基金研究系列（30）：选基因子改进：基金业绩动量中的beta识别与剥离

金融工程专题 2024年04月23日 选基因子改进：基金业绩动量中的beta识别与剥离 金融工程研究团队 基金研究系列（30） 魏建榕（首席分析师） 魏建榕（分析师）张翔（分析师）何申昊（联系人） 证书编号：S0790519120001 张翔（分析师） weijianrongkyseccn 证书编号：S0790519120001 zhangxiang2kyseccn 证书编号：S0790520110001 heshenhaokyseccn 证书编号：S0790122080094 证书编号：S0790520110001 傅开波（分析师） 证书编号：S0790520090003 高鹏（分析师） 证书编号：S0790520090002 苏俊豪（分析师） 证书编号：S0790522020001 胡亮勇（分析师） 证书编号：S0790522030001 王志豪（分析师） 证书编号：S0790522070003 盛少成（分析师） 证书编号：S0790523060003 苏良（分析师） 证书编号：S0790523060004 何申昊（研究员） 证书编号：S0790122080094 陈威（研究员） 证书编号：S0790123070027 蒋韬（研究员） 证书编号：S0790123070037 相关研究报告 《选基因子体系迭代与FOF组合应用 基金研究系列（29）》2024328 《主动权益基金的投资策略配置与选基因子增强基金研究系列（14）》 20221211 《打造主动权益基金的投资策略标签体系基金研究系列（9）》2022524 选基因子的陷阱：风格切换与基金业绩动量回撤 在主动基金策略研究系列报告中，我们提出风格配置与选基因子相配合的组合构建思路。其中选基因子负责从管理能力、组合特征等维度寻找可持续的竞争优势，贡献独立于风格的alpha。但是在分域视角下，我们发现选基因子实则掺杂风格的扰动。进一步观察各类别因子的表现，合成因子回撤的主要原因是业绩动量类因子出现反转。本篇报告我们提出相似中性化的方法和理论，系统性地剥离业绩动量类因子中隐藏的风格扰动，以对抗其在风格切换时期的回撤。 相似中性化：对抗业绩动量回撤的普适性方案 首先，我们推荐采用净值收益率的相关系数构建基金相似网络。在不预先定义风格因子的情况下，净值收益率的相关系数直接度量了基金在风格因子上暴露的相似程度。业绩动量类因子的局域均值与自身值的相关系数普遍更高，意味着业绩动量类因子得分的高低很大程度上取决于基金的beta属性，因而易受市场风格扰动。为了使因子更纯净地反映基金的特质性alpha能力，我们提出相似中性化的方法，剥离代表基金beta贡献的局域均值因子。以基于净值的选股能力因子tmalpha为例，进行了相似中性化后，tmalpha因子的累计RankIC稳健向上，几乎免疫了风格的扰动。 大多数业绩动量类因子在经过相似中性化后，不论是在全区间还是在风格切换时期都获得RankICIR的提升。在风格切换时期，中性化之后的因子大多还能维持正向的选基效果，改善幅度比全区间更为明显。在当前A股市场行业与风格轮动加剧的背景下，我们认为对业绩动量类因子剥离beta是尤为必要的。 从全域上看，不同邻域参数k相似中性化后业绩动量类合成因子的累计RankIC序列走势接近，邻域取得越小，累计IC值越高。在不同的选基域下，选取k10的相似中性化因子除了在价值策略下表现较弱外，在其他域都与最优参数接近。 应用：构建稳健的动态合成因子 我们对评价类选基因子库中的业绩动量类因子进行相似中性化处理。对于合成方式，我们遵循动态选基因子合成框架，因为该框架更贴近真实投资场景。在三种动态合成方式下，采用相似中性化的因子集均相对原始因子集有更高的信息比率。从多空对冲组合的表现来看，最优的动态合成方式是最小化IC波动率，其五分组单调性良好。