FOF配置公募基金研究系列专题报告之二：基于非参贝叶斯的基金经理评价模型

中信期货研究|FOF配置专题报告 2022-11-30 基于非参贝叶斯的基金经理评价模型 ——FOF配置公募基金研究系列专题报告之二 投资咨询业务资格： 证监许可【2012】669号 报告要点 本篇报告基于非参贝叶斯方法构造了权益型基金经理主动管理能力评价模型，对未知的主动管理能力总体分布建模，并结合横截面信息评估基金经理水平。模型在灵活度、不确定性及样本可比性等方面均有特色，根据后验分布特征构造的“均值、偏度双重排序”综合评价指标策略超额稳定、收益提升显著。 $ⒸN $+$300‰ 119 117 115 113 111 109 107 105 103 240 $Ⓒ 220 200 180 160 140 120 2022-01-27 2022-02-17 2022-03-03 2022-03-17 2022-03-31 2022-04-18 2022-05-05 2022-05-19 2022-06-02 2022-06-17 2022-07-01 2022-07-15 2022-07-29 2022-08-12 2022-08-26 2022-09-09 2022-09-26 2022-10-17 2022-10-31 2022-11-14 2022-11-28 100 摘要： 根据主动管理能力后验分布特征，构建综合性评价指标进行基金经理择优。本篇报告将传统方法中对业绩表现的“点估计”转换为其所服从“分布的估计”。基于非参贝叶斯方法，模型以不断更新分布背后的参数组为主线，通过基金经理主动管理能力总体分布和个体分布间的交互影响形成对两个分布的估计。 模型在灵活度、不确定性及样本可比性等方面均表现出色：1）模型利用非参方法自动调整分组数量，并通过狄利克雷过程实现分组聚类，灵活度和适用性较强；2）假设分布均为未知，降低了前提条件的影响，充分考虑参数的不确定性；3）综合考虑分布间的关系，通过分布间交互影响提高了信息利用程度和样本可比性。 基金经理主动管理能力分布形态差异较大，且呈逐年分化态势。这与总体分布视角下的结论相互印证，基金经理主动管理能力均于2021年出现较为明显的分化情况，或与当年发生的抱团瓦解现象有关。随着基金经理表现的逐年分化，构建权益型基金经理主动管理能力的综合性评价指标，以此优选基金更具研究意义。 主动管理能力后验分布呈左偏态的基金经理后续往往有更优表现。我们根据非参贝叶斯方法所形成的基金经理主动管理能力后验分布特征，构建了基金筛选策略，相较于偏股混合型基金指数有相对稳定的超额表现，长期来看年化收益增厚约7%。 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。 风险提示：模型失效风险、抽样风险、数据回测区间有限 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、如何评估基金经理的主动管理能力4 （一）从“点估计”到“分布估计”4 （二）非参贝叶斯方法简介6 二、主动管理能力评估模型介绍7 （一）基金经理评估场景中的非参贝叶斯方法：两个分布交互影响7 （二）模型构建：模块化训练流程9 （三）模型特色：灵活度、不确定性及样本可比性11 三、实证结果及策略构建12 （一）样本选择范围及收敛检验12 （二）主动管理能力总体分布12 （三）基金经理主动管理能力分布13 （四）基于主动管理能力分布特征的基金筛选策略14 四、风险提示18 （一）模型失效风险18 （二）抽样风险18 （三）数据回测区间有限18 五、参考文献19 附录：模型具体构建方法20 （一）刻画基金主动管理能力：贝叶斯框架下的线性回归20 （二）更新主动管理能力分布：充分利用横截面信息21 （三）未知参数及先验分布：狄利克雷混合模型23 免责声明26 图表目录 图表 1：刻画主动管理能力分布的相关研究..................................................... 5 图表 2：先验分布分类....................................................................... 6 图表 3：非参数化方法：以狄利克雷混合模型刻画总体分布先验................................... 7 图表 4：贝叶斯方法：以总体分布的局部信息作为基金经理分布的先验............................. 8 图表 5：主动管理能力评估模型“主线”：不断优化分布背后的参数组............................. 8 图表 6：主动管理能力评估模型构建方法....................................................... 9 图表 7：主动管理能力评估模型训练流程...................................................... 10 图表 8：主动管理能力总体分布时序变化情况.................................................. 13 图表 9：主动管理能力后验分布（以“20190731”为例）........................................ 