原理与应用：基于有效选股因子的三维基金经理风格刻画体系

摘要 目前，基于市场的主流投资流派，公募基金经理在投资策略上往往会通过选择有效指标刻画“好行业、好公司、好价格”来选择优质个股。对此，我们认为分别对应考虑了上市公司的成长性、质量和估值。本文的核心思想，是通过这三个维度对基金经理投资风格进行划分，构建基于有效选股因子的“股票-基金-基金经理”的三维基金经理风格刻画体系，并应用于投资实践。 具体而言： 第一“维”是股票维度，检验价值、成长、质量中各细分因子的有效性，并筛选出各维度有效的股票因子，并进行等权合成最终的价值、成长、质量因子。 第二“维”是基金维度，基于有效股票因子计算基金在价值、成长、质量各因子上的暴露，本部分“以人为本”，综合考虑基金经理离职任职、因子缺失、短期与长期的考察期、不同应用场景等因素，计算了基金的因子暴露以及对应的排名分位数，方便后续的应用。 第三“维”是基金经理维度，对基金经理投资风格进行标签化与优选。 此外，本篇主要介绍了基于上述研究体系的两个应用，一是对基金经理进行风格标签，包括针对单期和长期风格以及风格漂移的标签；二是基于因子暴露筛选特定风格的基金经理，并以价值风格的三大流派为例，分析如何筛选深度价值、质量价值以及价值成长三大价值风格基金经理，并选择各流派下的代表性基金经理对其重要风格特征进行量化分析验证。 风险提示：因不同投资者对投资风格的理解存在一定差异，本文对基金经理风格的划分或不同于基金经理对自身投资风格的定位，本文的投资风格只是在本文研究分析框架下的结果；本报告结论完全基于公开的历史数据进行统计、测算，文中部分数据有一定滞后性，同时存在第三方数据提供不准确风险；对基金产品和基金管理人的研究分析结论并不预示其未来表现，也不能保证未来的可持续性，亦不构成投资收益的保证或投资建议。 前言 当前市场上对基金产品的风格刻画，通常是基于晨星的风格箱思想，从两个维度来刻画：第一个维度，基金持有股票是属于大盘、中盘还是小盘；第二个维度是基金所持有股票的风格是属于价值、成长还是均衡。虽然谈到对产品的风格，我们往往会提及“以人为本”，但是大多对基金经理以及产品的风格定义又仅仅是通过基金呈现的持仓情况来定义，而我们认为应该真正从“人”为什么这样选股，“人”接下来应该会选什么股，不同的“人”如果选不同风格的股票该如何比较能力的角度，去思考基金产品评价的问题。 进一步，风格刻画的意义在于什么？——试想，在对基金产品评价时，如果把所有产品都放在一个基金池来评价业绩，这样公允么？如果基金经理追求的风险收益比目标都不同，谈何比较终点结果？虽然所有的基金经理面临的是同一个市场环境，但是每个“人”都有自己不同的投资“性格”，我们不能仅仅通过业绩评价指标来刻画哪个基金经理的投资能力更加优秀，正如我们不能在同一个社会中，贴上“外向型人格”就比“内向型人格”更好的标签。在FOF投资管理人的角度，我们选择的产品一方面要“术业有专攻”更加适合母层策略的需求，另一方面，要对同样适合策略的产品优中选优，这样才能公允的甄别出“人”的实践管理能力。针对上述提到的“不公允”问题，本篇不是从持仓的行业分布的结果对产品进行简单特征分类，而是站在基金经理投资策略的角度，通过挖掘股票维度风格因子的暴露分析、基金产品维度风格因子的暴露分析以及基金管理人维度风格的标签刻画，真正做到对“ 人”性的深度剖析，来预测“人”的行为特征以及基金产品属性。 1三维基金经理风格刻画体系简述 目前，基于市场的主流投资流派，公募基金经理在投资策略上往往会通过选择有效指标刻画“好行业、好公司、好价格”来选择优质个股。对此，我们认为分别对应考虑了上市公司的成长性、质量和估值。所以本文的核心思想，是通过这三个维度对基金经理投资风格进行较好的划分，并应用于投资实践。 本文构建了“股票-基金-基金经理”的三维基金经理风格刻画体系： 第一“维”是股票维度，检验价值、成长、质量中各细分因子的有效性，并筛选出各维度有效的股票因子。 