FOF微观筛选系列报告一:基于Sharpe模型的股基筛选策略

2017-04-13 14:25:28 金融界网站 华宝证券

分析师/李真/郭寅

◎投资要点:

FOF微观层面筛选:FOF组合构建流程“确认FOF组合目标——宏观趋势研判+量化配置模型运算——投资策略选择和标的配置”中,最终用以实现策略目标的落脚点是具体的公募基金产品。在FOF筛选自上而下框架中的大类资产配置策略的指引下,从底层筛选出适应当下行情风格特点的、优质的基金是FOF微观层面配置的价值与意义所在。

“以人为本”与风格多维度划分:对于配置主动管理类基金产品来说,基金经理的能力非常重要,基金经理对基金产品的风险收益表现起着非常重要的作用。从人性的角度看,投资本身就带有一定的个人色彩。基金经理的投资阅历、策略偏好、研究所长等众多因素共同决定了投资特点与风格。因此,“以人为本”进行考察,对基金的分析与其管理人的任职期对应起来更加有意义。“以人为本”的考察方法需要对基金经理有清晰并且实用的画像,基金经理画像的维度非常多,包括风格刻画,操作手法、选股逻辑等等;在风格刻画方面,风格维度越多,对管理人的投资方法刻画得越清晰,在风格归类的基础上筛选基金管理人越能体现他们的优胜之处,帮助我们在大类资产配置的指引下选出适应当下市场行情的管理人和产品。大小盘、价值成长是业界常见的两种风格维度划分。

基于基金经理的风格画像:风格归因通常采用两种方法:通过持仓数据进行横截面回归与通过净值数据的时间序列回归。两种方式各有利弊。我们采用后者的方法,利用Sharpe归因模型对基金经理在每只基金的历史任职期的业绩进行多元归因,对其风格特征归类,并根据阈值的设定为每段任职期打上风格标签。进一步,我们通过归纳基金经理人所管理过所有基金的风格标签,得出基金经理人的风格标签。

风格维度划分下的基金筛选策略:我们选择风格稳定的优秀基金产品构建组合来检验对于基金产品的分类和对于基金经理标签的效果。以超额收益综合衡量基金和基金经理的择时择股能力,用此指标我们计算出基金经理在单只基金历史任职期的评分,再根据基金经理旗下同类风格基金的评分总结出管理人投资风格上的总评分。构建既定风格的FOF组合,在投资标的筛选上,依旧是从基金经理的角度入手,根据人的评分选择管理人,再根据管理人旗下产品的评分选择基金。在成长类风格基金组合的回测期间,年化收益18.7%,夏普比率0.55,优于全样本基准与风格归因的指数基准,并且在震荡市相对于在单边市场有更加好的表现。由此可以看出,基于风格的主动股基型筛选策略有效,尤其是在震荡行情下对于底层标的筛选的指导意义更大。

FOF组合构建流程“确认FOF组合目标——宏观趋势研判+量化配置模型运算——投资策略选择和标的配置”中,最终用以实现策略目标的落脚点是具体的公募基金产品。其中,在自上而下的FOF配置框架中,FOF管理人首先通过判断未来的市场行情与风格导向,制定大类资产配置策略。在大类资产配置策略的指引下,面对市场上数量众多,风格迥异的各类金融产品,从底层筛选出适应当下行情风格特点的、优质的基金是FOF微观层面配置的价值与意义所在。

对于配置主动管理类基金产品的组合来说,基金产品的风险收益特征以及持续性对组合策略是否能够实现起关键作用,而就主动管理类基金产品来说,基金经理的能力非常重要。为此,我们开发并发布FOF微观筛选系列报告,用以多维度画像基金经理。本篇作为本系列的第一篇,主要以风格为维度考察基金经理,并选择风格划分的其中一种方法进行数量化研究。

1.微观层面上的基金筛选:“以人为本”与风格多维度划分

承上所述,基金经理对基金产品的风险收益表现起着非常重要的作用。当基金更换基金经理以后,基金的整体操作将跟随基金经理的熟悉领域和操作风格而变,基金过往业绩将不再具有参考性。例如,大成景阳领先在基金经理杨建华管理期间其风格为成长风格,但更换基金经理至徐彦后,该基金的操作风格由成长变为了价值风格。从人性的角度看,投资本身就带有一定的个人色彩。基金经理的投资阅历、策略偏好、研究所长等众多因素共同决定了投资特点与风格。因此,“以人为本”进行考察,对基金的分析与其管理人的任职期对应起来更加有意义。在我们本篇的数量化测试中,每个基金的测试区间均与其基金经理的在职期对应。

