2024年基金经理风格切换及中性化与投资业绩

1.追寻市场风格的历史轨迹

在本部分中，我们分别从风格因子的月度相关性以及主动权益基金风格演变过程两个角度着 手，追寻市场风格切换的历史轨迹。

1.1.从因子月度相关性剖析市场风格切换

2023 年三季度以来风格因子月度相关性下降，市场风格轮动加剧。我们参考 Barra，自建了 10 个大类风格因子，这 10 个风格因子分别为估值因子、成长因子、盈利因子、规模因子、 Beta 因子、动量因子、流动性因子、波动性因子、非线性市值因子以及杠杆因子。大类风格 因子通过细分因子构成（细分因子构造方式以及大类因子合成方式详见附录 1）。我们以月度 为计算周期，分别计算各个风格因子在 2010 年以来的月度相关性，来分析市场风格的切换 程度。月度相关性定义为，市场上所有股票相邻两个月收益率降序排列下的风格因子值的秩 相关系数，该值越小，说明相邻两个月风格因子的相关性越弱，市场风格切换的越剧烈。反 之，市场风格越稳定。接下来我们以估值、波动性、盈利以及动量这 4 个因子为例，来具体 感知风格因子月度相关性指标下的市场风格切换过程。 2023 年 9 月以来估值因子月度相关性下降，风格加速变动。可知自 2023 年 9 月以来， 相邻两个月估值因子的秩相关性呈现下降趋势，从 2023 年 9 月的 6.79%下降至 2024 年 4 月的 4.51%。从相关性的滚动 12 个月均值来看，该指标同样出现下降趋势，同期从 4.13% 下降至 2.79%。表明在该区间内估值因子的风格切换加剧。 从波动性因子来看，2023 年 9 月以来波动性因子风格切换速度加剧。可以发 现，自 2023 年 9 月以来波动性因子风格变换剧烈，其月度相关性的滚动 12 个月均值呈现 出明显的下降趋势，从 2023 年 9 月的 6.94%下降至 2024 年 4 月的 4.86%。同期其月度相 关性同样在下降，由 12.61%下降至 8.13%。

从盈利因子来看，可以发现，自 2023 年 9 月以来，盈利因子月度相关性的数值以及方向不断变化。具体而言，从 2023 年 9 月的 1.26%下降至 2023 年 11 月的-2.90%再上升至 2024 年 4 月的 5.84%。表明在这个区 间内，不仅相邻两个月盈利因子的相关性强弱在不断调整，其相关方向也在不断变化。同时， 同期其滚动 12 个月均值呈现明显的下降趋势。可以认为在该区间内盈利因子的风格切换节 奏加快。 从动量因子来看，我们计算了 2010 年以来动量因子相邻两个月的秩相关性。 同样地，自 2023 年 9 月以来，动量因子相邻 2 个月的秩相关性表现出下降的趋势，其滚动 12 个月均值在 2023 年 9 月为 1.31%，到 2024 年 4 月时下降至 0.01%。表明动量因子在该 区间风格轮动剧烈。

在本部分中，我们以风格因子作为分析对象，通过计算其相邻两个月的月度相关性来感受市 场风格切换节奏，发现 2023 年 9 月以来市场风格切换节奏加剧。接下来，我们从价值/成长 以及大盘/小盘视角出发，来分析市场风格切换下个股以及主动权益基金的风格演变过程。

1.2.市场风格切换下的个股以及基金风格演变

在本部分中，我们参照晨星风格箱的计算方法，对 2010 年-2023 年市场上所有个股以及主 动权益基金的价值/成长以及大盘/小盘风格进行划分，具体划分方法如下： 将累计市值处于沪深市场前 70%的股票划分为大盘，将累计市值处于其后 20%的股票 划分为中盘，其他股票划分为小盘。 以净利润增速、营收增速、经营性净现金流增速以及净资产增速的均值作为成长得 分，以市净率倒数、市销率倒数、市现率倒数以及股息率作为价值得分，将（成长得 分-价值得分）最高的 1/3 定义为成长风格，最低的 1/3 定义为价值风格，其他股票定 义为均衡风格。

