您的浏览器禁用了JavaScript(一种计算机语言,用以实现您与网页的交互),请解除该禁用,或者联系我们。[国金证券]:基金专题分析报告:基于因子归因的债券基金遴选策略 - 发现报告
当前位置:首页/其他报告/报告详情/

基金专题分析报告:基于因子归因的债券基金遴选策略

2022-03-28田露露、张剑辉国金证券劣***
基金专题分析报告:基于因子归因的债券基金遴选策略

基本结论 本文从债券基金的Campisi归因模型出发,将债券基金的收益分解至多个不同的来源,并依此构建多因子归因模型,利用风格因子无法解释的超额收益进行基金遴选。经历史数据回测,选出的基金构建的组合能显著地超越样本池内所有基金等权配臵的组合(下文简称“基准”),长期具有稳定的优异表现。 Campisi模型基于持仓数据对债券基金进行业绩归因。从不同收益来源的角度,Campisi模型将债券收益拆解为代表票息收益的收入效应,代表无风险利率变化的国债效应,代表信用利差变化的利差效应,和代表主观个券选择能力的择券效应。该模型将债券基金和与其自身的业绩比较基准按上述方法拆解,并将两者拆解后得到的效应结果相减,即可得到超额收益的来源,从而实现对基金管理人的业绩评价。 本文在Campisi模型的基础上构建了基于净值数据的多因子模型。本文首先对债券基金收益来源进行了扩充,补充了转债价格变化导致的转债效应,和公开市场操作带来的货币效应。随后从收益来源的角度出发,通过债券指数构建了以下七个因子:水平因子、斜率因子、凸性因子、信用因子、违约因子、转债因子、货币因子。经检验,七个因子之间相关性较低,且拟合优度平均在0.5以上。模型使用净值数据对因子进行回归分析,得到风格暴露和因子无法解释的阿尔法,并依据阿尔法作为评判标准进行基金遴选。 通过阿尔法优选出的债券基金构成的组合具有显著的超额收益,具备优秀的转债择券能力。本文使用了约5年(2017/1/1-2022/2/11)的数据进行了历史回测,选取阿尔法排名前10%的债券基金等权配臵构建基金投资组合。每季度末选取已成立半年以上的债券基金作为样本,将债券基金过去6个月的净值收益率对七个风格因子进行回归,选取回归阿尔法排名前10%的债券基金进行等权配臵,并持有3个月的时间,即回测的回看期为滚动的6个月,调仓期为3个月。回测结果显示,基金投资组合的年化收益率为5.21%,夏普比率为2.91,相对于基准的年化超额收益为1.23%,信息比率为0.82。且阿尔法排名前10%的债券基金转债因子的暴露较高,管理人具备优秀的转债择券能力。 剔除转债因素后,模型选出的债券基金构成的组合同样具有显著的超额收益、同时能够很好的控制回撤。本文用两种方法考察了管理人在非转债上的择券能力,两种方法的结论相似。基金投资组合的年化收益率均能超过4.50%,夏普比率接近6.0,相对于基准的信息比率超过2.0。除2020年外,组合在回测各年度的最大回撤均不超过0.80% 通过构建风格因子,剥离因子贡献获得的纯粹阿尔法具有显著的筛选效果,基于阿尔法遴选债券基金具备可行性。投资者可通过量化的方法,得出客观、全面的基金评价结果,为主观分析及基金组合构建提供参考和佐证。 风险提示:历史数据不被重复验证、多因子模型失效、新冠疫情与国际政治摩擦升级等带来债券基金大幅波动风险。 2018年《关于规范金融机构资产管理业务的指导意见》(“资管新规”)颁布,各类资管产品尤其是银行理财开启了“净值化”转型,公募债券型基金凭借其稳定的收益与可控的风险,迎来了黄金发展期。截至2021年末,全市场债券型基金数量已达2683只,管理规模合计6.88万亿元,是货币型基金外体量最大的基金类型。因此,单纯使用主观调研愈发难以覆盖全市场基金,定性与定量结合的方法愈发重要起来。 近年来,债券利率中枢下行、高等级信用利差压缩、债券爆雷不断,传统的票息策略与信用下沉举步维艰,纯债基金收益空间逐渐变窄。为应对投资环境的变化,债券基金管理人们一方面通过更精细的宏观研究、行业与公司分析,提高择时择券能力,另一方面通过“固收+”的形式把握转债、股票等权益类资产的投资机会,增厚组合业绩。