在3、6、9、12月季频调仓下，合成因子多头相对于空头的年化收益率达702，信息比率达207，最大回撤降低至593。 风险提示：选基因子均基于历史信息测算，可能存在失效风险。基金投资策略分类基于对公开的历史数据的定量测算与统计，基金管理人真实投资理念可能与之存在出入。对基金产品和基金管理人的研究分析结论不能保证未来的可持续 性，不构成对该产品的推荐投资建议。 金融工程研究 金融工程专题 开源证券 证券研究报 告 目录 1、选基因子的陷阱：风格切换与基金业绩动量回撤4 2、相似中性化：对抗业绩动量回撤的普适性方案6 21、相似网络视角下的beta识别与中性化6 22、相似中性化能够通用地改进业绩动量类因子9 23、参数敏感性讨论13 3、应用：构建稳健的动态合成因子14 4、风险提示15 图表目录 图1：开源金融工程团队“配置选基”框架4 图2：分域视角下，合成因子的RankIC在一些时刻出现系统性的衰减或失效4 图3：合成因子回撤的主要原因是业绩动量类因子出现反转5 图4：业绩动量类因子得分很大程度上取决于基金的beta属性，易受市场风格扰动7 图5：相似中性化可以大幅降低业绩动量类因子受市场beta的影响8 图6：原始因子的Top15名单存在风格扎堆现象，相似中性化之后则更加均衡8 图7：相似中性化后的tmalpha因子几乎免疫了风格的扰动9 图8：大多数业绩动量类因子在经过相似中性化后，不论是在全区间还是在风格切换时期都获得RankICIR的提升9 图9：tmalpha的IC胜率由579提升至83510 图10：tmalpha的IR由028提升至17210 图11：carhartalpha的IC胜率由628提升至79310 图12：carhartalpha的IR由035提升至11810 图13：treynor的IC胜率由628提升至81010 图14：treynor的IR由041提升至18010 图15：sharpe的IC胜率由612提升至75211 图16：sharpe的IR由040提升至15011 图17：drawdownlength的IC胜率由653提升至76911 图18：drawdownlength的IR由042提升至08711 图19：excessmonthupsidefreq的IC胜率由669提升至80211 图20：excessmonthupsidefreq的IR由056提升至16911 图21：bullcapmalpha的IC胜率由636提升至78512 图22：bullcapmalpha的IR由035提升至15412 图23：bearcapmalpha的IC胜率由669提升至76012 图24：bearcapmalpha的IR由049提升至09112 图25：invisibletrading的IC胜率由744提升至80212 图26：invisibletrading的IR由093提升至11912 图27：不同邻域大小参数k下业绩动量类合成因子的累计RankIC序列走势接近13 图28：不同选基域下，RankICIR最优的邻域k有细微差异13 图29：最小化IC波动率合成因子五分组单调14 图30：最小化IC波动率合成因子多头超额稳健14 表1：合成因子的回撤大多发生在牛熊转换、风格切换的节点5 表2：选基因子相似中性化的两种实现：去均值法与回归残差法7 表3：在三种动态合成方式下，采用相似中性化的因子集均能提升信息比率14 表4：最小化IC波动率合成因子得分Top15选基名单（20240329）14 1、选基因子的陷阱：风格切换与基金业绩动量回撤 在主动基金策略研究系列报告中，我们提出风格配置与选基因子相配合的组合构建思路。在这一框架中，两个步骤应该各司其职，配置端负责判断未来市场风格，避免组合的beta随波逐流；选基因子则负责从管理能力、组合特征等维度寻找可持续的竞争优势，贡献独立于风格的alpha。 图1：开源金融工程团队“配置选基”框架 资料来源：开源证券研究所 但是在分域视角下，我们发现选基因子实则掺杂风格的扰动。