2010 年以来绩优个股的风格发生多次轮动。2018Q2 又逐渐切换到小盘成长方向。2023Q4 时，绩优个股向小盘价值方向漂移。 主动权益基金风格存在漂移倾向，长期风格偏向大盘。2010Q2 主动权益基金 相比于个股的风格配置较为均衡，部分基金偏成长。到 2014Q4 时，部分在 2010Q2 时偏向 成长风格的主动权益基金回归价值风格，整体风格较为均衡。到 2018Q2，主动权益基金风 格向大盘成长方向切换。后续主动权益基金相对于个股的大盘风格属性越加明显，2023Q4 继续向大盘成长方向漂移。 本部分通过分析市场上所有主动权益基金以及个股的风格，发现绩优个股以及主动权益基金 的风格会发生系统性漂移。接下来，通过基金经理风格切换的具体案例，展现基金未来业绩 与风格切换之间的关系。

2.展现基金经理风格调整的实战之道

随着市场风格切换速度加快，基金经理应对快速变换市场的能力对于其业绩的影响愈发重要。 那么绩优基金经理是如何在风格频繁切换的市场中寻找机遇，调整投资框架，获取超额收益 的呢？ 我们将所计算区间基金风格因子值的标准差定义为基金风格切换频率，它是一个衡量基金风 格切换速度的指标。将所计算区间基金风格因子值的绝对值之和定义为基金风格切换幅度， 它是一个衡量基金风格切换绝对量的指标。 在分析主动权益基金的风格因子与其未来 3 个月的收益率之间的关系时，我们得到了一个有 趣的发现，即基金的有些风格因子的切换频率越高，切换幅度越大，其未来 3 个月的区间收 益率可能会相对更高。相反地，某些风格因子的切换频率越低，切换幅度越小，其未来 3 个 月的区间收益率可能会相对更高。即基金未来 3 个月的区间收益率与其风格因子的切换频率 以及切换幅度呈现出相关关系。在本部分中，我们将通过具体案例来展示基金的风格因子切 换频率以及切换幅度与其未来 3 个月区间收益率之间的关系，进而分析基金经理面对市场风 格切换时的实战之道。

2.1.估值因子下的案例实证

本部分展示了估值因子下的 2 个案例，我们发现，基金未来 3 个月的区间收益率与其估值因 子的切换频率以及切换幅度呈现出正相关关系，即基金估值因子的切换频率以及切换幅度越 大，基金未来 3 个月的区间收益率倾向于相对更高。具体而言，高切换频率的基金在 2023 年 12 月至 2024 年 2 月 未来 3 个月的区间收益率分别为 8.57%、17.53%以及 31.48%，远高于同期低切换频率基金 的未来 3 个月的区间收益率，相对超额收益率分别为 31.01%、32.77%以及 25.78%。所以， 可以推测出估值因子的切换频率越大，基金未来 3 个月的区间收益率或许会更优异。

与案例 1 相互印证的是，案例 2 给出了估值因子在切换幅度维度下基金因子值与未来区间收 益的对比结果。可以看到，高切换幅度基金在所分析区间未来 3 个月的区间收益率分别为 6.05%、10.89%以及 26.57%，相比于低切换幅度基金的超额收 益率分别为 25.82%、28.21%以及 20.13%。可知基金估值因子的切换幅度越大，基金未来 3 个月的区间收益率可能相对表现越优异。

