2025年FOF系列专题报告：隐性风险视角下的选基因子统一改进框架

合同基准与隐性基准

基金业绩基准：从合同基准到隐性基准

公募基金的业绩比较基准在基金运作过程中发挥着重要作用，既是衡量投资表现的标尺、规范基金运作的重要依据，更是基金经理能力的“试金石”。2025年5月 7 日，中国证监会公开印发《推动公募基金高质量发展行动方案》，方案中明确将“是否跑赢业绩比较基准” 纳入基金经理考核体系，旨在进一步优化公募基金行业的考核机制，引导基金经理聚焦投资能力建设，提升主动管理水平。同时方案中表示要强化业绩比较基准的约束作用，进一步规范基金的业绩比较基准选择标准，关注基金的业绩比较基准设定以及基金实际运作与基准的偏离程度，切实发挥业绩比较基准在确定产品定位、明晰投资策略、表征投资风格、衡量产品业绩、约束投资行为的作用。 实际上，自 2025 年 3 月以来，公募基金频繁公告更改业绩比较基准，已经在对业绩基准进行合理调整。那公募基金相对业绩比较基准的偏离程度到底如何呢？以某基金 A 为例，如图 1 所示，其在基金合同中约定的业绩比较基准为“中证500指数收益率*75%+上证国债指数收益率*25%”，从基金A 的实际走势来看，基金A 与合同基准的走势偏离较大，2020-2024 年基金A 相对合同基准的年化跟踪误差达到 28.48%，但基金 A 的净值走势与国证芯片的走势贴合度相对较高，2020-2024 年相对国证芯片（期间基金基本保持 9 成以上仓位运作，我们对国证芯片采用 9 成仓位折算）的跟踪误差均值仅为 10.54%，可见国证芯片或为基金A更贴切的基准。

不仅是国内公募基金，美国公募基金也存在这种合同基准与实际投资风格不匹配的现象，Sensoy（2009）研究美国公募基金市场发现，大多数主动管理的股票型基金采用标准普尔或罗素指数作为业绩基准，而有接近1/3 的基金存在基金基准并不能反映基金投资风格的问题，即存在“基准错配”，并提出将基金和备选基准指数逐一进行 Fama 三因子模型回归，将回归R 2最大的基准指数认定为基金最匹配的基准。程婷婷等学者 2023 年在《Journal of Financial Research》发表的学术文献中，采用极大似然估计方法，用 17 个市场指数识别并构建了基金时变指数基准，研究表明，与其他基准相比，时变指数基准能更准确地捕捉基金风格。我们把基金合同中约定的、实际披露的显性基准称为“合同基准”，而把并非合同中约定的，但与基金净值走势贴合度最高的基准称之为“隐性基准”。

通过前文匹配隐性基准的方法，我们可以为每只基金在给定区间内匹配到净值走势贴合度最高的隐性基准，且同一基金在不同时期的隐性基准可能也不一样。那么主动权益基金相对合同基准和隐性基准的跟踪误差差距如何呢？我们测算了所有主动权益基金历年相对合同基准和隐性基准的跟踪误差分布以及跟踪误差中位数，如图 5 所示，可以看到，自 2010 年以来，主动权益基金历年相对合同基准的跟踪误差中位数均大于相对隐性基准的跟踪误差中位数，2010-2024 年主动权益基金相对合同基准和隐性基准跟踪误差中位数的均值分别为 13.17%、8.57%。 从 2024 年的结果可以看到，如图 6 所示，仅 20%的主动权益基金相对合同基准的跟踪误差在 10%以下，而有接近 60%的主动权益基金相对其隐性基准的年化跟踪误差在 10%以下，可见，主动权益基金整体而言与隐性基准的净值贴合度更高。