债券基金的收益愈发体现了管理人的综合能力,债券型基金的研究需求不断增长。 本报告对经典的Campisi归因模型进行了延伸,在归因分析的基础上获取基金的阿尔法,从而筛选出具备稳定获取阿尔法能力的基金管理人。与主观调研相比,通过量化的方法,我们可以剥离风格因素,获取纯粹的阿尔法,客观、全面地评价所有基金,为主观的调研提供参考和佐证。 第一部分:Campisi归因模型 在纯债基金的业绩归因上,Campisi在2000年发表的《Primer on Fixed Income Performance Attribution》一文中提出了专门用于纯债基金业绩归因分析的Campisi模型。模型将债券基金的收益率分解为收入效应、国债效应、利差效应和择券效应,分别对应着债券票息、无风险利率、信用利差和主动择券为基金带来的收益。 Campisi认为,债券的收益首先可以分解为票息收益和价格变动的收益两部分。对于债券的价格变动,由债券定价公式微分可得: 𝛥𝑃𝑃 =−𝐷×𝛥𝑦 其中𝜟𝑷/𝑷为价格的变动率,𝑫为债券的修正久期,𝜟𝒚为收益率的变化,即债券价格的变动率等于负修正久期与收益率变化的乘积。而收益率的变化又可以拆分为无风险利率的变化和信用利差的变化之和: 𝛥𝑃 =−𝐷×(𝛥𝑟+𝛥𝑠)𝑃 其中𝜟𝒓为无风险收益率的变化,𝜟𝒔为信用利差的变化。因此,债券的收益就可以被债券的票息收益(收入效应),无风险利率变化所带来的收益(国债效应)和信用利差所带的收益(利差效应)三个因素所解释: 债券收益率 =票息收益率+(−修正久期×无风险收益率变化) ) + (−修正久期×信用利差变化 =收入效应+国债效应+利差效应 债券基金组合中往往包含多只债券,在对整体组合的超额收益进行归因时,Campisi又引入了择券效应这一概念,它代表着基金管理人优选债券带来的额外贡献。因此,纯债型基金的收益可以被分解为收入效应、国债效应、利差效应与择券效应四个部分。 该模型将债券基金和与其自身的业绩比较基准按上述方法拆解,并将两者拆解后得到的效应结果相减,即可得到超额收益的来源,从而实现对基金管理人的业绩评价。 图表1:Campisi模型纯债型基金收益分解 Campisi模型对纯债型基金的收益进行了较为细致的分解,但由于模型计算需要持仓所有债券的信息,而债券基金只公布前五大重仓债券,且大多数情况下前五大重仓债券并不能展现基金的整体特征,在没有内部数据的情况下运用该模型可能存在较大误差。同时,Campisi模型没有考虑可转债的因素,在现在可转债投资愈发重要的市场背景下,不能刻画可转债的收益特征,具有一定的局限性。于是我们对Campisi模型进行了扩展,新模型不再依赖基金具体的持仓债券信息,而是转而使用净值序列信息,构建出体现债券风格的多因子模型,来实现债券基金的归因分析。 第二部分:多因子归因模型 2.1风格因子构建 Campisi模型将纯债基金的收益分解收入效应、国债效应、利差效应与择券效应,我们首先试图在分解的维度上进行补充。考虑到债券基金可能投资于可转债,而可转债的价格变化一定程度上受股票市场的影响,具有很强的权益特征,故我们引入了转债效应,来解释可转债价格变化对收益的贡献。另一方面,考虑到债券基金在管理过程中,可能会出现杠杆操作或现金仓位的情况,因此我们引入了货币效应,来解释现金仓位带来的收益或杠杆操作所需的成本。 所以我们在Campisi模型的基础上,添加了转债效应与货币效应,以此构建了多因子模型,以更好的解释债券基金投资组合中各种不同的因素带来的收益。 模型将债券基金总收益按下式进行分解: 债券基金总收益=票息收益+价格变动收益+货币市场收益 =收入效应+国债效应+利差效应+择券效应+转债效应+货币效应 图表2:债券基金收益分解 为了避免依赖持仓信息,我们的模型采用了多因子归因的方法,使用了不同的风格因子来反映上述效应。