13 图表 10：主动管理能力后验分布（以“20200731”为例）....................................... 13 图表 11：主动管理能力后验分布（以“20210731”为例）....................................... 14 图表 12：主动管理能力后验分布（以“20220731”为例）....................................... 14 图表 13：均值指标五组法回测结果：2021年前总体较为稳定，首尾两组分层效果明显............... 15 图表 14：均值指标五组法G1-G5结果：2021年中下旬之后出现明显波动........................... 15 图表 15：偏度指标五组法回测结果：2021年中下旬之后第一组分层效果显著....................... 16 图表 16：偏度指标五组法G1-G5结果：时序上总体较为稳定..................................... 16 图表 17：复合指标策略表现（均值前20%，偏度TOP20）........................................ 17 图表 18：策略表现汇总（20190201至20221031）.............................................. 18 图表 19：基金经理主动管理能力刻画流程..................................................... 20 图表 20：基金经理主动管理能力刻画方法..................................................... 20 图表 21：回归方法和结果对比............................................................... 21 图表 22：考虑横截面上J-1只基金信息更新α分布.............................................. 22 图表 23：结合横截面信息更新基金经理主动管理能力分布....................................... 22 图表 24：狄利克雷混合模型简要拆解......................................................... 23 图表 25：α先验预测分布（B→0）........................................................... 24 图表 26：基分布更新过程（以J位基金经理，K组参数为例）.................................... 25 一、如何评估基金经理的主动管理能力 （一）从“点估计”到“分布估计” 针对权益型基金的业绩评价问题，目前业内已经存在着多种维度的评价体系，例如风险分析指标、择时选股能力指标以及基于收益归因的评价方法。但正如塔勒布对随机性的论断，我们看到的现实只是无数随机漫步中的一条路径。从统计学角度，我们观测到的一个日收益只是收益分布的一次抽样结果。为了克服这一传统评价方式的局限性，本篇报告基于非参贝叶斯方法构建了基金经理主动管理能力评价模型，将对业绩表现的“点估计”转换为对业绩表现所服从的“分布估计”。 在刻画权益型基金经理主动管理能力的命题下，学界已经有了一定的研究积累，频率派和贝叶斯派统计学方法在该领域均有所应用。以探究基金经理主动管理能力的总体分布为核心，Kosowski等人（2006）基于频率派统计学方法，利用Bootstrapping方法构造了模拟分布；Chen等人（2017）则提出以有限阶高斯混合分布刻画总体分布，并通过EM算法寻找合适的混合阶数；Barras等人 （2018）的研究中涉及了使用非参数化方法来估计总体分布；Jones和Shanken （2005）根据贝叶斯方法，将总体分布假设为已知分布，并以参数化高斯先验对其进行刻画。基于对总体分布的刻画，诸多研究进一步将横截面信息用于评估单只基金的主动管理能力。Baks等人（2001）、Pastor和Stambaugh（2002）以及Avramov和Wermers（2006）以已知的横截面分布作为刻画主动管理能力的前提假设，并且他们在研究中均指出评估单只基金的主动管理能力与对总体分布刻画方式息息相关。 需注意的是，前述多种评价方法存在着一些局限性：1）参数化方法中，有限阶混合模型一般需要提前预设值，不同阶数对比过程较为繁琐，并且即使确定了合适阶数，当出现不符合已有分组的数据特征时，特殊性较强的基金经理会被迫划分进已有分组，模型灵活性受限；2）将目标分布假设为已知，或将导致不合理的先验对模型结果影响权重过大，忽略了参数和模型的不确定性；3）不考虑横截面上其他基金信息，可能会导致更新过程中缺失市场层面的信息，样本间的可比性受到影响。 针对上述问题，本篇报告运用了非参数化的贝叶斯模型，在灵活度、不确定性及样本可比性上均表现出特色：1）模型利用非参方法自动调整分组数量，并通过狄利克雷过程实现分组聚类，灵活度和适用性较强；2）假设分布均为未知，降低了前提条件