第二“维”是基金维度，基于有效股票因子计算基金在价值、成长、质量各因子上的暴露。 第三“维”是基金经理维度，对基金经理投资风格进行标签。 图1：基金研究思路框架 2基于有效选股因子的基金经理风格划分 2.1股票因子有效性检验 首先，对股票因子测试进行相关说明： （1）股票池：全A股，剔除北交所相关股票，剔除ST、PT股，剔除每个截面期下个交易日停牌、涨跌停的股票，剔除上市不满一年的股票。 （2） 测试区间：2009-12-31至2022-08-31。 （3） 数据预处理： a）极值处理：中位数去极值； b）标准化：Zscore标准化； c）缺失值处理：对缺失值填充为0； d）中性化处理：对相关因子进行行业市值中性化。将原始因子对行业因子和市值因子进行OLS回归，回归后得到的残差即为去除了行业因素和市值因素影响后的因子值。 （4）因子有效性测试方法：分别利用IC法、回归法以及分层回测法对因子有效性进行测试，文中主要展示IC法和分层回测法的结果。 我们分别从价值、成长、盈利质量三个大类去检验细分因子的有效性，具体解释如下： 表1：所检验的因子列表 针对上述因子，具体因子IC检验结果如下： 表2：IC检验结果 分层法的结果如下（由于测试的因子较多，本部分只列示各大类中部分有效的因子）： 结论一：价值因子中，EP_TTM、BP_LF、DYR分组较为单调 图2：EP_TTM分层收益 图3：EP_TTM分组月均超额收益 图4：BP_LF分层收益 图5：BP_LF分组月均超额收益 图6：滚动股息率DYR分层收益 图7：滚动股息率DYR分组月均超额收益 结论二：质量因子中，单季度ROE、 单季度ROA、ROIC分组较为单调 图8：单季度ROE分层收益 图9：单季度ROE分组月均超额收益 图10：ROIC分层收益 图11：ROIC分组月均超额收益 图12：单季度ROA分层收益 图13：单季度ROA分组月均超额收益 结论三：成长因子中，单季度归母净利润同比、单季度ROE同比变化、单季度ROA同比变化、SUE、SUR等因子分组均较为单调 图14：单季度归母净利润同比分层收益 图15：单季度归母净利润同比分组月均超额收益 图16：单季度ROE同比分层收益 图17：单季度ROE同比分组月均超额收益 图18：SUE分层收益 图19：SUE同比分组月均超额收益 基于上述三种方法，各类中我们选择的因子如下： 价值因子中EP_TTM、BP_LF和DYR。 质量因子中单季度ROE、 单季度ROA和ROIC。 成长因子中单季度ROE同比、单季度ROA同比、SUE、SUR和单季度归母净利润同比。 各小类因子均是通过等权方式合成大类因子Value_Factor、Quality_Factor和Growth_Factor，为方便后续不同报告期之间的对比，我们对合成的大类因子再进行一次标准化处理，经过等权合成的大类因子在选股效果上会有一定的提升。 图20：Value_Factor分层收益 图21：Value_Factor分组月均超额收益 图22：Quality_Factor分层收益 图23：Quality_Factor分组月均超额收益 图24：Growth_Factor分层收益 图25：Growth_Factor分组月均超额收益 2.2基金因子暴露计算 基于上述测试的有效股票因子，接下来我们计算基金各期在各个因子上的暴露情况，由于基金经理存在跳槽离职等问题，为了更全面合理地筛选与刻画基金经理投资风格，我们综合利用基金经理历史管理过的所有产品，对基金以及基金经理的筛选处理说明如下： （1）基金类型：普通股票型、偏股混合型、灵活配置型、平衡混合型，保留初始基金。 （2） 建仓期处理：从基金经理任职三个月起进行分析。 （3）仓位限制：管理期间平均股票仓位不小于60%，各期港股仓位最高不超过20%且平均港股仓位不超过10%。 （4） 任期处理：同一基金经理在同一基金前后多次任职的，分开进行考虑。 （5）因子缺失处理：计算基金因子暴露时，对于持仓中股票因子缺失的，我们剔除掉缺失的股票，并对剩余的股票进行权重的重新归一化。 （6）研究区间：2010年中报-2022年中报。本次研究数据截至时间2022年9月28日，后期会根据基金经理变动情况定期进行更新。 首先，我们对纳入分析的基金经理样本数据做统计分析：从每个基金经理纳入分析的报告期数来看，多数基金经理纳入分析的报告期样本数在4个报告期以下（即两年以下），但是仍有不少基金经理纳入分析的报告期样本在8个报告期以上（即4年以上）。从不同报告期纳入分析的基金经理和基金样本数来看，近年来样本数量持续攀升。 图26：每个基金经理风格纳入分析的报告期数 图27：不同报告期的样本数 其次，计算完各期基金的因子暴露之后，针对目前市场上的普遍需求，我们主要介绍一下本文研究成果的两个应用：一是基金经理风格的标签化，二是基于因子暴露筛选特定风格的基金经理。 3应用一：基金经理风格的标签化 3.1如何从因子暴露过渡到风格标签？ 首先，介绍基金经理风格的标签化，主要包含两个方面，一是划定基金经理的风格标签：包括单期标签和综合基金经理任期之间的各个报告期的基金因子暴露情况划定基金经理的风格，核心思路是根据基金经理在某基金任期的平均因子暴露与底层股票在期间的上下限分位数的因子值的数据关系进行划定；二是监控基金经理的风格漂移问题：包括反映和监控基金经理短期（当期与上期之间）风格漂移的短期风格漂移标签以及反映基金经理长期风格变化的长期风格漂移标签。首先，我们先解释几个核心问题。 （1） 对于基金经理风格的标签化是如何通过股票因子划分获得的？ 具体划分方法上，我们会对计算出来的各期各个基金的因子暴露以及各个截面所有股票因子的Down_Q（下限分位数，如30%）和Up_Q（上限分位数，如60%）对应的因子值，一方面是划定单期风格标签，另一方面划定综合风格标签，通过对基金经理任期基金的因子暴露数据以及下限和上限分位数的因子值数据取平均，根据任期平均因子暴露和平均下限分位数值和上限分位数数值的数据关系判断基金经理在该任期的风格。以成长因子暴露为例，计算基金经理任期区间内包含完整数据的各报告期截面时点成长风格因子的暴露值，再求平均代表基金经理任期的整体风格因子暴露值；同时计算任职期间各报告期截面时点全市场股票成长风格因子暴露值序列的40%分位数和60%分位数，并对所有报告期的40%分位数和60%分位数对应的暴露值求平均。如果前者平均基金因子暴露值处股票平均因子暴露值40%分位数以下，我们将该基金经理划分为低成长；如果平均基金因子暴露值处于股票平均因子暴露值40%和60%分位数之间，我们将该基金经理划分为均衡成长型；如果平均基金因子暴露值处于股票平均因子暴露值60%分位数以上，我们将该基金经理划分为高成长。质量因子同理，但值得注意价值因子由于因子构建逻辑的问题，划分标签是相反的，我们将大于60%分位数标签为低估值，而小于30%分位数标签为高估值。 图28：基金经理风格标签划分逻辑 （2） 股票因子截面划分的阈值是如何确定？ 目前市场上对股票因子截面风格的划分往往依据三分法或者30%和70%分位数来赋予低、均衡、高三类，但是本文对股票因子截面划分的阈值是根据实际基金因子暴露的分布规律进行总结和调整确定，通过我们对实际暴露情况的考察，认为对不同风格因子应该给予不同划分阈值。 理由为，基金在价值、质量和成长因子上的暴露存在一定规律，大多数基金在因子上的暴露分布较为集中，即呈现尖峰分布；此外价值因子整体是右偏，质量因子整体是左偏，而成长因子分布较为对称，即可以认为公募基金整体偏好高估值、高质量的股票，而对公司成长性的追求差异较大，基于上述统计结果，我们将价值、质量、成长因子的阈值划分分位数上下限（Down_Q，Up_Q）分别设定为[30%，60%]、[40%，70%]、[40%，60%