在上述效应之外,考虑到债券利率的期限结构、信用债的不同信用等级同样影响债券基金收益,模型构建了债券基金的七个风格因子: 1)水平因子:选取中债国开行债券总财富指数的收益率,可以理解为股票市场中的贝塔,直接地反映了收益率对债券组合的影响。 2)斜率因子:为了剔除水平因子的影响,采用做多中债中短期债券财富总指数,做空中债中长期债券财富总指数,构建久期中性的组合。斜率因子一定程度体现了基金经理期限结构的配臵和调整能力。 3)凸性因子:采用中债国开行债券1-3年、3-5年、5-7年、7-10年债券财富总指数四只指数两两组合,按照构建斜率因子的方法构建3个久期中性的组合,再分别对三个组合依次按照0.25、-0.5、0.25的权重构建组合。凸性因子是对斜率因子的补充,丰富了利率曲线的期限结构。 4)信用因子:采用做多中债企业债AAA总财富指数,做空中债国开行债券总财富指数,构建久期中性的组合。信用因子刻画了为了补偿信用风险而额外提供的收益。 5)违约因子:采用做多中债高收益企业债总财富指数,做空中债企业债AAA总财富指数,构建久期中性的组合。违约因子考虑了不同等级信用利差对债券收益的影响,补充了信用因子在这方面解释上的缺失。 6)转债因子:采用做多中证转债指数,做空中债国债总财富指数,构建组合,反映了转债的超额收益率。 7)货币因子:选取货币市场基金指数收益率。 图表3:因子构建方法 2.2因子表现与相关性 我们统计了各个因子2017年以来的历史收益净值曲线,从图中可以看出,可转债因子的年化收益最高,但波动也最剧烈,可以体现转债的权益特征;水平因子受市场收益率变动的影响较大,反映了债券市场整体的情况;其余五个因子表现较为稳定,长期来看基本上呈向右上的斜线。 图表4:因子历史收益净值曲线 接下来,我们统计了因子之间的相关性。从以下的图表可以看出,本文构建的因子间相关性不高,大部分因子相关性的绝对值都在0.3以下,在合理范围内,这就保证在进行多元线性回归的时候,不会造成出现的多重共线性的问题,回归分析结果较为可靠。 图表5:因子相关性统计 2.3风格归因分析 在确保因子有效性的基础上,我们构建了多因子归因模型: 𝑦 = 𝛼 + 𝛽×𝐹+𝜀 其中因变量𝑦为基金净值的日收益率,𝐹为标准化的因子值,回归系数𝛽反映了基金的因子暴露,𝛼表示基金无法被风格因子解释的超额收益。 我们对债券基金(指短期纯债型基金、中长期纯债型基金、一级债基,不包括二级债基,下同)近5年的历史数据进行了回归,得到债券型基金在不同因子上的回归系数,即基金在该因子上的因子暴露,结果如下图所示。 图表6:债券基金平均因子暴露 由于所有的自变量因子都已经进行了标准化处理,回归得出的因子暴露可以看作顺序数据,即它的绝对数值没有经济学含义,但可以用来体现不同因子间的相对大小与不同基金间的相对大小。从结果上来看,债券基金的平均因子暴露最高的是水平因子,相对较高的包括信用因子和转债因子,其余四个因子的平均因子暴露较小。由此可以推测,大多数债券基金都受到了债券市场整体波动的影响,部分基金也通过承担转债风险和信用风险来提高收益。 本文构建多因子模型对债券基金进行风格归因分析,得到了如下的拟合优度频数分布图。从整体来看,模型拟合优度的均值为0.5,考虑到债券基金收益的影响因素在实际中更为复杂,其中有很多无法定量分析的特异性因素,我们构建的多因子模型对债券基金的收益解释效果尚可。 图表7:拟合优度频数分布图 多因子模型中的阿尔法为债券基金收益中不能被风格因子解释的部分,是基金风格因子之外的超额收益,在一定程度上可以衡量基金管理人的特有能力。 后文尝试在多因子模型的基础上构建策略,通过债券基金回归得到的阿尔法来遴选债券基金,并检验挑选出的高阿尔法债券基金是否能长期具有稳定的优异表现。 第三部分:债券基金遴选策略 3.1债券基金遴选策略 本文将多因子模型中的阿尔法作为超额收益,衡量基金管理人的特有能力,本质是对詹森指标的扩展。为了验证此策略是否能筛选出具有稳定优异表现的债券基金,我们对过去5年的历史数据进行了回测。 每季度末我们选取已成立半年以上的债券基金作为样本,将债券基金过去6个月的净值收益率对上文的七个风格因