强类基金具有显著的Alpha收益,且风险控制较好。但是,基金池组合依然存在一些不足,例如个别期持仓基金数量过多,且组合超额收益稳定性偏弱等。

为了更好地提升组合超额收益稳定性,我们将在基金池中进一步优选基金,构建沪深300指数增强FOF组合。相关信息设置如下:

回测时间:2009年12月31日到2020年7月31日;

调仓节点:每年6月和12月底的最后一个交易日,每年调仓2次;

研究样本:在每个调仓节点满足如下条件的所有基金:

交易费率:申购费率为1%%,赎回费率为0.5%;

持仓数量:每期至多选择复合因子值最高的10只基金;

持仓权重:等权重。

比较基准:沪深300指数。

在持仓基金方面,首先利用过去2年的隐性信息比率加权构建复合因子选基金,如果基金数量不足10只,则选择利用过去1年的隐性信息比率加权构建复合选基金,如果基金数量为0,则选择投资沪深300指数。同时,考虑到调仓时基金的可交易性,如果调仓日遇见上期持仓中基金限制赎回时,我们继续持有该基金,并保持该基金在本期权重不变;考虑转型基金的调整期(3个月),如果持仓中的基金发生转型(普通股票型基金转为偏股混合型基金除外),则在调仓日卖出该基金。

可以发现,增强FOF组合能够稳定跑赢沪深300指数,相对强弱曲线平稳增长,展现出良好的业绩增强效果。截至2020年7月底,沪深300指数累计收益率31.30%,增强FOF组合累计收益率为281.95%,累计超额收益率为250.65%。

下表中对增强FOF组合的分年度超额收益进行了统计。可以看到,增强FOF组合每年都跑赢了基准指数,超额收益整体较为稳定,风险控制较好。截至2020年7月底,增强FOF组合的年化收益率为13.50%,年化超额收益率为10.89%,信息比率达到了1.66,除2010年外相对最大回撤均在10%以内。

下表中列出了增强FOF组合每期持有基金数量。可以发现,在部分期优选基金的数量是不足10只的,这在一定程度上会影响增强FOF组合的收益表现;近年来随着基金数量的增加,优选基金的数量基本可以达到10只,有效的提升了增强FOF组合的收益表现。

下表中列出了增强FOF组合最近2期的持仓基金信息。

3.2、中证500指数增强FOF组合构建

本小节我们将基于增强类基金识别模型,针对中证500指数构建中证500指数增强FOF组合。相关信息设置如下:

回测时间:2014年12月31日到2020年7月31日;

调仓节点:每年6月和12月底的最后一个交易日,每年调仓2次;

研究样本:在每个调仓节点满足如下条件的所有基金:

交易费率:申购费率为1%%,赎回费率为0.5%;

持仓数量:每期至多选择复合因子值最高的10只基金;

持仓权重:等权重。

比较基准:中证500指数。

在持仓基金方面,首先利用过去2年的隐性信息比率加权构建复合因子选基金,如果基金数量不足10只,则选择利用过去1年的隐性信息比率加权构建复合选基金,如果基金数量为0,则选择投资中证500指数。同时,考虑到调仓时基金的可交易性,如果调仓日遇见上期持仓中基金限制赎回时,我们继续持有该基金,并保持该基金在本期权重不变;考虑转型基金的调整期(3个月),如果持仓中的基金发生转型(普通股票型基金转为偏股混合型基金除外),则在调仓日卖出该基金。

可以发现,增强FOF组合能够稳定跑赢中证500指数,相对强弱曲线平稳增长,展现出良好的业绩增强效果。截至2020年7月底,中证500指数累计收益率26.61%,增强FOF组合累计收益率为246.87%,累计超额收益率为123.26%。

下表中对增强FOF组合的分年度超额收益进行了统计。可以看到,增强FOF组合每年都跑赢了基准指数,超额收益整体较为稳定,风险控制较好。截至2020年7月底,增强FOF组合的年化收益率为17.57%,年化超额收益率为13.70%,信息比率达到了2.02,除2015年外相对最大回撤基本控制在10%以内。

下表中列出了增强FOF组合每期持有基金数量。可以发现,绝大多数期优选基金的数量均可达到10只,这在一定程度上提升了增强FOF组合的收益表现。

下表中列出了增强FOF组合最近2期的持仓基金信息。

3.3、中证1000指数增强FOF组合构建

本小节我们将基于增强类基金识别模型,针对中证1000指数构建中证1000指数增强FOF组合。相关信息设置如下:

回测时间:2015年12月31日到2020年7月31日;

调仓节点:每年6月和12月底的最后一个交易日,每年调仓2次;

研究样本:在每个调仓节点满足如下条件的所有基金:

交易费率:申购费率为1%%,赎回费率为0.5%;

持仓数量:每期至多选择复合因子值最高的10只基金;

持仓权重:等权重。

比较基准:中证1000指数。

在持仓基金方面,首先利用过去2年的隐性信息比率加权构建复合因子选基金,如果基金数量不足10只,则选择利用过去1年的隐性信息比率加权构建复合选基金,如果基金数量为0,则选择投资中证1000指数。同时,考虑到调仓时基金的可交易性,如果调仓日遇见上期持仓中基金限制赎回时,我们继续持有该基金,并保持该基金在本期权重不变;考虑转型基金的调整期(3个月),如果持仓中的基金发生转型(普通股票型基金转为偏股混合型基金除外),则在调仓日卖出该基金。

可以发现,增强FOF组合能够稳定跑赢中证1000指数,相对强弱曲线平稳增长,展现出良好的业绩增强效果。截至2020年7月底,中证1000指数累计收益率-32.72%,增强FOF组合累计收益率却达到了157.68%,累计超额收益率为90.40%。

下表中对增强FOF组合的分年度超额收益进行了统计。可以看到,增强FOF组合每年都跑赢了基准指数,超额收益整体较为稳定,风险控制较好。截至2020年7月底,增强FOF组合的年化收益率为13.45%,年化超额收益率为21.74%,信息比率达到了2.65,除2019年外相对最大回撤基本控制在10%以内。

下表中列出了增强FOF组合每期持有基金数量。可以发现,每期优选基金的数量均可达到10只,这有效提升了增强FOF组合的收益表现。

下表中列出了增强FOF组合最近2期的持仓基金信息。

4. 总结与展望

目前指数化投资已成为一种趋势,然而在A股市场中宽基指数表现并不突出,主动基金仍存在显著的Alpha收益。指数增强类基金将Alpha收益和指数型产品结合,既满足了投资者对风格稳定基金的偏好,又满足了投资者对更高收益的追求,长期投资可以获得更高的收益。然而,传统的指数增强类基金主要指的是基于量化选股方法的增强指数型基金,而忽略了市场中诸多基于基本面选股方法的主动权益型基金。因此,本报告构建了针对目标指数的增强类基金识别模型。

目标指数的增强类基金识别模型,以基金的模拟基准与目标指数相似度尽可能高为约束条件,以追求未来Alpha收益的最大化为目标,涉及基准指数匹配模型和Alpha收益预测模型两部分。其中,基准指数匹配模型通过指数走势、行业偏离、成份股占比三个维度刻画模拟基准指数与目标指数的匹配度;Alpha收益预测模型通过隐性信息比率因子打分。

本报告还针对A股市场宽基指数进行了增强类基金池筛选和增强FOF组合构建的实证研究。与传统增强指数型基金产品相比,增强FOF组合在小幅增加相对风险的条件下,大幅提升了超额收益和信息比率,长期投资价值更高。

当然,本报告旨在提供一种指数增强类基金的筛选方法,在研究中依然存在诸多问题。例如,模拟基准的构建并未考虑基金经理变更等问题的影响;基准指数匹配模型仍有待改进;仅采用了一个因子构建Alpha收益预测模型,更多有效因子有待挖掘;等等。因此,在接下来的研究中我们将逐步优化。

相关系列研究报告

1《天风证券-基金研究:基金经理因子评价体系的构建与应用》 2019-12-25

2《天风证券-基金研究:FOF组合的收益模型:长周期因子的构建与应用》2019-09-12

3《天风证券-基金研究:规模因子在FOF组合构建中的应用》 2019-06-11

4《天风证券-基金研究:基金市场存在日历效应吗?》 2019-03-12

5《天风证券-基金研究:基金的风格划分及增强FOF组合构建研究》2018-12-13

6《天风证券-基金研究:基金资产配置的板块选择能力评价体系》 2018-08-09

7《天风证券-基金研究:基金资产配置的行业选择能力评价体系》 2018-05-08

8《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》 2018-02-08

风险提示:本报告为基于历史数据统计结果,市场结构调整和基金经理风格漂移等风险均可能使得模型失效。

2020年09月15日