图2展示了不同 策略域下的合成因子在相同的时刻出现系统性的衰减或失效，表1描述了这些时刻对应的市场环境，可以观察到选基因子失效总是伴随市场风格或牛熊的剧烈切换。图2：分域视角下，合成因子的RankIC在一些时刻出现系统性的衰减或失效 数据来源：Wind、开源证券研究所（注：时间区间为2013123120240331） 回撤时间市场环境 表1：合成因子的回撤大多发生在牛熊转换、风格切换的节点 2014Q1创业板前期一枝独秀，在2014Q1快速回调 2014Q4A股由熊转牛，大盘蓝筹股大幅占优 2015Q2前期“快牛”泡沫破灭，指数迅速下探 2018Q1贸易摩擦开启，漂亮50走弱 2019Q12019开年即扭转了2018年的市场颓势，外资涌入催化白马行情 2020Q1新冠疫情影响，市场行情剧烈波动 2021Q1公募基金抱团股行情瓦解 2022Q1高景气风格超跌反弹 2023Q3AI与中特估主题下跌，市场失去主线开始调整 2024Q1小微盘走弱，大小盘相对强弱反转资料来源：Wind、开源证券研究所 进一步观察各类别因子的表现，合成因子回撤的主要原因是业绩动量类因子出现反转。图3展示了不同类别的选基因子在全区间及风格切换时期的RankICIR，在风格切换时期，风格收益类因子（Carhart风格收益、市值收益等）获得显著增强，择时与波动特征类因子（HM择时、波动水平等）、持有管理结构因子表现稳定，而业绩动量类因子（绝对收益、风险调整收益等）出现了明显的回撤。 图3：合成因子回撤的主要原因是业绩动量类因子出现反转 数据来源：Wind、开源证券研究所（注：时间区间为2013123120240331） 这一现象说明，虽然业绩动量类因子剔除了不少预先定义的风格因子，但由于难以穷尽A股市场多变的beta，其提纯基金经理alpha能力的效果并不理想。本篇报告我们提出相似中性化的方法和理论，系统性地剥离业绩动量类因子中隐藏的风格扰动，以对抗其在风格切换时期的回撤。 2、相似中性化：对抗业绩动量回撤的普适性方案 21、相似网络视角下的beta识别与中性化 首先，我们推荐采用净值收益率的相关系数构建基金相似网络，即定义基金配对相似性，其中分别为两只基金过去一年的净值收益率。在不预先定义风格因子的情况下，净值收益率的相关系数直接度量了基金在风格因子上暴露的相似程度： 假设两只基金的收益率由个不相关的风格因子驱动： 1111 2222 则可以计算： 2 2 12 122222 1 1 122 12 1 可以看出1和2分别代表两只基金在第个风格因子上“押注”的波动率占比。当两只基金押注于完全不同的风格因子上时，相关系数为0；当两只基金完全押注于同一个风格因子时，相关系数达到最大值1。 为什么业绩动量类因子容易在风格切换时期回撤？对于特定选基因子，我们计算了与各基金最相似的10只产品的平均得分，这一局域均值代理了押注于类似beta的同类产品的平均得分。从图4可以观察到，业绩动量类因子的局域均值与自身值的相关系数普遍更高，其中位数为496。作为参照，在风格切换时期相对稳定的结构与规模类因子中位数仅为175。这一现象说明，业绩动量类因子得分的高低很大程度上取决于基金的beta属性，因而易受市场风格扰动。 图4：业绩动量类因子得分很大程度上取决于基金的beta属性，易受市场风格扰动 数据来源：Wind、开源证券研究所（注：时间区间为2013123120240331） 为了使因子更纯净地反映基金的特质性alpha能力，我们提出相似中性化的方法，剥离代表基金beta贡献的局域均值因子。表2总结了这一方法的两种实现方式，去均值法的直观含义是将基金的某项业绩指标与同类均值进行比对，并做修正；回归残差法出自关联网络选股因子系列研究，具体可参考专题报告《从涨跌停外溢行为到股票关联网络》。 步骤计算方式 表2：选基因子相似中性化的两种实现：去均值法与回归残差法 第一步 萃取稀疏的相似矩阵：若