FOF配置公募基金研究系列专题报告之一：类聚群分，权益公募如何择优？
中信期货研究|FOF配置专题报告 类聚群分，权益公募如何择优？ ——FOF配置公募基金研究系列专题报告之一 2022-10-27 投资咨询业务资格： 证监许可【2012】669号 报告要点 本文是公募基金研究系列专题的开篇之作，旨在研究权益主动管理型公募基金分 类及配置方案。我们构建了从主动管理产品分类到基于收益来源的基金经理分类 的全面分类体系，并基于此体系在严格均衡配置类、灵活均衡配置类和市场择时轮动类基金经理中分别择优构建了综合打分策略和机器学习策略。 119 117 115 113 111 109 107 105 103 中信期货商品指数走势 中信期货商品指数 中信期货十年期国债期货指数中信期货沪深300股指期货指数 240 220 200 180 160 140 120 2021-12-23 2022-01-07 2022-01-21 2022-02-11 2022-02-25 2022-03-11 2022-03-25 2022-04-12 2022-04-26 2022-05-13 2022-05-27 2022-06-13 2022-06-27 2022-07-11 2022-07-25 2022-08-08 2022-08-22 2022-09-05 2022-09-20 2022-10-11 2022-10-25 100 摘要： 主动管理基金产品分类体系：本文构建了主动管理基金产品“753”分类体系，该分类体系基于中信行业和中信风格特征对主动管理基金产品做出季频的风格归类，能有效地提高单期视角下的同类可比性。在归类方法上，不同于传统的仅基于持仓归类或基于净值归因的模式，我们通过引入“持仓有效性指标”，综合使用基金产品单季的净值和左右侧持仓特征，提高了归类的准确性。 基于收益来源的基金经理分类体系：基于前述建立的主动管理基金产品“753”分类体系，通过对过往多期代表产品分类结果的回看汇总，进一步构造了基金经理二级分类体系。最终聚类形成基于收益来源的五类基金经理分类，具体包括严格均衡配置、灵活均衡配置、市场择时轮动、行业主题增强和风格主题增强。 严格均衡配置策略：此类基金经理整体上长期业绩持续性最强，但在市场风格变动较大时会有反转现象，这与基金经理本身在投资过程中的路径依赖性息息相关。在构建投资组合过程中，使用多期回看综合指标构建组合可获得较好的表现。 灵活均衡配置策略：此类基金经理业绩持续性和收益风险特征处于中等水平。由于仅单向风格或产业暴露，能力圈和偏好相对固定，母基金在配置时应有一定择时考量。具体在构建投资组合过程中，运用主成分分析降维后使用回归方法构建模型表现较好。 市场择时轮动策略：此类基金经理业绩持续性相对较弱，风险偏好处在最高水平。具体在构建投资组合过程中，运用主成分分析降维后使用回归方法构建模型表现明显优于传统打分法，但需要注意模型本身黑箱特性导致组合风控难度增加。 风险提示：模型不适当风险、参数不适当风险、抽样风险 FOF配置团队 研究员：张菁 021-80401729 从业资格号F3022617 投资咨询号Z0013604 重要提示：本报告难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本报告内容而视相关人员为客户；市场有风险，投资需谨慎。如本报告涉及行业分析或上市公司相关内容，旨在对期货市场及其相关性进行比较论证，列举解释期货品种相关特性及潜在风险，不涉及对其行业或上市公司的相关推荐，不构成对任何主体进行或不进行某项行为的建议或意见，不得将本报告的任何内容据以作为中信期货所作的承诺或声明。在任何情况下，任何主体依据本报告所进行的任何作为或不作为，中信期货不承担任何责任。 目录 摘要：1 一、引言4 （一）主动管理型公募覆盖范围4 （二）分类理念5 （三）框架逻辑5 二、主动管理基金产品分类体系7 （一）“753”分类体系概览7 （二）“持仓有效性”指标构建8 （三）基金产品分类构建流程9 （四）基金产品分类结果汇总11 三、基于收益来源的基金经理分类体系13 （一）基于收益来源的基金经理分类体系概述13 （二）基金经理分类结果14 （三）基金经理分类基准16 四、综合打分法的策略构建17 （一）基金经理代表产品业绩评价指数构建17 （二）综合打分指标构建18 （三）综合打分指标五组法分组回测19 （四）基于综合打分指标的组合构建22 五、机器学习在主动管理策略中的应用25 （一）机器学习模型的选取25 （二）策略构造方法27 （三）严格均衡策略回归模型结果27 （四）灵活均衡策略回归模型结果28 （五）市场择时轮动策略回归模型结果30 （六）分类器模型搭建32 （七）分类器模型结果33 六、研究结论总结34 （一）研究成果回顾34 （二）推荐策略汇总34 五、风险提示36 免责声明37 图表目录 图表 1：非货公募基金规模占比（截止220930）................................................. 4 图表 2：主动管理型与非货公募基金数目变化................................................... 4 图表 3：“基金经理”与“基金产品”的分割................................................... 5 图表 4：报告框架逻辑....................................................................... 6 图表 5：主动管理型公募基金“753”分类体系.................................................. 7 图表 6：“持仓信息有效性”指标的构建....................................................... 