进一步地，我们根据 2010 年到 2024 年基金每年相对合同基准和隐性基准的跟踪误差数据，将基金相对合同基准和隐性基准的跟踪误差进行分组，分成4%以下、4%-8%、8%-12%、12%-16%、16%-20%、20%以上6 个组别，考察不同合同基准分组下隐性基准跟踪误差所属分组的基金数量占比。从表1 中可以看到，有17.32%的基金相对合同基准的跟踪误差在 20%以上，在相对合同基准跟踪误差在 20%以上的基金中，仅 6.6%(1.14% / 17.32%)的基金相对隐性基准的跟踪误差仍在 20%以上，接近 80%的基金相对隐性基准的跟踪误差在16%以下。

业绩评价的绝对和相对视角

在传统的思路下，我们采用绝对收益排名去评价基金的业绩，即考察基金收益的绝对高低。通过前文可知，基金大概率存在与其净值走势贴合度更高的隐性基准，换言之，即便是合同基准相同的基金，他们实际的投资风格可能是截然不同的。那么我们应该如何评价合同基准相同但实际投资风格差别较大的基金的业绩呢？

举例而言，基金 C 和基金 D 的合同基准均为“沪深300指数收益率*80%+上证国债指数收益率*20%”，在 2020 年收益率分别为52.61%、39.02%，从绝对收益排名来看，基金 C 的表现好于基金D。基于前文隐性基准的匹配方法，我们发现基金 C 和基金 D 的隐性基准分别为创新100和国信价值，前者偏向成长风格，后者偏向价值风格。而在 2020 年核心资产牛市中，成长风格表现明显优于价值风格。因而如果换个角度，考察基金 C 和基金 D 相对同隐性基准基金的表现，可以看到，以创新100为隐性基准的主动权益基金等权组合 2020 年上涨75.33%，而以国信价值为隐性基准的主动权益基金等权组合 2020 年上涨 32.99%，基金C 相对相同隐性基准的同类基金超额收益为-22.72%，而基金 D 相对相同隐性基准的同类基金超额收益为 6.03%，从相对同类基金的表现来看，基金 D 的表现甚至好于基金C。

由此可见，不同风格的基金绝对收益未必直接可比，这也是与收益挂钩的简单收益动量因子近年来回撤明显的根本原因。

以基金过去一年动量（过去 240 天收益率?et 240）为例，从全区间来看，一年动量因子是一个相对较为有效的选基因子，全区间的RankIC 均值达到7.14%，RankICIR 为 0.65，RankIC 胜率达到 61.11%。但一年动量因子在2021年之后出现了较为明显的回撤，2021 年之后一年动量因子RankIC 均值仅为0.26%。

基于相关性的隐性风险剥离显性风险与隐性风险

传统风险剥离的困境

多因子风险剥离模型得到的 Alpha 动量可能并不纯净，部分学术文献也有类似的观点，比如汪光成（2002）认为基于三因子模型的改进模型（如TM-FF3）对Alpha的估计存在偏差，部分基金的“超额收益”实际来自未被捕捉的风格暴露；张薇（2012）通过 Carhart 四因子研究表现部分基金的Alpha 实际反映了未被模型捕捉的小盘成长风格或行业偏好；而 Venkata 等（2017）等通过研究表明传统四因子模型可能高估了基金经理能力，实际收益部分来自与指数相关的风格暴露。权益基金是股票资产的组合，基金收益背后的影响因素纷繁复杂，以Fama五因子模型为代表的多因子模型可能一定程度上帮助我们对基金收益背后的影响因素进行拆解。 以基金 E 为例，基金 E 在 2024 年上涨 7.46%，采用传统Fama 五因子模型对基金 E 进行归因，结果如图 13 所示，我们发现基金E 在SMB 因子上有较高的正向暴露，暴露值高达 1.38，深入分析基金 E 的持仓，我们发现基金E近年来持仓整体偏向小微盘，持股的市值偏小。从 Fama 五因子模型回归之后基金E拟合走势和实际走势来看，如图 14 所示，基金 E 能较好地被Fama 五因子模型进行拟合，拟合走势与基金 E 的实际走势贴合度较高，回归之后的R 2高达97.0%。

