摘要 市场行业风格的轮动导致基金业绩产生较大分化,市场开始关注行业轮动能力强的基金经理,但多数主动权益基金经理对短期行业轮动的精准把握难度较大。本文旨在优选具备行业轮动能力的基金经理,并希望跟踪优秀行业轮动基金经理的持仓,为投资者提供一定的投资建议。 定义行业轮动基金池 本文根据基金的行业轮动度,构建了三类基金池。在主动权益基金池中,在剔除行业主题基金后我们构建了非行业主题基金池;根据基金的行业轮动度,进一步定义高行业轮动基金池;最后结合换手率、行业集中度,加强筛选后得到行业轮动目标基金池。后文通过对不同基金池进行选基因子回测,对比不同基金池中选基因子的有效性。 行业轮动基金优选 本文从行业轮动能力、选股能力、交易能力、基金业绩和基金特征五个维度出发,分别在三类基金池中进行选基因子的回测检验。根据回测结果在各个维度选择RankIC均值最高的因子作为有效选基因子,其中使用静态一级收益和动态二级收益作为行业轮动能力维度的有效因子。将五类因子标准化后构建复合因子,在行业轮动目标基金池中,复合因子相比单因子Rank IC均值显著提升。等权复合因子在行业轮动目标基金池中RankIC均值5.47%,加权复合因子回测区间Rank IC均值达到5.76%,ICIR0.37。对比行业轮动目标基金池和另外两个基金池,行业轮动目标基金池中复合因子的ICIR值更高,在行业轮动目标基金池中更易优选基金。 构建投资策略 根据优选基金池的重仓股,构建带有行业偏好的选股策略。根据优选基金的行业超配比例以及重仓股比例,本文构建了行业超配比例较高的行业内个股作为投资策略。自2018年10月末至2023年9月,在行业轮动目标基金池每期选择加权得分最高的10只基金,并选择优选基金池中超配行业中的个股,我们构建了两个策略:激进策略,每期选择超配比例第一行业中的个股,相较万得偏股混合型基金指数超额年化32.16%,夏普比率1.18,激进选股策略在2020、2021年结构性牛市中大放异彩,但近期超额收益下降;稳健策略,每期选择超配比例前7行业中的个股,策略超额年化19.48%,夏普比率1.14,每年均战胜万得偏股基金指数。总体而言策略持续获得相对市场总体水平的超额收益,基本符合预期。 风险提示: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;产品的表现受宏观环境、行业基本面超预期变动、市场波动、风格转换等多重因素影响,存在一定波动风险,投资者需充分认知自身风险偏好以及风险承受能力,基金有风险,投资需谨慎。 1如何定义行业轮动基金 1.1基础基金池 近年来,A股市场行业轮动特征明显,而多数主动权益基金经理出身于行业研究员,能力圈集中在过去深入研究的行业,而后慢慢拓展。市场行业风格的轮动导致基金业绩产生较大分化。市场开始关注行业轮动能力强的基金经理,但受合同约定、基金规模和能力圈等因素的影响,多数主动权益基金经理对短期行业轮动的精准把握难度较大。本文旨在优选具备行业轮动能力的基金经理,并希望跟踪优秀行业轮动基金经理的持仓,为投资者提供一定的投资建议。 对于行业轮动基金的选择,我们首先需要明确定义行业轮动基金池。从主动权益基金池中剔除行业主题型基金,可以作为我们基础基金池。 图1:基金池分类图 (1)主动权益基金池:对于主动权益基金,由于基金股票仓位变动、基金经理跳槽离职等问题,为了更全面测试选基因子有效性,我们对基金做以下筛选处理: 1)主动权益基金池:普通股票型、偏股混合型、灵活配置型,只保留初始基金。 2)基金股票仓位:过去两年股票平均仓位均值大于60%。 3)基金任职时间:基金经理连续任职时间超过两年。 (2)非行业主题基金:对于行业轮动基金,我们需要剔除行业主题基金这类特征鲜明、不进行行业轮动的基金。 结合西南金工报告《基于行业主题划分的主被动基金选择分析》,对行业主题产品划分为两类,一类是基于短期博反弹的细分赛道行业主题,一类是基于长期配置思维的宽行业主题。对于前者的筛选,主要采用持仓法对基金进行行业主题分类。观察基金历史持仓,若该基金在某个行业的历史持仓长期高于某一阈值,则可以说明该基金的风格属于该行业。我们将仅依靠行业仓位筛选的主动基金池,称为“纯粹类基金池”;对于后者,有些基金在名称内也明确表明了该基金投资的行业主题,在纯粹类主被动基金池的基础上添加带有行业关键词的基金得到的新基金池,我们称其为“宽范围基金池”。 具体而言,根据目前A股市场的6大板块以及30个中信一级行业分类,本文划分出包括食品饮料行业主题,国防军工行业主题在内一共9个行业主题以及包括大消费,TMT在内的6个泛宽基主题。值得注意的是,医药行业主题与医药泛宽基主题筛选方法一致。 表1:行业主题划分详情 图2:各行业主题主被动基金数目统计 1.2高行业轮动基金池 在剔除行业主题基金之后,我们还需要判断基金是否具有行业轮动行为。本文使用行业轮动度来衡量基金是否有行业轮动操作行为。 行业轮动度即比较当期行业配置比例与上期行业配置比例的变动绝对值。同时考虑行业市值的变动和市场基准,我们选择使用基金行业配置与市场基准行业配置的差值作为基金行业超低配比例,对比超低配比例与上一期的变动绝对值。 行业轮动度的计算方式为: 𝑛 ) − (𝜔 )| 𝐼𝑛𝑑 = ∑|(𝜔 − 𝜔 − 𝜔 𝑟𝑜𝑡𝑎𝑡𝑖𝑜𝑛 𝑓,𝑖,𝑡 𝑏,𝑖,𝑡 𝑓 ,𝑖,𝑡−1 𝑏,𝑖,𝑡−1 𝑖=1 其中,𝜔 为基金f在t时刻行业i上归一化后的配置比例,𝜔 是基准在t时刻行业i 𝑓,𝑖,𝑡 𝑏 ,𝑖,𝑡 上的配置比例。本文选用中证800成分股作为我们的行业配置比例基准。 每期在非行业主题基金池中筛选出行业轮动度过去两年(四期)均值排名前50%的基金作为高行业轮动度基金池。 1.3行业轮动目标基金池 在定义高行业轮动度基金池后,我们参考市场上基金经理的行业配置行为,对行业轮动基金进行进一步的筛选,主要考虑基金的换手率和行业集中度。 我们在考虑行业轮动度的同时,也需要考虑基金的换手率。部分基金有高换手特征,个股交易频率高,这将被动导致基金的行业轮动度也较高。但这类基金并不是我们目标的行业轮动基金,因此需要通过指标筛选予以剔除。 结合换手率,我们可以对行业轮动度进行换手率中性化。将行业轮动度对换手率回归得到的残差作为换手率中性化后的行业轮动度,即𝐼𝑛𝑑。 𝑛𝑒𝑢𝑡 𝐼𝑛𝑑 = 𝛼 + 𝛽 𝑇𝑢𝑟𝑛𝑜𝑣𝑒𝑟 + 𝜀 𝑟𝑜𝑡𝑎𝑡𝑖𝑜𝑛 𝐼𝑛𝑑 = 𝜀 𝑛𝑒𝑢𝑡 其中,𝐼𝑛𝑑 为基金当期的行业轮动度,𝑇𝑢𝑟𝑛𝑜𝑣𝑒𝑟为基金当期换手率。对于基金池的行业轮动度和换手率统一做归一化后,进行截面回归,得到换手率中性化后的行业轮动度𝐼𝑛𝑑。 𝑟𝑜𝑡𝑎𝑡𝑖𝑜𝑛 𝑛𝑒𝑢𝑡 每期在高行业轮动基金池中筛选出中性化行业轮动度过去两年(四期)均值排名前50%的基金。如下图所示,将行业换手率中性化后,能区分高轮动高换手的基金区分开,以获得在高换手基金中具有更高行业轮动度的基金。 图3:换手率中性化基金池示意图 另一方面,我们认为在进行行业切换的基金经理可分为两类,一类是温和做行业轮动的基金经理,另一类是压赛道的基金经理,后者往往行业集中度高,且一旦压准赛道后,行业轮动速度较慢。压赛道的这类基金并不是我们目标的行业轮动基金,因此也需要通过指标筛选予以剔除。 本文定义行业集中度来衡量基金经理对于行业配置是集中还是分散。