可转债型基金为例：如何有“信心”的选择基金？基于FCS方法的公募基金筛选
公募基金专题报告 分析师：张青 执业证书编号：S0890516100001 电话：021-20321154 邮箱：zhangqing@cnhbstock.com 研究助理：孙书娜 邮箱：sunshuna@cnhbstock.com 销售服务电话： 相关研究报告 021-20515355 1《公募基金：基金经理看市场- 2022年8月份观点汇总》2022-08- 29 2《公募基金：信达澳亚李淑彦：深挖周期制造，基于估值进行景气轮动 -基金经理投资价值分析报告 （20220816）》2022-08-16 3《公募基金：权益基金发行回暖，小盘及成长风格延续-华宝证券基金研究图鉴2022年8月期》2022-08- 10 ◎投资要点： 撰写日期：2022年09月21日 证券研究报告--公募基金专题报告 如何有“信心”的选择基金？基于FCS方法的公募基金筛选 ——可转债型基金为例 基金筛选是资产配置中非常重要一个环节。当前基金市场品类繁多、风格多 样，叠加投顾业务和FOF业务的快速发展，基金遴选的重要性逐步凸显。然而传 统的基金筛选方法由于指标选取过于主观以及未能充分考虑基金业绩的可预测性和可持续性等弊端，无法合理地在众多基金产品中确定最终的标的配置。 利用置信度筛选出“基金置信组合”的方法或可在一定程度上克服传统基金筛选方法的弊端。该方法通过一系列的基金间成对比较，在每轮比较中依次淘汰一只与其他所有基金相比预测性或业绩表现“最差”的基金，直到在统计学的置信 水平上不再能筛选出比其他任何进入备选的基金更差的基金为止。具体操作上，先使用风险因子和基金净值数据得到本期预测和下期实际的风险调整后收益，在此基础上计算基金之间的绩效比较指标。接下来，对列表内的基金使用等价检验来检验两只基金的业绩预期是否有显著差异，并与通过自举方式计算的统计量临界值进行比对，剔除统计值明显小于临界值的基金，重复以上过程直到被纳入基金置信集中的基金集合中不再含有比其他基金表现更差的标的。 通过构建等权组合，选择合适的业绩基准，对FCS基金集合的业绩与基准组合业绩做对比，以此判断FCS方法的有效性。考虑到可转债市场的发展与可转债型基金的数量及持仓特征，我们选取2017年一季度至2022年二季度可转债基金数据构建样本池，并于每个季末根据最新披露的资产配置情况进行更新。由于FCS 模型需要过去两年的历史数据计算基金的风险调整后alpha，我们将构建组合的开始日期设定为2019-12-31，对组合2020年以来的表现进行评估，并分别通过与广义可转债基金整体和满两年的可转债基金整体进行业绩对比来评估FCS方法的有效性。 系统性风险是基金收益的重要来源，可通过多因子模型对基金收益进行拆解。结果显示，业绩归因的八因子模型可对基金收益进行高度拟合，且可转债型基金样本对股票因子的暴露度相较于债券因子普遍偏低。债券因子中，久期因子和信 用利差因子是债券基金最主要的暴露值，绝大多数月份不同基金在久期因子上的暴露度都较为集中；期限结构因子在不同基金中暴露度多为正值但都偏低，且横截面及时序暴露度差异较小，可以看出基金经理在期限结构的配置与调整策略方面较为一致。对信用利差因子和评级利差因子而言，纯债型基金在这两个因子上的暴露分歧较大，体现了不同基金经理在信用下沉策略的运用上存在一定差异。 利用置信度筛选基金置信组合的方法拥有较高性价比，尤其在市场出现大幅下跌时优势更为明显，即在一定程度上做到了“低风险高收益”。无论是否考虑交易费用，FCS方法构建的组合的累计收益率曲线一直位于基准组合的累计收益率曲 线之上，即FCS组合可以获取较基准组合更优的收益，且除极端市场行情外，FCS组合的累计收益率曲线一直呈现稳步上升的趋势，即该组合可获得比较稳定的回报收益。同时，随着时间线的拉长，FCS组合与基准组合的累计收益差逐步扩大。