由此可见，每个基金收益背后的影响因素不同，通过Fama 五因子模型对影响因素进行剥离，可以一定程度上识别出基金收益背后的风险暴露。但是Fama五因子模型也存在缺陷，它只包含了五个显性风险因子，部分隐性风险未被包含，导致在某些基金上的解释力度相对较低。 以基金 F 为例，基金 F 在 2024 年上涨 3.01%，我们也采用Fama 五因子模型对基金 F 进行归因，结果如图 15 所示，我们发现基金F 在RMW和CMA因子上均有较高的正向暴露，暴露值分别达到 1.02、1.32。但从Fama 五因子模型回归之后基金 F 拟合走势和实际走势来看，如图 16 所示，基金F 的拟合走势与基金F的实际走势偏离较大，回归之后的R 2仅为 31.07%，说明Fama 五因子对基金F的解释力度欠佳。深入分析基金 F 的 2024 年中报和年报的持仓，我们发现基金F主要投资于黄金股，2024 年年报中黄金股占比超过75%，细分行业上的暴露或许是影响基金 F 收益的核心风险因子，传统的 Fama 五因子模型并未包含行业风险因子，导致模型的解释力度相对较差。

回溯基金 E 的历史持仓数据，可以发现，基金 E 整体偏向小微盘风格，而Fama五因子中包含了市值风险因子 SMB，且回归结果显示基金E 在SMB的暴露上确实较高。基金 F 在黄金这个细分行业上暴露较高，而Fama 五因子并未包含行业风险因子，即对于基金 F 而言，行业风险因子是 Fama 五因子模型中并未包含的隐性风险。从后视镜的角度，显性风险因子都未必能穷尽，而随着市场环境不断出现的一些隐性风险因素则更难捕捉。

基于隐性风险模型的动量因子改进

既然通过 Fama 五因子等模型剥离风险因素可能存在难以剥离干净的问题，那我们能否以一种更动态的方式去剥离每个基金所暴露的风险（显性风险和隐性风险），从而对基金收益动量因子进行改进呢？ 林兟、何为、余剑峰三位学者在 2022 年发表于《管理科学学报》的一篇学术文献中提出了一种新的思路——基于收益率的相关性去调整基金管理能力的度量。该研究认为尽管公募基金信息来源各有不同，但他们的获利渠道必然存在一定共性，而这些共性将会使得基金日收益率相关性提升。若一只基金的日收益率序列与其它基金日收益率相关性高，说明该基金的持仓或交易模式可能与其它基金接近。该研究基于公募基金两两之间的相关性，将所有基金的原始因子通过与目标基金的相关性加权，得到调整之后的基于历史表现的基金因子。该文献给了我们一个很直观却又很容易忽略的启示：净值走势相关性高的基金大概率暴露于相近的风险，因而我们可以通过寻找和目标基金净值走势相关性高的基金，找到基金之间的隐性关联，进而对基金所暴露的风险进行剥离。

隐性风险视角下的选基因子改进

在国信金工团队之前的 FOF 系列专题报告中，我们构建了隐形交易能力、业绩洞察能力、基金规模、机构关注度、基金员工信心、波段交易能力、持仓收益能力、基金经理观点独立性、逆向投资能力等 10 个维度的选基因子，主要是基于基金的历史业绩、基金特征以及基金经理能力这几个刻画维度：

基于基金的历史业绩：收益类因子。

基于基金的特征或者禀赋：基金规模，基金内部和外部的认可度（员工信心和机构关注度）。

基于基金经理的能力：业绩洞察能力、隐形交易能力、波段交易能力、逆向投资能力。

基于基金经理的持仓特征：基金持仓收益因子。

基于基金经理的行为特征：基金经理观点独立性。

隐形交易能力因子的改进

国信金工团队在 2020 年 8 月 26 日发布的专题报告《基金业绩粉饰与隐形交易能力》中提出了基金经理的隐形交易能力，历史表现优异，但近年来有所回撤，隐形交易能力因子经过隐性风险调整之后，稳定性也能得到同样的改善和提升。从因子相关性来看，隐形交易能力因子和同类基金隐形交易能力因子的相关性为28.20%。从因子测试结果来看，同类基金隐形交易能力的RankICIR和胜率较低，也是需要剥离的风险项。