如果该基金的行业配置比例与基准行业配置相近,行业配置较为分散;如果与基准的行业配置偏离较大,则说明其持仓行业较集中,可能体现为压赛道选手。 𝑛𝑖=1 ∑ (𝜔 ) − 𝜔𝑛 𝑖,𝑡 𝑖,𝑧𝑧800,𝑡 集中度= 其中,𝜔为基金在t时刻行业i上归一化后的配置比例,𝜔时刻行业i上的配置比例。 是基准中证800在t 𝑖,𝑡 𝑖,𝑧𝑧800,𝑡 通过统计分析,在非行业主题基金池中,根据2022年报计算的行业集中度均值为0.44%,中位数为0.3%。从直方图可明显看出行业集中度呈现右偏,我们希望截断尾部中行业集中度明显偏高的基金。箱型图中将行业集中度大于1%的数据点设为离群值,直方图中在1.2%附近出现厚尾,最后我们截断行业集中度大于1.2%的基金,1.2%的行业集中度在基金池中分位数为95%。因此我们进一步剔除集中度分位数大于95%的基金,认为这些基金可能为压赛道型基金。 表2:2022年报非主题基金池行业集中度统计分析 图4:非主题基金池行业集中度箱型图 图5:非主题基金池行业集中度直方图 综上,在高行业轮动基金池基础上,剔除过去两年(四期)换手率中性化行业轮动度排名后50%,以及行业集中度大于95%分位数的基金,进一步得到行业轮动目标基金池。截至2023中报,行业轮动目标基金池包含482只基金。 图6:行业轮动目标基金池个数 2基金优选因子 2.1优选因子表 对于现有的基金池,我们希望基于行业轮动基金的特征,构建有效的基金优选因子选择未来业绩表现较优的行业轮动基金。 我们从基金评价的角度切入,主要通过基金持仓数据、净值数据和基金特征将基金优选因子分为以下五大类因子。其中,根据基金持仓数据,可以将基金经理的能力分为行业轮动能力、选股能力和交易能力。 表3:优选因子表 对选基因子测试进行相关说明:基金池:非行业主题基金池、高行业轮动基金池和行业轮动目标基金池基金池。 1)测试区间:2018-08-31至2023-09-30。 2)因子计算频率:月度。若因子数据未更新,使用上一期的因子值。 3)基金因子考察期:现任基金经理过去一年均值。 4)数据预处理:因子横截面标准化。 5)因子有效性测试方法:分别利用分层回测法和IC法对因子有效性进行测试. 2.2行业轮动能力 对于行业轮动基金,最重要的是衡量基金的行业轮动能力。参考Brinson模型的收益拆分逻辑,本文通过基金的行业超低配置比例和行业超额收益构建基金行业轮动精准度因子。 本文使用的基准为中证800,计算基金行业仓位相对中证800成份股行业的超低配比例,行业下一期超额收益使用中证800成分股所属行业相对中证800在下一季度的超额收益。 本文计算行业轮动精准度的数据为半年报和年报的全部持股数据,因此行业轮动精准度因子每年2期,更新时间分别为3月底和9月底。 图7:行业轮动精准度因子构建示意图 针对行业轮动精确度因子的构建细节,本节主要从三个方面计算不同的行业轮动精准度算法: 1)不同行业配置能力:静态行业配置能力和动态行业配置能力。 2)不同行业细分等级:一级行业和二级行业。 3)不同收益的计算方式:行业超额收益均值和胜率均值两种方法。 表4:行业轮动精准度因子分类 具体行业轮动精准度的计算公式如下: 1)静态行业轮动收益:计算基金在行业上的持仓超配比例以及行业指数上的超额收益。 𝑛𝑖=1 ∑ 𝜔−𝜔 𝑟 −𝑟 𝑖 𝑖,𝑧𝑧800 𝑖,𝑧𝑧800 𝑧𝑧800 = 𝑛 其中,𝜔为基金在行业i上的持仓比例,𝜔−𝑟 为中证800在行业i上的持仓比例, 𝑖 𝑖,𝑧𝑧800 𝑟 为中证800中行业i在未来一季度的超额收益。 𝑖,𝑧𝑧800 𝑧𝑧800 2)静态行业轮动胜率:计算基金在行业上的持仓超配比例以及行业指数是否具有超额收益。 𝑛𝑖=1 ∑= 𝑠𝑖𝑔𝑛𝜔−𝜔 𝑟 −𝑟 𝑖