2025年基金定量研究报告：构建高收益高胜率基金组合，量化选基因子体系初探（上）

一、引言

本文构建了一系列和基金相关的指标，包括基金特征因子、基于净值数据计算的因子 （Return-Based Predictors，RBPs），以及基于持仓数据计算的因子（Holding-Based Predictors，HBPs）。这些指标大部分可用来表征基金经理的能力，并且根据已有的研究， 可能具有预测基金未来表现的作用。 在统一的数据和回测框架下，本文测试了这些基金因子在中国公募基金市场的表现。 同时，也为构建高收益高胜率的基金组合打下了良好的基础。

1.1 基金样本和数据

本文使用主动偏股型基金作为研究样本，筛选规则如下。 1) Wind 基金分类下的股票型、偏股混合型、平衡配置型和灵活配置型的开放式基 金。包含后两者的原因在于，部分属于这两类的基金一直保持高股票仓位运行， 如，农银新能源、兴全趋势混合、兴全合宜和华夏大盘等。若直接剔除，可能会 损失可观的样本； 2) 为剔除主要投资港股通或股票仓位较低的混合型基金，仅保留 A 股持有比例在整 个基金运作期都大于 60%的基金； 3) 剔除资金无法正常流动的封闭式基金和有最小持有期限的基金； 4) 对于有多个份额类型的基金，只分析主基金。 公募基金的净值和持仓等数据的披露频率各不相同，为了更好地对比不同基金因子的 效果，回测的调仓日期统一设置为每年 4 月和 9 月的第 1 个交易日。目的是为了使用公募 基金每年 3 月底和 8 月底的年报和半年报披露的全部持仓，同时还能避免引入未来信息。 回测时间区间为 2015 年 1 月 1 日至 2025 年 3 月 7 日。

1.2 因子调整

我们在研究过程中发现，大部分基金因子对基金未来收益的预测能力并不稳定。经常 出现的情况是，一段时期内具有正向预测能力，而接下来一段时期则可能是负向预测。为 改善这些因子的表现，本文使用两种数据驱动的因子调整方法，即，信息系数（IC）调整 和因子收益调整。 对于 IC 调整，首先，计算每一个基金因子的换仓 IC，即半年期 IC，得到因子的 IC 时间序列。接着，使用最近两期的 IC 均值进行平滑。最后，将基金的最新因子值与平滑 后的 IC 相乘，得到 IC 调整后的因子值。这种调整方式意味着，如果平滑后的 IC 为负值， 那么当期因子值的排序就会反过来。 对于因子收益调整，过程与 IC 调整相似。区别在于，该方法先计算期末的基金收益 对期初的因子值进行回归得到的回归系数，即，因子收益。然后，使用两期平滑后的因子 收益对基金因子值进行调整。 根据 IC（即，相关系数）和回归系数的计算公式可知，对同一组因子值和基金收益， 二者的正负方向一致。但由于进行了两期的平滑处理，从而导致两种方法调整后的因子值 可能存在正负号的不同。

二、基金特征因子

2.1 存续时间（Age）

存续时间因子的计算方法为，截至计算日的基金存续月份数。根据已有研究的发现， 如 Pástor，Stambaugh and Taylor（2015，JFE），存续时间较短的基金未来业绩可能会 更好。因此，我们对因子值取相反数，即，存续时间因子值越大，基金的存续期越短。 在每个换仓日，将基金依据存续时间因子从大到小等分为 10 组，计算至下个换仓日 期间，D1（因子值最大的 10%基金）、D10（因子值最小的 10%基金）和 D1-D10 多空组 合及 D1 相对万得偏股混合型基金指数（D1-BM）的年化收益率、波动率、夏普比率和最 大回撤。其中，除原始因子值外，我们还对 IC 调整和因子收益调整两种方式进行了回测。

2015-2025 年，原始因子值的 D1-D10 多空组合年化收益率为 1.64%，表明存续时间 因子值较大的，即，存续时间更短的基金，业绩相对更好。但是，经 IC 调整和因子收益 调整后，多空组合的收益率仅为 0.11%和 0.33%，区分效果不明显。

2.2 规模（Size）

基金的规模因子为资产净值（TNA），由于规模不经济效应的存在，管理规模较大的 基金业绩相对更差（Chen，Hong，Huang and Kubik，2004，AER）。因此，我们对规模 因子值同样取其相反数。 如下表所示，2015-2025 年，原始因子值的 D1-D10 多空组合年化收益率为 1.61%， 表明规模因子值较大的，即，管理规模更小的基金业绩相对更好，因子收益调整后的结果 类似。但经过 IC 调整后，多空组合的收益率仅为 0.89%，区分效果不明显。