从累计 RankIC 走势来看，隐性风险调整隐形交易能力因子的稳定性相较原始隐形交易能力因子大幅提升，近年来累计 RankIC 曲线仍然稳健向上，RankICIR从原始的 1.68 提升到 2.23，胜率从 77.62%提升到 90.21%，整体改善较为明显。

隐性风险调整综合选基因子稳定性大幅提升

我们基于上述隐性风险模型对国信金工选基因子库中的选基因子均进行了测试。经过检验，收益类因子、隐形交易能力因子、波段交易能力、持仓收益因子等符合上述改进要求，如表 8 所示，隐性风险调整可以在不明显降低选基因子的RankIC 均值的基础上，大幅提升选基因子的 RankICIR 和RankIC胜率。以夏普比因子为例，隐性风险调整之后，夏普比因子的 RankIC 均值从7.76%微幅下降至 7.70%，而因子的 RankICIR 从 0.77 显著提升至1.99，且多头的季均超额收益从 0.58%提升到 0.86%，因子预测的稳定性和多头表现均提升明显。

以国信金工团队 2025 年 6 月 4 日发布的专题报告《基金经理逆向投资能力与投资业绩》中构建的逆向投资能力因子为例，逆向投资能力因子本身是一个预测效果突出、增量效果显著的选基因子，但经过隐性风险调整之后，逆向投资能力因子的 RankIC 均值从 8.77%下降至 1.38%，RankICIR 从1.13 下降至0.46，多头季均超额收益从 1.03%下降至 0.23%，收益预测能力显著下滑。究其原因，逆向投资能力因子本质上是基金收益对投资者情绪变化的敏感程度，且在前期的专题报告中我们分析到，逆向投资能力 TOP 多头组（G1 组）整体的Barra风格暴露与全市场主动股基整体的风格暴露比较接近，所以逆向投资能力因子可能本身并没有特别明显的风险暴露。 因而并非所有选基因子都能经过隐性风险调整进行改进，如果同类基金因子并非风险因子，那么就无需对原始因子进行隐性风险调整，这也是在图26的改进框架中我们要求隐性风险调整之后的因子预测稳定性相较原始因子有提升的原因。表 9 展示了我们选基因子库中经过隐性风险调整之后选基效果没有提升的选基因子，经过隐性风险调整之后，机构关注度、逆向投资能力等因子的RankIC均值不仅不同程度地下滑，RankICIR 和 RankIC 胜率也没有提升。

经过前面的分析，我们发现收益类因子、隐形交易能力因子、波段交易能力、持仓收益因子这几个因子通过相关性加权得到的同类因子是隐性风险因子，对其进行隐性风险调整处理，可以得到预测效果更为稳定的选基因子，因此我们采用隐性风险调整之后的因子作为新的选基因子。而逆向投资能力、机构关注度、员工信心、基金规模等选基因子，通过相关性加权得到的同类因子并非隐性风险因子，无需进行剥离，我们则使用原始选基因子。

我们将经过隐性风险调整之后效果有提升的选基因子（收益类因子、隐形交易能力因子、波段交易能力、持仓收益因子）和无需进行隐性风险调整的选基因子（逆向投资能力、机构关注度、员工信心、基金规模）进行等权合成，形成隐性风险调整综合选基因子。

FOF 精选组合构建

基于隐性风险调整综合选基因子的 FOF 组合构建由于经过调整之后的综合选基因子已经较为稳健，我们通过直接选取综合打分较高的 N 只基金构建组合，具体组合构建细节如下：