“以人为本”的考察思路就需要对基金经理有清晰并且实用的画像,基金经理画像的纬度非常多,包括风格刻画,操作手法、选股逻辑等等;在风格刻画方面,风格维度越多,对管理人的投资方法刻画得越清晰,在风格归类的基础上筛选基金管理人越能体现他们的优胜之处,帮助我们在大类资产配置的指引下选出适应当下市场行情的管理人和产品。风格的区分是刻画基金风险收益特征和基金经理人投资方式最好的手段之一。基金经理的操作理念与风格决定着基金的风格,而大小盘、价值成长是业界常见的两种风格维度划分。

值得指出的是,微观层面的FOF筛选需要定量与定性相结合。基金产品人为因素影响大、信息披露有限等特点在一定程度上制约了依靠量化技术手段评估的全面性。量化方式的作用在于批量化的初筛,输出的结果帮助我们缩小聚焦范围,但在组合的构建中,需要通过深度调研和长期的跟踪对筛选出的基金进行定性分析,在定性与定量结合的作用下得出最终判断聚焦。在本文中,我们运用数量化的方法对基金产品进行初步的筛选。

2.基金经理的风格画像——模型与方法

风格归因通常采用两种方法:通过持仓数据进行横截面回归与通过净值数据的时间序列回归。两种方式各有利弊,持仓分析法准确度较高,但全部持仓数据仅在年报和半年报中公布,数据具有滞后性,季报公布的仅有前十大重仓股,对于持股集中度不高的基金而言,十大重仓股代表性不高。后者可随时用净值与风格指数回归,数据得出较为及时,但存在多重共线性的问题。本篇我们采用后者的方法,利用Sharpe归因模型对基金经理在每只基金的历史任职期的业绩进行多元归因,对其风格特征进行归类,并且在对多重共线性问题作出一定的修正。

在我们的归因结果中,基金与基金经理在一个维度上的风格被分为该风格维度的两个方面以及平衡和漂移四种类型。例如在价值/成长维度上分为价值型、成长型、平衡型和漂移型;在大盘/小盘维度上分为大盘型、小盘型、平衡型和漂移。每次在一个维度上进行风格测算。由于不同产品的规模,目标客户以及投资约束不同,构成影响基金经理行为的因素,可能导致基金经理在不同的产品上风格迥异。因此,在维度划分上,以基金经理所管理过的每个基金产品为考察对象。

2.1.样本与数据清洗

根据Wind基金分类,将主动偏股型基金作为我们的全样本。优秀的主动偏股型基金可以更多的反应出基金管理人的择时、择股优势,帮助我们获得超越市场基准的收益。

在数据清洗上,基金新成立6个月内的净值数据予以剔除;若出现基金经理变更则在新任基金经理管理开始起三个月内的净值数据剔除。并通过调研的方式剔除出挂名基金经理。

每个回归测试单位为6个月,余下可用回归数据不满5个月则不进行回归。(意味着新成立11个月内的基金与基金经理变更之日起8个月内的基金不在测算样本内)。为防止余下不足5个月的近期数据丢失,我们从一段任职区间最晚的日期开始测算,每次测试依次向前取半年数据。

2.2.模型构建

使用Sharpe模型,每个分类维度的测算上采用两个解释变量。我们选取申万风格指数作为风格解释变量进行测算。以价值/成长维度为例,根据Fama French三因子模型对价值与成长股的定义,市净率指标对价值与成长风格有一定的指向作用,因此我们选取申万低市净率指数作为代表价值风格的解释变量,选取申万高市净率指数作为代表成长风格的解释变量。含有两个解释变量的Sharpe模型的数学表达式为:

 基于Sharpe模型的股基筛选策略 - FOF微观筛选系列报告(一)

其中R_it为基金产品i的时间序列回报,F_1t为申万低市净率指数的时间序列回报,F_2t为申万高市净率指数的时间序列回报,b_1t、b_2t分别为两个解释变量的系数, _it为残差项。数据频率为周。若在大盘/小盘维度上测算,则F_1可选取申万大盘指数,F_2可选取申万小盘指数。使用Lobosco and DiBArtolomeo(1997)的t统计量计算方法检测回归系数是否显著。此t统计量检验可以在一定程度上缓解多重共线性问题,方法上与VIF方差膨胀检验有一定相似:以模型中的因子之一作为被解释变量,模型中其他因子作为解释变量。数学表达为:

 基于Sharpe模型的股基筛选策略 - FOF微观筛选系列报告(一)

以价值/成长维度为例,对价值风格系数检验时,σ_ 为式⑴中残差的标准差;式⑵中F_kt为申万低市净率指数的时间序列回报,F_jt为申万高市净率指数的时间序列回报,b_k为式⑴中申万低市净率指数的回归系数,σ_k为式⑵中的残差项的标准差。若t统计量不显著,价值风格的系数为零。