三、基于净值的基金因子（RBPs）

3.1 波动率（Vol）

基金的波动率因子定义为过去一段时间日收益率的标准差，我们分别使用 6 个月 （Vol-6M）和 12 个月（Vol-12M）的回看日期长度来计算。根据已有的学术研究，如 Jordan & Riley（2015，JFE），以及 A 股市场存在低波动异象，低波动的基金未来业绩可能更好。 因此，我们对因子值取相反数。

2015-2025 年，6 个月（12 个月）波动率原始因子的 D1-D10 多空组合年化收益率为 -4.43%（-3.06%），似乎表明，高波动基金的未来业绩相对更好。 经过 IC 调整后，6 个月（12 个月）波动率因子的多空组合的年化收益率为 3.44% （5.58%）；经过因子收益调整后，多空组合收益率进一步上升至 7.29%（7.40%）。不仅收益方向和因子设计的初衷一致，收益水平也有显著提升。

3.2 收益率（Return）

基金的收益率因子定义为过去一段时间的累计收益率，我们分别使用 6 个月和 12 个 月的回看日期长度来计算。 2015-2025 年，6 个月（12 个月）收益率原始因子的 D1-D10 多空组合年化收益率为 2.57%（2.48%），这表明，公募基金存在业绩持续性现象。 经过 IC 调整后，6 个月和 12 个月收益率因子多空组合的收益率均为-0.52%，下降幅 度明显，因子收益调整也存在类似现象。

3.3 CAPM模型Alpha（CAPM）

基金的 CAPM 模型 Alpha 因子的计算方法为，过去一段时间的基金日收益率对市场 组合日收益率回归的截距项，我们分别使用 6 个月和 12 个月的回看日期长度来计算。 2015-2025 年，6 个月（12 个月）CAPM 模型 Alpha 原始因子的 D1-D10 多空组合 年化收益率为 2.40%（3.33%）。 经过 IC 调整后，6 个月（12 个月）CAPM 模型 Alpha 因子多空组合的收益率为 4.42% （0.73%）；经过因子收益调整后，二者多空组合的收益率为 1.26%（0.94%）。

3.4 四因子模型Alpha（FFC4）

基金的四因子模型Alpha因子的计算方法为，过去一段时间的基金日收益率对Carhart （1997）四因子模型日收益率回归的截距项，我们分别使用 6 个月和 12 个月的回看日期 长度来计算。

2015-2025 年，6 个月（12 个月）四因子模型的 Alpha 原始因子的 D1-D10 多空组合 年化收益率为 3.04%（3.83%），优于简单的 CAPM 模型 Alpha 因子。 经过 IC 调整后，6个月（12个月）四因子模型的 Alpha因子多空组合的收益率为0.16% （2.82%）；经过因子收益调整后，二者多空组合的收益率为 2.10%（2.82%）。这表明， 调整并未带来更好的结果。

3.5 四因子模型Alpha的t值（FFC4t）

基金的四因子模型 Alpha 的 t 值因子的计算方法为，过去一段时间的基金日收益率对 Carhart（1997）四因子模型日收益率回归截距项的 t 统计量，我们分别使用 6 个月和 12 个月的回看日期长度来计算。

2015-2025 年， 6 个月（12 个月）四因子模型 Alpha 的 t 值原始因子的 D1-D10 多 空组合年化收益率为 1.87%（2.18%）。

经过 IC 调整后，6 个月（12 个月）四因子模型 Alpha 的 t 值因子多空组合的收益率 为 0.14%（1.39%）；经过因子收益调整后，二者多空组合的收益率为 2.67%（2.42%）。

3.6 四因子模型回归的R2（FFC4R2）

基金的四因子模型回归的 R2 因子的计算方法为，过去一段时间的基金日收益率对 Carhart（1997）四因子模型日收益率回归的拟合系数，我们分别使用 6 个月和 12 个月的 回看日期长度来计算。 根据 Amihud and Goyenko（2013，RFS）的观点，拟合系数越小，基金收益率能被 因子定价模型所解释的部分也越少，可能意味着基金有更多的私有信息，未来的业绩也就 越好。因此，我们对因子值取相反数。即，因子值越大，回归的 R2 越小。

