金融产品量化分析专题一：私募指数增强净值分析和筛选

私募指数增强净值分析和筛选 ——金融产品量化分析专题一 2023-12-18 中信期货研究|金融工程专题报告 投资咨询业务资格： 证监许可【2012】669号 报告要点 本文从定量角度出发，构建基于净值分析框架构建收益类、风险类、风险调整、选股择时能力四个维度因子。通过对这些因子在超额收益预测中的有效性进行检验，本文进一步利用排序打分法、Lasso、Ridge回归、随机森林和XGBoost五种量化模型，以筛选出表现优异的基金。此外，本报告还采用回归分析方法，对基金的收益与Barra风险模型进行归因分析，以量化评估基金的持仓风格和行业倾向。 119 117 115 113 111 109 107 105 103 $ⒸN $+$300‰ $Ⓒ 240 220 200 180 160 140 120 2022-01-04 2022-01-18 2022-02-08 2022-02-22 2022-03-08 2022-03-22 2022-04-07 2022-04-21 2022-05-10 2022-05-24 2022-06-08 2022-06-22 2022-07-06 2022-07-20 2022-08-03 2022-08-17 2022-08-31 2022-09-15 2022-09-29 2022-10-20 2022-11-03 100 摘要： 综述：本文立足于定量分析，旨在构建一个基于净值数据的框架，涵盖收益、风险、风险调整收益以及选股与择时能力四个关键维度。通过对这些因子在超额收益预测中的有效性进行检验，本文进一步利用排序打分法、Lasso、Ridge回归、随机森林和XGBoost五种量化模型，以筛选出表现优异的基金。此外，本报告还采用回归分析方法，对基金的收益与Barra风险模型进行了归因分析，评估基金的持仓风格和行业偏好。 因子有效性检测：对单因子进行RankIC&ICIR检测和多空分层检测。其中收益类、收益风险调整类因子整体效果较强，年化收益率较高；风险类因子除最大回撤和下行波动率外其他因子预测效果不显著，选股择时能力类因子类中评断基金选股能力的因子预测能力较强，评断基金择时能力的因子预测效果不显。因子多空分层中表现最好因子为H-M模型alpha因子，单因子年化收益率为8.56%，夏普率为1.9。 基金优选模型：构建排序打分法、Lasso回归、Ridge、随机森林和XGBoost五种量化模型以筛选基金。五种模型中除随机森林模型外超额年化收益方面均超过样本池内所有基金等权超额收益，其中排序打分法表现最优，模型年化超额收益为18.75%。 风险提示：权益收益率失真、模型/方法/参数失效、数据和回测区间有效。 金融工程团队 研究员：熊鹰 021-80401732 xiongying@citicsf.com从业资格号F3075662投资咨询号Z0018946 研究员：周通 021-80401733 zhoutong@citicsf.com从业资格号F3078183投资咨询号Z0018055 研究员：蒋可欣FRM jiangkexin@citicsf.com从业资格号F03098078投资咨询号Z0018262 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。 中信期货金融工程专题报告 目录 摘要：1 一、私募指数增强3 （一）私募指数增强基础介绍3 （二）指数增强基金分析框架4 （三）指数增强基金业绩统计4 二、指数增强基金持仓分析5 三、指数增强基金有效因子筛选7 （一）定量筛选指标选取和逻辑7 （二）因子有效性检测8 四、指数增强基金组合构建14 （一）因子相关性分析14 （二）FOF组合模型构建15 （三）FOF组合模型回测结果17 五、总结19 免责声明22 图表目录 图表1：指数增强策略分类4 图表2：私募样本池指数增强基金超额表现5 图表3：私募样本池沪深300指增超额分布统计（2023年）5 图表4：私募样本中证500指增超额分布统计（2023年）5 图表5：私募样本中证1000指增超额分布统计（2023年）5 图表6：基金风格持仓偏移6 图表7：基金行业持仓偏移7 图表8：基金定量筛选指标选取和分类8 图表9：收益类指标因子有效性测试9 图表10：收益类因子多空组合净值曲线9 图表11：风险类指标因子有效性测试10 图表12：风险类因子多空组合净值曲线10 图表13：风险调整收益类因子有效性检测11 图表14：风险调整收益类因子多空组合净值曲线11 图表15：选股择时能力指标分类13 图表16：基于CAPM选股择时能力模型释义13 图表17：选股择时能力因子有效性测试14 图表18：选股择时能力类因子多空组合净值曲线14 图表19：因子相关性分析15 图表20：随机森林和Xgboost区别17 图表21：Lasso回归模型�系数18 图表22：Ridge模型�系数18 图表23：随机森林特征重要性18 图表24：Xgboost特征重要性18 图表25：选基模型超额表现19 图表26：选基模型超额表现绩效19 图表27：因子RankIC和多空分层测试结果21 2/22 一、私募指数增强 （一）私募指数增强基础介绍 指数增强型基金介于被动型指数基金和主动型股票基金之间的投资策略，在大部分仓位能够实现有效跟踪指数的基础上，通过一小部分仓位执行增强策略，包括主动管理和量化模型。 指数增强基金结合了被动投资和主动投资的特点，旨在在保证一定的跟踪误差范围内，通过主动管理策略获取超过基准指数的收益。这种基金类型的主要目标是在复制指数收益（Beta收益）的基础上，通过基金经理的选股能力、市场择时、资产配置等手段来获取超额收益（Alpha收益）。