2.2.规模因子下的案例实证

类似地，在分析过程中我们发现规模因子是基金未来 3 个月区间收益率的正向因子，即基金 未来 3 个月的区间收益率与其规模因子的切换频率以及切换幅度呈现正相关关系，基金规模 因子的切换频率以及切换幅度越大，基金未来 3 个月的区间收益率可能会相对更高。 在本部分中，我们同样通过 2 个案例来具体展示基金规模因子的切换频率以及切换幅度与其 未来 3 个月区间收益率的关系。具体而言，高切换频率的 基金在 2023 年 12 月至 2024 年 2 月未来 3 个月的区间收益率分别为 3.20%、15.58%以及 32.08%，相比于低切换频率基金的超额收益率分别为 22.47%、31.95%以及 26.27%。可知 基金规模因子的切换频率对基金未来业绩存在正向的影响，即基金规模因子切换频率越大， 其未来 3 个月业绩可能相对表现更加优异。

同样地，案例 4 给出了规模因子下的另一个示例，用来分析规模因子的切换幅度与基金未来 业绩的关系。高切换幅度基金在所分析区间未来 业绩表现更佳，其未来 3 个月的区间收益率分别为 3.87%、14.88%以及 31.68%，相比于低 切换幅度基金的超额收益率分别为 26.31%、30.12%以及 25.98%。可以发现，基金规模因 子的变动幅度越大，基金未来 3 个月的区间收益率相对表现越好。

2.3.动量因子下的案例实证

我们发现基金的动量因子是基金未来收益的反向因子，即基金未来 3 个月的区间收益率与其 动量因子的切换频率以及切换幅度呈现负相关关系，动量因子的切换频率以及切换幅度越小， 基金未来 3 个月的区间收益率可能会相对更优异。

3.探究基金经理风格切换之谜

在本部分，我们基于自建的风格因子模型，定义了基金风格切换频率因子以及基金风格切换 幅度因子，并将其合成为基金风格切换因子，以此来量化基金风格切换，并测试其对基金未 来收益的预测性，其长期 RankIC 均值为 5.53%，年化 RankICIR 为 1.09，RankIC 的月度 胜率为 72.59%，多空年化收益为 4.71%，能够有效预测基金未来收益。

计算基金风格切换因子时所采用的样本基金为筛选了主要基金经理管理权限的主动权 益基金，筛选基金经理具体做法为：计算上述主动权益基金的基金经理管理年限，对于 多位基金经理合管的公募基金取管理年限更久的基金经理进行计算。在进行测试时，仅 保留基金经理管理年限超过 1 年的主动权益基金。 调仓频率以及预测周期：月初第 1 个交易日调仓，预测基金未来 3 个月的区间收益率。 测试区间：2013 年 1 月—2024 年 6 月。 在风格因子模型方面，我们参考 Barra，自建了 10 个大类风格因子，这 10 个风格因子分别 为估值因子、成长因子、盈利因子、规模因子、Beta 因子、动量因子、流动性因子、波动性 因子、非线性市值因子以及杠杆因子。大类风格因子通过细分因子构成，细分因子构造方式 以及大类因子合成方式详见附录 1。 接下来，我们将分别阐述基金风格切换频率因子、基金风格切换幅度因子以及基金风格切换 因子的构建过程，并具体展示其对基金未来业绩的预测效果。

3.1.基金风格切换频率因子

3.1.1.基金风格切换频率因子构建

基金风格切换频率是一个衡量基金风格切换速度的指标。简单来 说是通过基金全部所持个股的风格因子值得到基金的风格因子值，进而计算基金的风格切换 频率。我们将在本部分详细阐述该因子的构建过程。

股票的风格因子处理

计算基金风格切换频率因子的第 1 步便是获取基金的全部持股以及其所持仓股票的风格因子 值，我们采用主动权益基金标准差法对标准化后的股票的风格因子值进行处理。所谓主动权 益基金标准差法，是指仅保留主动权益基金持仓的个股，并对其风格因子值做标准化处理， 对于不在主动权益基金股票池内的股票采取剔除操作。

具体计算方法为取前述主动权益基金在报告期的所有持仓个股的并集，作为基金持仓股票池， 再对该股票池内个股的风格因子值在时间截面上做标准化处理，将得到的结果作为股票的风 格因子值结果，用来计算基金的风格因子值。