2015-2025 年，6 个月（12 个月）四因子模型回归的 R2 原始因子的 D1-D10 多空组 合年化收益率为-0.30%（-1.38%）。

经过 IC 调整后，6 个月（12 个月）四因子模型回归的 R2 因子多空组合的收益率为 3.48%（4.29%）；经过因子收益调整后，二者多空组合的收益率为 3.61%（4.10%）。相 比原始因子，收益率均有显著提升。

3.7 相对业绩基准的超额收益（BMEXR）

基金相对业绩基准的超额收益因子定义为，基金相对其合同业绩基准的超额收益率， 我们分别使用 6 个月和 12 个月的回看日期长度来计算。 2015-2025 年，6 个月（12 个月）相对业绩基准的超额收益原始因子的 D1-D10 多空 组合年化收益率为 3.38%（3.52%），优于上文介绍的原始收益、CAPM 模型 Alpha 以及 四因子模型 Alpha，这三个基金收益类因子。 经过 IC 调整后，6 个月（12 个月）相对业绩基准的超额收益因子多空组合的收益率 为 0.04%（2.38%）；经过因子收益调整后，二者多空组合的收益率为 1.18%（1.79%）。

3.8 相对业绩基准的跟踪误差（BMTE）

基金相对业绩基准的跟踪误差因子定义为，基金相对合同业绩基准的跟踪误差，我们 分别使用 6 个月和 12 个月的回看日期长度来计算。 2015-2025 年，6 个月（12 个月）相对业绩基准的跟踪误差原始因子的 D1-D10 多空 组合年化收益率为 1.80%（1.11%）。 经过 IC 调整后，6 个月（12 个月）相对业绩基准的跟踪误差因子多空组合的收益率 为 4.43%（1.84%）；经过因子收益调整后，二者多空组合的收益率为 3.41%（2.58%）。 相比原始因子，收益率均有显著提升。

3.9 相对业绩基准的信息比率（BMIR）

基金相对业绩基准的信息比率因子定义为，基金相对合同业绩基准的超额收益率除以 跟踪误差，我们分别使用 6 个月和 12 个月的回看日期长度来计算。 2015-2025 年，6 个月（12 个月）相对业绩基准的信息比率原始因子的 D1-D10 多空 组合年化收益率为 3.40%（3.94%）。 经过 IC 调整后，6 个月（12 个月）相对业绩基准的信息比率因子多空组合的收益率 为 3.02%（2.83%）；经过因子收益调整后，二者多空组合的收益率为-0.01%（3.35%）。

四、总结

本文使用基金特征、净值和持仓数据，构建了 5 个基金特征因子、18 个基金净值因 子（RBPs），以及 11 个新颖的持仓因子（HBPs），较全面地构建了各种能够预测基金未 来业绩的指标，并测试了它们的历史表现。 本文发现，部分基金因子对基金未来收益的预测能力并不稳定，经常出现一段时期内 具有正向预测能力，而接下来一段时期则可能是负向预测。因此，我们使用因子过往的 IC 或因子收益对因子的方向进行调整。具体地，计算每一个因子的换仓 IC 或因子收益，并 用两期均值进行平滑。将最新因子值乘以平滑后的 IC 或因子收益得到调整后的因子值。 这种调整方式意味着，如果平滑后的 IC 为负值，那么当期因子值的排序就会反过来。 基金特征因子的表现较为一般，而净值因子（RBPs）中，业绩基准超额收益和信息 比率等收益类因子的表现较好。经 IC 或因子收益调整后，波动率、四因子 R2和业绩基准 跟踪误差表现较好。2015-2025 年，基金收益和 Alpha 的多空收益率为 3%左右，而相对 业绩基准的超额收益和信息比率的多空收益率可接近 4%。经过因子收益调整后，波动率 因子多空组合收益率可达 7.40%，IC 为 0.149。 在基金持仓因子（HBPs）中，衡量基金经理主动性的收益差距（RG）和主动性份额 （AS）调整前后的表现均较为优异。2015-2015 年，收益差距因子（RG）和主动性份额 （AS）的多空收益率为 5%，经过因子收益调整后，进一步上升至 5.8%。而在基于持仓 的业绩拆解因子中，风格选股能力（CS）和择时能力指数（TSI）在经过 IC 调整后表现 相对较好。

编辑：火腿肠