调仓时点：1、4、7、10 月末之后的第一个交易日。

选基样本空间：在调仓时点时满足如下条件：1. 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且过去连续 4 个报告期股票仓位均大于 70%；2. 只保留初始基金（若存在 C/E/H/O 等类别，只保留A 类基金）；3. 基金合计规模大于 2 亿； 4. 剔除调仓时点暂停申购或暂停大额申购的样本。

基金经理限制：由同一个基金经理管理的且过去一年收益率相关性在0.9以上的基金只保留得分最高的一只。

交易费率：申购费率为万 5，赎回费率为千 1。

申赎限制：在调仓时点，暂停申购或暂停大额申购的基金不调入，暂停赎回的基金则保留不调出。

业绩基准：主动股基中位数指数。

基于风险控制的 FOF 精选组合构建

虽然简单地通过综合选基因子选择得分最高的基金来构建基金组合已经足够稳健，但是仍容易导致基金组合在单一行业或者板块上的过多暴露，造成组合在行业或板块上相对主动股基出现较大的偏离，从而导致组合表现出现较大波动。因此，我们尝试从控制 FOF 组合的行业配置入手，希望尽可能降低组合相对于主动股基的最大回撤。 为了更好地对组合的行业配置进行控制，我们需要知道基金的持仓信息，但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，以对基金的行业特征做出更好的估计。

国信金工团队于 2021 年 12 月 16 日发布了专题报告《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。 获取到基金的持仓之后，我们就可以计算每个基金的行业分布。但是当前行业分类众多，包括证监会行业、中信行业、Wind 行业等，那么用哪个行业更合理呢？

因此在组合构建时，如果不对港股相对基准的配置比例进行约束，组合可能因低配港股而大幅跑输，但鉴于港股的细分行业过多，不适宜采用细分行业进行约束，我们将港股部分整体视为一个行业，对 FOF 组合的港股仓位进行约束控制。以 2025 年 Q1 为例，经过基金持仓还原之后，以港股作为一级行业测算得到主动权益基金在各个行业的平均配置比例如图 41 所示，主动权益基金平均配置比例前三的行业为信息技术、工业、港股，配置比例分别为24.76%、16.43%、14.10%。

总结

合同基准与隐性基准

公募基金的业绩比较基准在基金运作过程中发挥着重要作用，但研究发现，国内外公募基金均存在合同基准与实际投资风格错配的问题。不同于合同基准，这种并非基金合同中约定，但与基金净值走势贴合度最高的基准可以称之为“隐性基准”。本文参考海外文献的做法，设计了一套定量识别基金隐性基准的流程，从基金净值走势出发识别与每个基金走势贴合度最高的隐性基准，统计发现，相对合同基准，主动权益基金相对隐性基准的跟踪误差更低，隐性基准或为更贴切的基准。

显性风险与隐性风险

针对不同基金的业绩可能无法直接可比的问题，常用的解决方案是对基金所暴露的风险进行剥离。风险因子存在显性风险和隐性风险之分，我们把学术文献中或者业界实际投资过程中总结发现的已知风险称为显性风险，而把未被常见模型捕捉的、随着市场环境变化而不断涌现、但阶段性对资产收益有着较大影响的未知风险称为隐性风险。

FOF 精选组合构建

随着公募基金对港股配置比例的提升，港股成为我们构建基金组合时不容忽视的重要板块。我们对基金进行持仓还原补全，得到每只基金在行业和港股上的配置结构，以隐性风险调整综合选基因子作为基金得分，并通过控制FOF组合的行业以及港股配置与全体主动股基保持一致构建 FOF 精选组合，FOF 组合费后相对主动股基中位数年化超额收益为 8.86%，年化跟踪误差为3.52%，超额收益信息比为 2.31，相对最大回撤仅为 3.40%，相对收益回撤比为2.61，月度胜率75.91%，组合业绩基本每年均能排进主动股基前 1/3，整体表现十分稳健。

编辑：火腿肠