等权合成

在本部分我们通过将单个风格因子的风格切换频率等权合成，得到基金的风格切换频率因子。 在合成时有 2 点需要注意：一是要根据单个风格因子的 RankIC 均值调整其方向；二是要取 风格因子在时间截面上的排名百分比，消除量纲的影响。然后再将基金的单个风格因子等权 合成，得到合成的风格切换频率因子。至此我们得到了合成的基金风格切换频率因子，完成 了基金风格切换频率因子的构建。 接下来我们计算主动权益基金风格切换频率因子与基金未来 3 个月区间收益率的相关性，统 计其 RankIC 均值、RankICIR 以及 RankIC 胜率。此外，在截面下将因子取值从小到大分为 十档，计算每一档基金组合未来 3 个月的平均收益情况。

3.1.2.基金风格切换频率因子效果展示

基金风格切换频率因子与基金未来业绩存在着显著的正相关性，对基金未来收益预测性明显。

3.2.基金风格切换幅度因子

3.2.1.基金风格切换幅度因子构建

构建基金风格切换幅度因子时的相关变量包括基金风格得分、基金风格切换幅度以及基金风 格切换幅度因子，我们将在本部分详细阐述基金风格切换幅度因子的构建过程。

等权合成

在本部分，同基金风格切换频率因子类似，我们将单个风格因子的风格切换幅度合成，得到 基金的合成风格切换幅度因子。具体计算方法为，将风格因子根据其 RankIC 均值的正负调 整方向后，取风格因子在时间截面上的排名百分比，消除量纲的影响。然后将基金的单因子 等权合成，得到合成的风格切换幅度因子，至此，我们得到了合成的基金风格切换幅度因子。

3.2.2.基金风格切换幅度因子效果展示

基金风格切换幅度因子与基金未来业绩存在着显著的正相关性，对基金未来收益预测性明显。 基金风格切换幅度因子十档分组结果具有较好的单调性，能够较好的预测基金未来收益。基金风格切换幅度因子取值最高的组未来 3 个月的平均收益率为 1.87%，而取值最低的组未 来 3 个月的平均收益率为-1.92%，多空年化收益为 3.52%，可知基金风格切换幅度因子对于 基金未来收益率有较为明显的预测性作用。

4.揭示风格切换因子的独特之处

在本部分中，我们将展示几种常见的选基因子对于基金未来业绩的预测效果，包括持仓量化 评估因子、隐形交易能力、收益驱动因子、基金规模、主动配置偏离度、加权平均收益因子、 波段交易能力员工持有占比以及机构持有占比，选基因子的简要介绍见附录 2。 此外，为了验证基金风格切换因子对于选基模型效果的提升作用，我们首先测试了该指标与 原有 9 个选基因子的相关性。其次我们将基金风格切换因子加入到原有的选基模型，计算模 型效果，探讨基金风格切换因子对选基模型的赋能作用。

4.1.常见选基因子

上述选基因子对基金未来收益均具有显著的预测作用。从多空年化收益来看，持仓量化评估 因子以及隐形交易能力因子的多空年化收益分别高达 8.80%以及 7.15%；从 RankIC 均值来 看，持仓量化评估因子以及隐形交易能力因子的 RankIC 均值分别达 10.19%以及 8.42%； 从 RankICIR 来看，基金规模以及隐形交易能力因子的 RankICIR 分别高达 1.92 以及 1.45。

接下来，我们将从基金风格切换因子与常见选基因子的相关性以及将基金风格切换因子加入 到常见选基因子后是否能提升复合因子对基金收益的预测能力这 2 个维度，来讨论基金风格 切换因子相对于常见选基因子的赋能。

4.2.风格切换因子对常见选基因子的赋能

基金风格切换因子特异性较强，与其他选基因子相关性较低。可知各个选基因子之间的相关性较低，基本都在 0.2 以下。基金风格切换因子与其他常见选基因子的相关性均较低，基本在 0.1 以下。其与持仓 量化评估因子取值的相关性最高，也仅为 0.12。可知基金风格切换因子具有较强的特异性。