9 图表7：“持仓信息有效性”指标的构建9 图表8：详细分类流程10 图表9：三大类主动管理型公募代表基金数目变化11 图表10：主动管理型公募基金近十季度分类基金数目一览12 图表11：主动管理基金经理分类体系14 图表12：主动管理基金经理分类体系15 图表13：基金经理二级分类结果15 图表14：基于收益来源的分类基准16 图表15：分类指数评价指标表现情况17 图表16：基金经理业绩评价指数18 图表17：严格均衡配置组验证集RankIC均值（以局部参数表现为例）19 图表18：严格均衡配置类综合指标分组回测结果20 图表19：灵活均衡配置类综合指标分组回测结果20 图表20：市场择时轮动类综合指标分组回测结果21 图表21：Group5–Group1累积超额表现21 图表22：严格均衡策略相对分组指数优化效果明显23 图表23：灵活均衡策略相对分组指数优化效果有限23 图表24：市场择时轮动策略相对分组指数未见优化效果24 图表25：机器学习模型选取26 图表26：严格均衡策略回归模型结果28 图表27：灵活均衡策略回归模型结果29 图表28：灵活均衡策略在收益风险两端均有优化29 图表29：择时轮动策略回归模型结果30 图表30：择时轮动策略超额收益较为稳健31 图表31：市场择时轮动策略（规模>5亿产品）31 图表32：随机过抽样方法图示32 图表33：严格均衡策略回归模型结果33 一、引言 本文是公募基金研究系列专题的开篇之作，该系列将重点研究各类公募基金配置框架方法论及具体策略构建，后续将囊括各资产类别公募基金的配置方法和相关的特异性因子挖掘及复杂因子构建。本文旨在构建权益型主动管理公募产品从分类到配置的一站式投资解决方案。不同于传统基于基金产品的投资框架，我们认为基金投资最终是对基金经理管理能力的投资，因而本文提出基于基金经理的投资方案。本文另一创新点在于构建了基金产品分类体系，并以此为基础构建了基金经理分类体系。在相关体系内构建投资策略可以将基金收益的Beta和Alpha进一步拆细，提升同类可比性。最后本文尝试了机器学习方法在前述投资框架内的运用，相关方法在特定类别中相较传统的综合打分法表现出不俗的提升效果。 （一）主动管理型公募覆盖范围 本文的研究对象着眼于权益主动管理型公募基金，范围主要包括Wind基金分类中的普通股票型基金、偏股混合型基金和灵活配置型基金这三类基金。其中由于本文着重研究权益类基金配置的问题，在配置过程中对灵活配置型基金进一步筛选，只将其中偏股配置的基金纳入本文的投资策略中。 随国内公募基金市场发展，截止2022年9月30日，全市场非货币公募基金 数量已逾9000只，其中前述主动管理型公募基金数量已接近3500只。规模上看，根据Wind统计数据，至2022年三季度末，扣除货币基金后的公募基金合计规模约为16.5万亿，其中主动管理型公募基金规模约为5.1万亿。主动管理型公募规模占比提升及本身的高波特性让建立一套针对此类基金行而有效的分类，筛选及评价体系成为FOF研究领域重要的一环。 图表1：非货公募基金规模占比（截止220930）图表2：主动管理型与非货公募基金数目变化 偏股混合型基金,19.66%灵活配置型基金,9.25% 被动指数型基金,8.39% 偏债混合型基金,4.59% 普通股票型基金,4.54% QDII基金,1.69% FOF基金,1.41% 增强指数型基金,1.03% REITs,0.37% 另类投资基金,0.30% 10000 9000 8000 7000 6000 5000 4000 3000 2000 1000 0 主动管理型其他 2022Q2 2022Q1 2021Q4 2021Q3 2021Q2 2021Q1 2020Q4 2020Q3 2020Q2 2020Q1 2019Q4 2019Q3 2019Q2 2019Q1 2018Q4 2018Q3 2018Q2 2018Q1 2017Q4 2017Q3 2017Q2 2017Q1 债券型基金,48.48%平衡混合型基金,0.29% 资料来源：Wind中信期货研究所资料来源：Wind中信期货研究所 （二）分类理念 基金分类是建立基金筛选与评价体系的基础，一套有效的基金分类体系应当能够识别具有相似市场环境适应性的基金。如果不进行基金分类体系的构建，直接在全市场范围开展基金筛选与评价就会遭遇“同类不可比”的困境，例如将赛道型基金与全市场均衡配置的基金的历史表现进行横向对比。同时，在收益拆解与归因过程中，不进行分类直接使用定量模型筛选会导致混淆基金收益的Beta和Alpha部分，从而导致对基金经理各项管理能力出现误判的情况。 基于上述的种种考量，本文针对主动管理型公募基金研究框架的第一步是建立一套行而有效的分类体系。在分类方法上，首先需要解决的问题便是分类对象的选取，是基于基金产品的分类还是基于基金经理的分类体系？对此，本文将研究对象选取为基金经理，我们认为对公募基金的投资最终仍是对基金经理管理能力的投资。因而分析这类公募基金需要将关注点聚焦于基金经理本身，针对其所管理基金产品的分析结果最后均要在“人”的层面汇总，而基金产品则是“单期”视角下基金经理管理能力和投资风格的最佳观测对象。 图表3：“基金经理”与“基金产品”的分割 资料来源：中信期货研究所 （三）框架逻辑 本文首先解决产品单期分类划分的问题，基于基金产品持仓和净值表现构建了基金产品“753”分类体系，对主动管理基金产品贴标。然后，通过持续观测基金经理的代表产品在过去八个季度间的分类特征，构造了基于收益来源的主观基金经理分类体系，将主观多头管理人分为严格均衡配置、灵活均衡配置、市场择时轮动、行业主题增强和风格主题增强五大类。对全市场选股的三类基金经理，本文使用历史收益风险因子构建了综合打分法策略和机器学习策略。 基金持仓数据 基金净值数据 主动管理产品753分类体系 产业偏好（7类） 风格偏好（5类