2.3.风格界定

最小的风格测算单位是单只基金的单个回测期(6个月)。每个小的回测单位都会通过归因后风格系数的阈值设定得到一个风格标签。之后,对于基金经理在一个基金产品上完整任职期间的风格,以及基金经理个人风格的归纳,都通过最小风格单位得出的风格标签占比的阈值设定来界定。在下面的例子中,我们将小单位的系数阈值设定为0.6(均显著)与0.4(系数之一不显著),风格标签占比的阈值为0.6。

单只基金单个回归期内的风格界定:

系数均显著:将>;0.6系数所代表的风格作为回归期内基金的风格。如果系数值均未超过0.6,则算作平衡风格

系数其中之一不显著:当系数之一不显著时该系数为零,因此判定风格上对另一系数的阈值设定可较系数都显著时降低。判断显著的系数是否>;0.4。若>;0.4则基金风格归为该系数所代表的风格,反之则基金风格为平衡风格

所有系数均不显著:算作平衡风格

基金经理在单只基金历史任职期间内的风格界定:

每个基金经理在单只基金上有N个回归期间,得到N个风格标签,统计每种风格标签的占比。每种风格维度上的标签有三类(均衡型+模型中2个解释变量所代表的风格)。若某一风格标签的占比>;0.6,则该风格归为基金经理任职期内的基金风格;若所有风格标签的占比均<;0.6,则定义为漂移风格。

以价值-成长风格维度为例:标签分为均衡、价值与成长三个类型。若均衡标签的占比为0.66,价值标签占比0.34,成长标签占比0,则任职期内基金风格为均衡;若均衡标签占比0.33,价值标签占比0.33,成长标签占比0.34,则任职期内基金风格为漂移。

基金经理人的风格界定:

归纳基金经理人所管理过所有基金的风格标签,计算标签占比。计算方法与阈值设定同基金经理人在单只基金上的风格判定一致。

以价值-成长风格维度为例:标签分为均衡、价值与成长三个类型。若均衡标签的占比为0.66,价值标签占比0.34,成长标签占比0,则基金经理人风格为均衡;若均衡标签占比0.33,价值标签占比0.33,成长标签占比0.34,则基金经理人风格为漂移。

2.4.结果举例与说明

截至2017年2月17日,我们根据上述方法,选取当前市场在任基金经理在产品历史任职期的部分归因结果及全市场各类风格占比如下:

 基于Sharpe模型的股基筛选策略 - FOF微观筛选系列报告(一)

在后期的研究中,我们将借鉴BARRA模型的方法拓展风格维度,并且提取更加纯净的风格因子作为风格归因的解释变量。除了对于风格维度进行划分,下期报告中,我们还将考察基金经理在同一风格的不同行情阶段所体现出来的潜能,例如上涨、下跌和震荡,触底反弹、冲高回落等等,结合市场行情分析基金经理的操作表现,结合风格,为基金经理打上更丰富的标签。在风格分类的基础上对基金经理投资生涯中经历的行情阶段和特征进行分析,由此得到基金经理的投资经验更全面的描述。

3.风格维度划分下的筛选策略与回测结果

实证研究发现,基金业绩具有一定的可持续性,这意味着在历史任职期表现优秀的基金在未来一段时间依然可能保持好成绩,可以作为纳入我们组合的备选。

3.1.筛选指标

为检验对于基金产品的分类和对于基金经理标签的效果,我们选择风格稳定的优秀基金产品构建组合。优秀主动偏股型基金的业绩可源于择时、择股,我们在此用超额收益综合衡量基金和基金经理的择时择股能力。对风格分类后基金的超额收益考察与比较需要与基金经理的任职期对应起来。管理人在一只基金上的任职期好比一把时间的标尺,我们可以用这把尺子找到市场上同期续存的相同风格的基金,计算被考察基金经理在单只基金历史任职期获得的超额收益的评分。最后,综合一个基金经理旗下所有同类风格基金上的评分(不再管理的与仍在管理的),就可以形成对基金经理投资风格的总评分,评判基金经理管理此类风格的擅长程度。

基金经理在单只基金历史任职期评分:

计算公式:计算基金超出业绩比较基准的收益,α=Y-βX,其中β=Cov(X,Y)/Var(X).