基金风格切换因子可以明显提升对基金未来业绩的预测效果。从 RankIC 均值来看，原始复 合因子的 RankIC 均值为 13.60%，而加入基金风格切换因子后新的复合选基因子的 RankIC 均值为 14.07%，提升了 0.47%。从 RankICIR 来看，原始复合因子的 RankICIR 为 2.16， 而加入基金风格切换因子后新的复合选基因子的 RankICIR 为 2.21，提升了 0.05。可以发 现，新的复合选基因子的预测效果有显著提升。

新复合的选基因子多空年化收益率更高。从选基因子的第十组（因子得分最高的一组）来看，新复合的选 基因子未来 3 个月的平均收益率为 6.16%，而原有的复合选基因子未来 3 个月的平均收益率 为 5.95%，提升效果显著。从多空年化收益来看，新复合的选基因子的多空年化收益为 11.13%，原有的复合选基因子多空年化收益为 10.28%。可见加入基金风格切换因子后，新 的复合选基基金具有更强的多空年化收益。 本部分我们对基金风格切换因子进行了测试。测试结果表明，基金风格切换因子可以较为有 效的预测基金未来业绩，同时可以在常见选基因子外提供增量信息。将基金风格切换因子加 入选基因子，新的复合因子可以更有效的预测基金未来收益。

5.挖掘稳健投资的新维度

本部分探讨稳健投资的新维度—中性化方法的含义与意义，并通过具体案例给出对选基因子 进行风格以及行业中性化的必要性。随后给出对选基因子进行中性化处理前后复合的选基因 子对于基金未来业绩的预测效果的对比结果。

5.1.因子中性化处理的含义与意义

在使用量化选基因子构建 FOF 组合时，我们往往希望选基因子可以相对独立地预测基金未 来业绩，而不受到市场风格、行业涨跌等外界因素的扰动。我们借鉴选股因子市值和行业中 性化的处理方法，对基金因子的风格和行业影响进行剥离，即对基金因子做风格以及行业中 性化。

对选基因子进行中性化处理的好处有： （1）增强因子效果的解释性，帮助剥离其他因素的影响，更加清晰地看到因子本身与基金未 来业绩的关系； （2）提高组合的稳健性，降低波动，如果某个因子与行业或风格具有较强的相关性，那么当 行业或风格出现较大波动时，该因子的表现也可能不稳定。通过对行业与风格做中性化，可 以降低投资组合的波动，提高其稳健性。

基于基金收益计算的选基因子更容易受风格以及行业影响，需要对其进行中性化处理 我们在研究过程中发现，基于基金收益计算的选基因子更容易市场风格、行业涨跌等外界因 素的扰动，具体包括收益驱动因子、隐形交易能力、波段交易能力以及持仓量化评估因子。 因为该类因子在计算时是以过去一段时间的基金收益作为计算基础，因此会非常依赖基金过 去一段时间的收益表现。如果在分析期间，某个行业或者风格表现强势，那么采用基于基金 收益计算的选基因子进行选基时，因子得分较高的基金有很大概率会是该行业或者风格持仓 非常集中的基金，可能导致得到的 FOF 组合的单一行业或者风格占比过高，使得组合产生 较大的波动。因此我们在后续研究中对基于基金收益计算的这 4 个选基因子进行了风格以及 行业剥离。 接下来，我们以过去一年基金的夏普比率为例，通过 2 个具体案例来对比中性化前后得到的 基金结果。表 5 列示了站在 2022 年 7 月 1 日时点最近 1 年夏普比率得分最高的前 10 只基 金，这 10 只基金基本为小盘风格基金，近 4 期加权平均持仓市值（注：本部分计算采用的 市值为总市值）基本在 3000 亿以下。2022 年小盘风格相对占优，采用夏普比率选出来的基 金基本为小盘风格基金，风格持仓较为集中。