FCS组合在收益表现更好的同时具有更低的波动与回撤，因此Sharpe比率和Calmar比率均高于基准组合，稳健性及性价比都更高。 风险提示：以上数据均基于历史回测，注意历史数据与实际数据之间的差异，请谨慎使用。 内容目录 1.简介3 2.基金遴选FCS方法4 2.1.FCS方法原理4 2.2.FCS算法设计5 2.3.风险因子选择5 2.3.1.债基Campisi归因因子6 2.3.2.股基Carhart四因子6 2.3.3.风险因子相关性7 3.FCS方法历史回测7 3.1.可转债型基金定义7 3.2.回测设计8 3.3.数据选取9 3.4.回测结果9 3.4.1.业绩归因模型的有效性和alpha分析9 3.4.2.FCS组合绩效评估11 4.结论13 图表目录 图1：公募基金数量和规模3 图2：可转债型基金界定8 图3：可转债型基金数量（分季度更新）9 图4：业绩归因模型𝑅210 图5：债券因子暴露分布10 图6：股票因子暴露分布11 图7：超额收益alpha分布11 图8：FCS组合与基准组合的累计收益对比(不考虑交易费用)12 图9：FCS组合与基准组合的累计收益差(不考虑交易费用)12 表1：风险因子相关性(2017.1.1-2022.7.31)7 表2：FCS组合与基准组合的绩效对比13 1.简介 近年来，基金快速扩容，随着产品数量和产品类型的逐步丰富，叠加投顾业务和FOF业务的发展，公募基金遴选的重要性逐步凸显。2015年末至2022年二季度，全市场基金总数已从2722只增长至10010只，总规模也从8.4万亿元增长至26.8万亿元。从产品类型而言，公募基金的产品线也逐步在丰富中。以2021年为例，2021年公募Reits、首批同业存单指数基金获批、北交所基金、公募FOF-LOF和MOM出世、ETF创新产品品类众多、持有期短债产品等创新产品的出现，为大众投资者提供了更为多元化的选择。由于目前市场上基金产品数量多、品种全、风格多样，想要筛选出业绩表现优异且持续性高的产品难度越来越大。另外，自2019年证监会下发《关于做好公开募集证券投资基金投资顾问业务试点工作的通知》以来，基金投顾业务开展试点业务多点开花，作为底层配置标的，如何帮助投资者解决“选基难”的问题也越来越受到市场的关注。 图1：公募基金数量和规模 30 10000 25 8000 20 6000 15 400010 20005 2015Q4 2016Q1 2016Q2 2016Q3 2016Q4 2017Q1 2017Q2 2017Q3 2017Q4 2018Q1 2018Q2 2018Q3 2018Q4 2019Q1 2019Q2 2019Q3 2019Q4 2020Q1 2020Q2 2020Q3 2020Q4 2021Q1 2021Q2 2021Q3 2021Q4 2022Q1 2022Q2 00 左轴：公募基金数量（只）右轴：公募基金规模（万亿） 资料来源：华宝证券研究创新部，基金业协会定期统计公布 传统基金筛选一般是结合定量和定性研究相结合的方式，定性研究主要是针对基金公司和基金经理进行定性调研。至于定量分析，目前市场上主流的主动管理型基金的定量筛选方法的大体思路为：基于基金过去一段时间内净值绩效指标（如收益、风险、风险性价比、业绩持续性、胜率等）角度出发，通过单因子筛选和多因子加权打分的方法来得到排名靠前的品种。但若仔细推敲，不难发现，传统基金筛选方法对于从众多基金进行初筛效果可以，但在最终决定是否对标的进行配置时存在一些弊端： （1）指标的选择、权重的设定在一定程度上具有主观性，即使是通过ICIR相关性或组合构建法等方法进行量化测试，在最终确定因子和权重时还是依赖于投资者的个人风险偏好或经验等主观因素； （2）传统的基金筛选方法没有充分考虑市场beta行情对基金业绩的影响，很多时候是历史业绩的线性外推，无法排除运气和市场适用性的影响。