业绩比较基准为相应的风格指数,漂移型的比较基准为申万全A指数,平衡型的比较基准则为风格维度上两种风格指数的1/2相加。例如价值/成长维度上的平衡指数,即价值/成长的平衡指数为50%*申万低市净率指数+50%*申万高市净率指数。

第一步:计算基金经理在某只基金的任职期间内的超额收益α_k;

第二步:以该基金经理任职开始日至任职结束日为考察期间,计算相同风格分类,并且存续期完全覆盖此基金经理任职期的基金在同期的超额收益,形成数据组C={α_1,α_2,α_3,……,α_n};

第三步:计算被考察基金经理任职期超额收益 α_k在C中的排名,以此计算基金区间超额收益评分。

基金区间超额收益评分=1-( α_k在C中的排名名次/参与排名总数)

因此,超额收益越高,排名越靠前,分数越高。

基金经理投资风格上的评分:

在完成上述步骤后,每个基金经理所管理过的产品无论被归为何种风格都有一个分数。我们可以查看每位基金经理旗下某类风格产品的得分,通过这些产品的得分综合出每位基金经理在此种风格投资上的分数。以成长风格为例,经过以下步骤对所有基金经理的成长风格管理评分:1、筛选出旗下拥有成长类基金的基金经理;2、对每个基金经理,分析其管理过的所有成长类基金的评分,得出管理人的总评分。我们对基金经理的超额收益和收益稳定性综合考量:E为一位基金经理旗下成长类基金分数均值,σ为分数的标准差。若对产品分数的均值赋予0.6的权重,对产品分数的标准差赋予0.4的权重,则基金管理人成长风格的总评分为0.6*E+0.4*(1-σ)。

3.2.构建基金池

以构建成长风格组合为例。首先,符合备选条件的样本基金即该基金的现任基金经理在任职期间被我们的归因方法归类为成长风格的基金。为了尽可能让所筛选基金相对全样本基金有一定的区分,每一期筛选备选池与核心池时,池内基金的数量根据市场上符合备选条件的样本数目来决定,条件如下:

 基于Sharpe模型的股基筛选策略 - FOF微观筛选系列报告(一)

之后,在池内基金筛选上,依旧是从基金经理的角度入手,从选择人再到选择基金。我们根据前述所得出的每位基金经理在成长风格上的评分,将得分前N名的基金经理入围到备选池中,得分前n名的基金经理入围到核心池中。从每位基金经理旗下选出符合备选条件的得分最高的基金产品。如果被选中的基金经理没有可选基金(如不再继续管理我们目标风格类的基金),则按排名顺序顺延至下一位基金经理旗下寻找产品,直到备选池与核心池满足既定数量为止。此种方法可以避免出现FOF配置内容过多集中在某一位基金经理所管理资产的情况,更符合分散配置的理念。

3.3.筛选策略回测与说明

在回测时,FOF组合资产的数目与核心池的资产数目等同,每个调仓日也是备选池与核心池的更新日。因为每期的核心池是备选池的子集,我们可以根据标的在两个集合中的位置来调仓。第一期纳入FOF组合的基金即为核心池中的所有产品。在之后所有的调仓期,若上期纳入组合的标的仍在当期的备选池中,则留在FOF组合中并且不对权重作出调整;若上期有标的掉出备选池,则在当期的核心池中从得分最高的基金开始选择出新标的,补满待换资产的空缺。所有新纳入组合的资产均以余下的资金等权配置。

以成长风格基金组合为例,我们按照月度调仓频率,假设单边交易手续费万分之五(现实中手续费会因为申赎资金规模变化,通常资金达到500万时手续费会降低到约万分之二,为方便起见我们在回测中统一费率)。同时,为了验证我们筛选策略的有效性,策略比较基准有二:一为归因分析所用的申万高市净率指数,二为符合备选条件的全样本基金等权构建的指数。得到的回测结果如下:

 基于Sharpe模型的股基筛选策略 - FOF微观筛选系列报告(一)

在回测期间,成长风格FOF组合年化收益18.7%,年化波动率31.35%,夏普比率0.55,连续最大回撤48.5%,全方面优于两个基准。在2015—2016的震荡市中,策略组合的优势更加明显。不过也可以看出,虽然跑赢了基准,但是最大回撤与波动率不可小觑。这与成长类风格A股整体上波动率较高有关。同时,在2014年的牛市中,比较基准与策略组合的差距逐渐缩小,说明在趋势来临的时候主动偏股型组合因为不满仓的关系限制了最大的收益可能。因此单边行情对策略不利,震荡市策略能够有一个较好的表现。

由此可以看出,基于风格的主动股基型筛选策略有效,尤其是在震荡行情下对于底层标的筛选的指导意义更大。震荡市对基金经理的择股能力要求更加突出,在此基础上辅以定性手段,对基金经理的选股逻辑,投资能力综合判断,将对筛选标的有更高的确定性。