基于基金收益计算的选基因子更容易结果导向，近期表现下降，需要进行中性化处理

近年来市场风格轮动加快，风格切换速度提升，风格持续性减弱。当下收益驱动因子对未来 业绩的预测效果比之风格持续性较好的市场环境下有所下降。而对收益驱动因子进行风格以 及行业中性化处理后，可以剥离掉风格以及行业的影响，可以尽可能减弱风格不断切换对其 带来的负向影响。在本部分中，我们通过对比收益驱动因子在中性化处理前后的 RankIC 序 列来详细展示该结果。 本报告中所使用的收益驱动因子是由基金夏普比率、超额夏普比率以及 Hou-Xue-Zhang4 因 子模型等权复合得到的。 中性化处理可以增强收益驱动因子对基金未来收益的预测效果。

5.2.因子中性化后的稳健性分析

基于上述分析，我们对隐形交易能力、收益驱动因子、持仓量化评估因子以及波段交易能力 这 4 个基于基金收益计算的选基因子进行上述的风格以及行业中性化处理，分析中性化处理 对因子预测稳定性的提升作用。 对选基因子进行风格以及行业中性化处理可以提升其对未来业绩预测的稳定性。可以发现中性化处理得到的 新因子相比于原始因子的 RankICIR 均有大幅提升，具体而言，对于隐形交易能力因子，原 始因子的 RankICIR 为 1.46，对其进行风格以及行业中性化处理后 RankICIR 提升至 1.82， 提升了 0.36。对于收益驱动因子，原始因子的 RankICIR 为 0.76，对其进行风格以及行业中 性化处理后 RankICIR 提升至 1.46，提升了 0.70。对于持仓量化评估因子，原始因子的 RankICIR 为 1.05，对其进行风格以及行业中性化处理后 RankICIR 提升至 1.10，提升了 0.05。对于波段交易能力因子，原始因子的 RankICIR 为 0.78，对其进行风格以及行业中性 化处理后 RankICIR 提升至 0.99，提升了 0.21。

6.探索 FOF 组合构建的策略之道

近年来，随着公募基金不断扩容，市场上公募基金的数量与规模不断增长，主动权益基金的 风格以及业绩分化程度不断增加，能够在复杂多变的市场环境中稳定战胜主动权益基金中位 数的基金可谓凤毛麟角。所以构建出能够长期稳定战胜主动权益基金中位数的基金组合具有 十分重要的意义。在本部分中，我们试图探索基于风格切换因子的 FOF 组合构建方法，结合 其他常见的选基因子，并在组合构建策略中引入风险控制指标，期望构建出能够长期、稳定 战胜主动权益基金中位数的基金组合。

FOF 组合业绩表现

可知 2013 年以来，FOF 组合每年相对于主动权益基金中位数均取得正的超额收益，年度业 绩排名均在 40%之前且基本处于主动权益基金前 1/3 的水平。截至 20240607，组合年化收 益为 15.20%，相比于主动权益基金中位数的年化超额收益为 6.80%，年化跟踪误差为 3.39%， 超额收益的信息比达 2.01，相对收益回撤比达 2.34，平均排名分位点为 31.65%，组合表现 十分稳健。

FOF 组合在绝大部分季度均能战胜主动权益基金收益率中位数，季度胜率高达 93.48%。至此，我们通过构建基金风格切换频率因子以及基金风格切换幅度因子，并将二者合成为基 金风格切换因子，再将其与常见选基因子结合得到综合选基因子，引入风险控制的方法构建 FOF 组合。2013 年以来 FOF 组合每年相对于主动权益基金中位数均能取得正的超额收益， 年度业绩排名均在 40%之前且基本处于主动权益基金前 1/3 的水平，信息比达 2.01，相对 收益回撤比达 2.34。季度维度来看，2013 年以来 46 个分析区间中，有 43 个季度战胜主动 权益基金收益率中位数，季度胜率高达 93.48%。可见，构建的 FOF 组合可以长期稳定地战 胜主动权益基金的中位数。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）