不同风格偏好的基金产品会由于没有碰到相同的市场环境而使得业绩不具可比性，并且即使是扣除市场因素的多因子模型也没能考虑到基金业绩的可预测性和可持续性。 （3）没有明确的规则指导如何确定最终的有效标的集合，确定一组基金。大多数时候最终标的数量的选择更多依赖主观偏好，实践指导意义可能并不强，具有一定的随意性。 正如前文所说，市场上的公募基金品种繁多，我们无法在一篇报告中对所有的公募基金进行分析。在报告《如何刻画可转债基金的持仓和操作特征？-可转债型基金专题报告》中，我们对可转债型基金从持仓和操作特征上进行了系统的梳理，因此我们在本报告中选择可转债型基金作为研究对象，从基于绩效进行基金遴选角度出发，作为上篇报告的有效补充。 2.基金遴选FCS方法 2.1.FCS方法原理 Grønborgetal(2017)在《PickingFundswithConfidence》中，借鉴Hansen等人 （2011）的模型置信集（MCS）方法，提出利用置信度来选出基金置信集（FCS,FundConfidenceSet），获得一组风险调整后收益超越其他同类基金的集合。该方法不同于前文中提到的传统基金筛选方法，而是通过一系列的基金间成对比较，在每轮比较中依次淘汰一只与其他所有基金相比预测性或业绩表现“最差”的基金，直到在统计学的置信水平上不再能筛选出比其他任何进入备选的基金更差的基金为止，最终筛选出的基金组合称为“基金置信组合”。 按照Grønborgetal(2017)中的设定，具有更高的风险调整后预期收益的品种会更吸引投资者，这就要求基金的表现至少要有一定的可预测性。因此，基金筛选的目标是找出那些经风险调整后的业绩表现可以可靠预测的基金。按照惯例，通过计算暴露于一组风险因子𝒛�敞口下的超额收益（扣除国债利率𝑅𝑖,𝑡）来计算基金�在第�期的风险调整后收益。 𝑖,� 𝑅𝑖,�=𝛼𝑖,�+𝛽′𝒛�+𝜀𝑖,�(1) 此处的�代表基金𝑖，�指时间段，𝜀𝑖,�是基金的异质性回报，𝛽𝑖,�衡量基金对常见风险因子的敞口，而𝛼𝑖,�衡量其风险调整后的超额收益。 等式（1）中的模型非常通用，因为它同时允许：𝛼�和𝛽�随时间变化，这样可以识别所选基金的范围、采用的投资策略以及经风险调整后的收益如何随时间变化。如果基金的�随时间恒定，例如𝛼𝑖,�=𝛼𝑖，基金的平均历史业绩可用于计算其预期未来业绩。相反，如果基金的超额收益随时间变化，即对于s≠t，𝛼𝑖,�≠𝛼𝑖,𝑠，我们需要对𝛼𝑖,�随时间变化建模。在这种情况下，让𝛼̂𝑖,𝑡+1|�表示基于时间�的可用观察，基金�在�+1期间的�的预期值。 𝑖,𝑡+1 给定这样的估计，接下来需要测量𝛼̂𝑖,𝑡+1|�是否可以可靠地预测基金在之后的业绩。为此，需要考虑将Max(𝛼̂𝑖,𝑡+1|𝑡,0)和基金实际风险调整绩效的符号sign(𝑅𝑖,𝑡+1−𝛽̂′𝒛𝑡+1)进行相乘： 𝑖,𝑡+1 𝑃𝑖,𝑡+1=Max(𝛼̂𝑖,𝑡+1|𝑡,0)sign(𝑅𝑖,𝑡+1−𝛽̂′𝒛𝑡+1)(2) 如果参数为正，符号函数𝑠𝑖𝑔𝑛(∙)等于+1；如果参数为负，则符号函数𝑠𝑖𝑔𝑛(∙)为−1;否则 𝑠𝑖𝑔𝑛(∙)为0。如果一个正的𝐴𝑙𝑝ℎ�估计(𝛼̂𝑖,𝑡+1|�>0)成功预测了正的风险调整后的收益，方程 𝑖,𝑡+1 （2）中的表达式𝑃𝑖,𝑡+1就会很大。相反，如果预测了一个正的𝐴𝑙𝑝ℎ�估计(𝛼̂𝑖,𝑡+1|�>0)，但其未来实际风险调整收益为负(𝑅𝑖,𝑡+1−𝛽̂′𝒛𝑡+1<0)，则（2）式会给阿尔法预测为正但未来风险调整收益为负的基金以惩罚。因此，（2）中的𝑃𝑖,𝑡+1既考虑了预测性能的大小和符号，也考虑了预测是否成功。最后，𝐴𝑙𝑝ℎ�预测为负(𝛼̂𝑖,𝑡+1|�<0)的基金被排除在考虑范围之外， 因为这类基金的𝑃𝑖,𝑡+1=0，因此（2）有助于确定优异业绩的基金。 �
