FOF策略研究系列报告：消费主题基金分类及优选研究

证消费主题基金分类及优选研究 券 研——FOF策略研究系列报告 究主要观点 报日期: 告 2022年10月17日 本报告旨在研究消费主题基金分类，在该分类下的基金组合优选方 分析师:张雨蒙 Tel:021-53686146 E-mail:zhangyumeng@shzq.comSAC编号:S0870521100005 分析师:乐威 Tel:021-53686145 E-mail:yuewei@shzq.comSAC编号:S0870522090001 相关报告： 《新能源主题基金的分类及优选》 ——2022年07月07日 基金研究深度 法，以及主动和被动型消费基金的对比。在本报告中，我们将重点研 究以下三个内容： 第一，消费主题基金的分类筛选。第一步，分别采用行业分类、指数分类两种方式构建消费股票池；第二步，根据基金在消费股票池中的持仓占比，对消费主题基金进行分类。 第二，构建消费主题基金优选策略。在完成基金分类后，我们构建指标筛选该主题下的优质基金。除了常见的因子，我们构建Stutzer因子和交易能力因子，对消费基金进行优选测试，进而筛选适合消费主题的选基因子。 （1）基金优选回测结果表明，Calmar、Stutzer和交易能力因子整体表现较优。对于单个因子，我们将全市场股票基金在截面上的因子降序排列，按照排名分为5组，其中组1的因子最小，组5的因子最大， 对每组基金分别进行因子回测。分组回测结果显示，三个因子的组5 （因子最大组）表现较优，年化收益和夏普比率显著大于其他组。因子最大的十只基金构建的Top10组合整体表现优于组5，因子长期有效性显著。 （2）各因子Top10组合表现：Calmar因子的Top10组合年化收益为 24.71%，夏普比率为1.17；Stutzer因子的Top10组合年化收益为 23.02%、夏普比率为1.14；交易能力因子的Top10组合年化收益为 20.24%、夏普比率为1.02。 第三，在消费主题下，主动基金相对被动基金是否存在超额收益。在优选主题基金时，或是在基于主题基金持仓筛选股票时，一个值得思考的问题是，主动基金是否能跑赢被动指数基金。根据回测结果，相较于被动型基金，主动型消费基金在中短期优势不明显，但在长期具有显著的超额收益。 风险提示 系统性风险，政策风险，模型失效风险。 目录 1消费主题基金分类4 1.1核心思路4 1.2消费主题股票池构建方法4 1.3消费主题基金分类方法5 2消费主题基金优选模型6 2.1基金优选因子6 2.2模型参数8 3基金优选模型回测8 3.1总体回测结果8 3.2Calmar因子回测表现9 3.3Stutzer因子回测表现13 3.4交易能力因子回测表现16 4主动型基金是否存在超额收益20 5风险提示22 图 图1消费主题基金类型统计6 图2Calmar因子（行业分类）的分组净值9 图3Calmar因子（行业分类）的Top10净值9 图4Calmar因子（指数分类）的分组净值10 图5Calmar因子（指数分类）的Top10净值10 图6Stutzer因子（行业分类）的分组净值13 图7Stutzer因子（行业分类）的Top10净值13 图8Stutzer因子（指数分类）的分组净值14 图9Stutzer因子（指数分类）的Top10净值14 图10交易能力因子（行业分类）的分组净值17 图11交易能力因子（行业分类）的Top10净值17 图12交易能力因子（指数分类）的分组净值17 图13交易能力因子（指数分类）的Top10净值17 图14主动型基金与被动型基金的收益均值和中位数（行业分 类）21 图15主动型基金与被动型基金的收益均值和中位数（指数分 类）21 表 表1消费主题股票池构建方法5 表2模型参数8 表3各因子组5风险收益指标9 表4Calmar因子（行业分类）的分组及Top10组合风险收益指标10 表5Calmar因子（指数分类）的分组及Top10组合风险收益指标11 表6Calmar因子（行业分类）的分组及Top10组合分年收益11 表7Calmar因子（指数分类）的分组及Top10组合分年收益12 表8Calmar因子（行业分类）的Top10组合近期选基（截止2022年8月31日）12 表9Calmar因子（指数分类）的Top10组合近期选基（截止2022年8月31日）13 表10Stutzer因子（行业分类）的分组及Top10组合风险收益指标14 表11Stutzer因子（指数分类）的分组及Top10组合风险收益指标15 表12Stutzer因子（行业分类）的分组及Top10组合分年收益15 表13Stutzer因子（指数分类）的分组及Top10组合分年收益15 表14Stutzer因子（行业分类）的Top10组合近期选基（截止2022年8月31日）16 表15Stutzer因子（指数分类）的Top10组合近期选基（截止2022年8月31日）16 表16交易能力因子（行业分类）的分组及Top10组合风险收益指标18 表17交易能力因子（指数分类）的分组及Top10组合风险收益指标18 表18交易能力因子（行业分类）的分组及Top10组合分年收益19 表19交易能力因子（指数分类）的分组及Top10组合分年收益19 表20交易能力因子（行业分类）的Top10组合近期选基 （截止2022年8月31日）20 表21交易能力因子（指数分类）的Top10组合近期选基 （截止2022年8月31日）20 1消费主题基金分类 1.1核心思路 在2022年7月7日发布的报告《新能源主题基金的分类及优选》中，我们研究了新能源主题基金的分类和筛选方法，借鉴该思路，我们进一步对消费主题基金进行了分类及优选研究。在本报告中我们将重点研究以下三个内容： 第一，消费主题基金的分类筛选。为了提高基金筛选的准确性，我们采用基金持仓数据进行计算，以此来有效降低基金名称、基金介绍等数据的筛选误差。 第二，构建消费主题基金优选策略。在完成基金分类后，我们构建指标筛选该主题下的优质基金。除了常见的因子，我们构建Stutzer因子、交易能力因子，对消费基金进行优选。投资者可结合因子表现及组合目标，筛选合适的因子。 第三，在消费主题下，主动基金相对被动基金是否存在超额收益。在优选主题基金时，或是在基于主题基金持仓筛选股票时，一个值得思考的问题是，主动基金是否能跑赢被动指数基金。如果前者能跑赢，那么在构建基金组合时，可以侧重对主动基金的优选；在股票筛选上，基于主动基金持仓数据筛选股票池，往往比基于被动指数成分股更可信。 1.2消费主题股票池构建方法 本报告分别采用指数分类法、行业分类法两种方法，构建消费主题股票池。 1.2.1指数分类法 对于指数分类法，我们首先对市场上的指数，筛选名称中含有“消费”的指数，在不同时间点，每个截面上对这些指数的权重股取并集，构成指数分类法下的消费股票池。 1.2.2行业分类法 对于行业分类法，我们采取市场主流的定义方法，以中信一级行业为分类标准，筛选属于医药、家电、农林渔牧、商贸零售、汽车、消费者服务、轻工制造、食品饮料、纺织服装行业其中之一的股票，定义为消费股。 表1消费主题股票池构建方法 分类方法 消费股定义 指数分类法 筛选名称中含有“消费”的指数，在不同时间点，每个截面上对这些指数的权重股取并集 行业分类法 筛选中信一级行业中，属于医药、家电、农林渔牧、商贸零售、汽车、消费者服务、轻工制造、食品饮料、纺织服装行业其中之一的股票 资料来源：Wind,聚源,上海证券研究所 1.3消费主题基金分类方法 根据所构建的消费主题股票池，计算各只基金在各期的消费持仓占比，并根据绝对值法筛选消费主题基金。由于基于绝对值法筛选的基金样本数量足够，在本报告中我们将不采用相对值法进行基金分类。借鉴报告《新能源主题基金的分类及优选》的思路，我们将绝对值法分为严格和宽松两种方法。 a.绝对值法（严格）：计算全市场股票基金滚动过去4个半年 度报告期，在该主题股票池内的持仓占净值比。要求滚动4个半年度中，每期的持仓占比均大于或等于50%，满足条件的基金作为该主题分类下的样本池。 b.绝对值法（宽松）：计算全市场股票基金滚动过去4个半年 度报告期，在该主题股票池内的持仓占净值比均值。要求滚动4个半年度内，持仓占净值比均值大于或等于50%，满足条件的基金作为该主题分类下的样本池。 需要注意的是，进行消费基金分类时，首先筛选重仓消费股的基金，其次需要剔除重仓医药股的基金，从而构建消费主题基金池。 根据2022Q2基金的全部持仓数据，四种方法筛选的消费主题基金中，偏股混合型和灵活配置型基金占比较高。由于指数分类筛选的消费指数较多，其消费股票池所包含的股票数量较多，因而指数分类下筛选的消费基金数量多于行业分类。 图1消费主题基金类型统计 资料来源：Wind,聚源,上海证券研究所 在股票分类方法上，指数分类法构建的股票池几乎覆盖了市场上所有的消费股；而行业分类法所构建的股票池在时间维度上具有更强的稳定性。在基金分类方法上，绝对值法（严格）可以选出绝对重仓该主题的基金，精确度更高；而绝对值法（宽松）可以起到放宽筛选标准的作用，从而弥补某些时期筛选的主题基金样本数量过小的缺陷。 考虑到不同分类下的基金样本量问题，在后续回测中，我们采取对行业分类（行业型股票池）采用绝对值法（宽松）进行主题基金分类，对指数分类（指数型股票池）采用绝对值法（严格）进行分类。 2消费主题基金优选模型 2.1基金优选因子 在对主题基金进行分类后，我们构建指标筛选该主题下的优质基金。除了常规的Sharpe、Calmar等指标，我们构建了Stutzer因子和交易能力因子，对消费主题基金进行优选。 2.1.1Stutzer因子 2000年，MichaelStutzer提出采用Stutzer因子对组合进行评价。与Sharpe类似，该因子属于风险调整后的收益指标，在评价 基金业绩时，基金相对其基准所实现的超额收益越高，则Stutzer指数越大。但与Sharpe指标不同的是，Sharpe假设收益率曲线正态分布，对非正态分布的曲线难以有效评价；然而，基金经理可能会改变基金产品的偏度和峰度，而Stutzer因子在计算过程中惩罚了负向偏度和高峰度，偏度为正、峰度值较小的产品业绩更优，从而能够更客观地评价基金业绩。其公式为： Ip=max� 1 T𝜃rt ⌊−log(T∑t=1e)⌋ Stutzer= Abs(r̅) r̅√2Ip 其中，rt为基金相对基准的超额收益，T为基金超额收益率时间序列的长度，r̅为基金超额收益率的均值，Ip为信息统计量。由于各种基金所设定的业绩比较基准不同，可能存在夸大业绩的行为，在本报告中我们统一将业绩比较基准设定为中证500，以期提高结果的稳健性。 2.1.2交易能力因子 2008年，MarcinKacperczyk，ClemensSialm和LuZheng提出，除了基金披露的信息之外，基金经理的一些交易行为是FOF投资人无法观察到的。为了测算这部分交易行为的效果，可以将基金的实际净值收益率，与其报告期公布的持仓股的加权收益率，两者的差额定义为交易能力，其反映了基金经理调仓交易获取收益的能力，计算公式为： � 𝑟�=𝑟𝑟𝑒𝑎�−∑（𝑤𝑖�∗𝑟ℎ𝑜𝑙𝑑𝑖𝑛𝑔） � 𝑗=1 𝑖� � 其中，n为基金在第i期持仓的股票数，𝑟�表示第i期的交易能力，𝑟𝑟𝑒𝑎�表示第i期基金的实际收益率（通过基金净值计算得到）， 𝑖� 𝑤𝑖�、𝑟ℎ𝑜𝑙𝑑𝑖𝑛�分别表示基金在第i期所持第j只股票的市值占比、收 益率。 对于单个因子，我们将全市场股票基金在截面上的因子降序排列，按照排名分为5组，其中组1的因子最小，组5的因子最 大。根据因子分组后，我们分别对5组基金组合进行回测，以此判 断因子的有效性。如果组合净值表现呈现组5至组1的单边