相比纯粹的被动指数型基金，指数增强基金的主动管理部分提供了更高的收益潜力；而与普通主动型基金相比，其投资策略的透明度和市场风险的可控性更高。 指数增强策略的分类可以从资产组合构建的维度和实践方式上进行划分。从资产组合构建的维度来看，指数增强策略主要包括仓位控制、行业轮动和选股这三种方法。其中仓位控制主要是指基金经理根据对市场环境的判断进行择时，调整基金的股票仓位和现金仓位，以期在市场上涨时增加股票仓位获取更多收益，在市场下跌时增加现金仓位以减少损失；行业轮动是基于对不同行业的宏观和行业分析，基金经理会在不同时间点增加对某些行业的投资比重，以捕捉行业轮动带来的超额收益；选股择时基于对不同行业的宏观和行业分析，基金经理会在不同时间点增加对某些行业的投资比重，以捕捉行业轮动带来的超额收益。从实践方式上看，指数增强策略一般分为主观型和量化型两种。主观型策略：这种策略依赖于基金经理的主观判断和经验，强调对公司价值、基本面以及市场预期等因素的分析。主观型策略在组合优化时相对灵活，但也因为依赖于基金经理的个人能力，具有一定的不确定性；量化型策略基于量化数据和统计规律，通过稳定的规则或模型进行投资决策。量化策略中，多因子模型是一种典型的方法，它通过构建包含多个风险因子的模型来选择股票，这些因子可能包括价值、动量、质量、规模、波动率等。量化策略的框架是显性的，可以降低个人主观判断的影响，提高策略的稳定性和可解释性。 图表1：指数增强策略分类 宏观仓位择时 中观行业轮动 观选股 H ª $ №…… :ƒ Q …… 资料来源：Wind、中信期货研究所 （二）指数增强基金分析框架 对于指数增强基金的分析，可以从仓位控制、持仓风格和行业配置以及选股能力进行切入，一般情况下、指数增强基金的仓位不进行调整，主要集中于个股的选择，为了控制风险，会对整体配置个股的风格（如大小盘、成长价值）、行业配置进行约束，不能过于偏离跟踪指数，以获取稳定的Alpha。同时有些产品为了增厚收益，通过承担特定风险对行业、风格进行偏离。 本文初步探究私募指数增强分析框架。由于私募基金仅公布净值数据，持仓数据较难获取，因此整体的分析框架是基于净值衍生出的常用指标，量化判断指标对私募指数增强基金产品的预测效果。 （三）指数增强基金业绩统计 私募指数增强基金数量众多、良莠不齐、业绩分化严重、如何从量化视角对私募基金进行初步遴选、构建备选池、是私募基金投资失误中不可或缺的重要环节。本篇报告中，借鉴多因子的研究框架，对指数增强基金常用的基金净值的绩效评价指标进行回测包括RankIC、多空分层，得到适合各策略的筛选指标。基于这些指标、进行进一步赋权打分、回测不同策略的私募指数增强基金组合历史绩效。进而构建私募指数增强量化综合筛选体系。私募指数增强样本池的选择参考《超额环境评估模型：Alpha显著性与稳定性》；其中样本池中沪深300指数增强产品17只、中证500指数增强产品71只、中证1000指数增强 产品26只。 从下图图表中可以看到，私募样本池中中证1000指增产品表现最优，沪深 300表现相对较差。其中在2023年超额分布统计中可以看到样本池中沪深300指数增强产品超额均值为4.39%，中位数为4.92%；中证500指数增强产品超额均值为7.81%，中位数为7.35%；中证1000指数增强产品超额均值为12.01%，中位数为11.47%。 图表2：私募样本池指数增强基金超额表现图表3：私募样本池沪深300指增超额分布统计（2023年） 资料来源：Wind、中信期货研究所资料来源：Wind、中信期货研究所 图表4：私募样本中证500指增超额分布统计（2023年）图表5：私募样本中证1000指增超额分布统计（2023年） 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、指数增强基金持仓分析 风险因子在一定程度上可以解释A股市场的市场风险，同时因子收益本身也表现出一定的波动性。在风险因子中，行业和风格是常见的分类，这就要求我们对股票类产品的行业和风格进行风险暴露分析。在公募基金研究中，通常会使用大小盘、价值与成长等因子进行分析。对于私募指数增强产品，由于其受到Barra风格因子的约束，因此直接基于Barra风格因子暴露进行持仓分析。 由于私募指数增强产品的持仓数量往往不易获取，因此分析的核心在于基于基金收益率序列对因子收益率序列进行回归分析，以获得因子持仓暴露。 具体操作是对每只基金的收益率序列与风格因子和行业因子收益率序列进行滚动回归分析，回看期设定为52周。通过回归方法，可以得到基金对各个风格因子或行业因子的暴露值。然后，将这些暴露值与基准指数在相同因子上的暴露值进行比较，从而得到基金在该因子上的偏离。通过取回测期间滚动回归得到的超额暴露的平均值，我们可以分析基金的持仓风格或行业风格偏移。在做持仓分析时使用当期的因子值来回归当期的基金收益率。这是因为基金经理的决策会反映在当期的持仓和因子暴露上，从而影响当期的基金表现。 在进行行业因子分析时，需要特别注意到多重共线性的问题。为了解决这一问题，我们将行业因子Lasso回归以减少因子之间的共线性，至于Barra风险因子暴露值的计算，则是通过线性回归方法来实现的。通过上述方法我们可以通过收益率来拟合特定风险因子的持仓暴露。 下列图表展示了单只基金的风格和行业偏移。从图表5中可以看到，从风格角度：Size明显负向暴露反应基金偏向市值相对较小的股票，Growth明显正向暴露反应该基金偏好成长型，Momentum也存在着明显的正向偏移代表着该值基金偏向过去表现将对较好的股票，Volatility同样正向偏移代表着基金经理的