量化专题报告 证券研究报告|金融工程研究 2024年05月16日 从跨期模仿行为中寻找公募基金的领先者、跟随者和独行者 本文从基金的从众行为特征出发,主要做了以下3件事情:1)从跨期模仿持股的角度构建定量基金因子刻画基金的从众行为特征,包括跨期跟随效应因子与跨期领先效应因子;2)根据因子给基金分类,研究不同类型基金的投资行为与投资能力;3)构建可以落地投资的定量FOF策略。 基金因子构建:首先基于公募主动权益基金的重仓持股信息,刻画历史上每个季末股票被基金重仓投资的热度。由基金持股向量与股票热度向量分别计算得到2个基金因子:跨期跟随效应IFF、跨期领先效应IFL。其中,IFF、IFL与其他常用的基金因子之间的相关性较低。 特征分类:基于因子结果给基金分类:1)领先型基金:公募从众效应中的“领头羊”,引领热门投资方向;2)跟随型基金:公募从众效应中的跟随者,偏好追逐过去热门股;3)独行型基金:跨期跟随效应较低,不追热门,偏好过去的冷门股。从类型转移概率对比来看,稳定性排序为:独行者> 跟随者>潜力者>领先者。 能力归因:从基金历史长期业绩来看,独行者>领先者>跟随者。从分年度表现来看,独行者长期业绩优异且近几年持续领跑,领先者长期表现居中整体较稳健,跟随者大部分年份表现较弱。从业绩归因来看,领先者和独行者的选股能力较强,三类基金业绩差异的主要来源就是选股能力层面的差异。这三类基金的本质区别在于对热门股的态度不同。 按业绩二分:叠加Sharpe因子进行二分,各细分类型基金组合的年化收益区分度更加显著。成功领先者平均年化收益率为12.47%,成功独行者平均年化收益率为14.16%,而失败跟随者平均年化收益率仅为7.95%。 投资启示:1)FOF选基启示:在领先者类型基金池内选择过去Sharpe较高的基金,规避Sharpe低的。在独行者类型基金池内选择过去Sharpe较 高的基金,规避Sharpe低的。规避跟随者类型的基金。2)基金投资模仿策略:从个股“模仿”效果来看,我们可以模仿成功领先者或者独行者的重仓股票进行投资,抑或反向避免失败跟随者的重仓股票。另外,可以参考成功领先者的行业配置仓位,前瞻性地把握市场热点变化方向。 构建FOF策略:1)因子预测效果测试:跟随效应因子是预测基金未来业绩的负向因子,且具备较好的单调性;领先效应因子最大端的基金未来业绩通常较好。2)成功独行者50组合:年化收益14.19%,相对885001.WI的月度胜率为62.96%。3)成功领先者50组合:年化收益12.65%,相对885001.WI的月度胜率为60.00%。 风险提示:以上结论均基于历史数据和统计模型的测算,如果未来市场环境发生明显改变,不排除模型失效的可能性。 作者 分析师林志朋 执业证书编号:S0680518100004邮箱:linzhipeng@gszq.com 分析师刘富兵 执业证书编号:S0680518030007邮箱:liufubing@gszq.com 研究助理张国安 执业证书编号:S0680122060011邮箱:zhangguoan@gszq.com 相关研究 1、《量化分析报告:资源品进入强趋势-低拥挤区域— —基本面量化系列研究之三十》2024-04-09 2、《量化点评报告:择时策略当前显著超配转债资产— —四月可转债量化月报》2024-04-08 3、《量化周报:市场上涨或仍将持续》2024-04-07 4、《量化分析报告:择时雷达六面图:经济面恢复资金面弱化》2024-04-06 5、《量化点评报告:四月配置建议:下一步风格走法的再探讨》2024-04-02 请仔细阅读本报告末页声明 内容目录 一、引言4 二、基金因子构建与特征分类7 2.1基金跨期模仿行为因子构建7 2.2基金分类:领先者、跟随者、独行者9 2.2.1分类定义9 2.2.2历史业绩与能力归因11 2.2.3三类基金的核心特征小结13 2.3按业绩进一步划分14 2.4基金投资模仿策略16 三、基于跨期模仿行为因子构建FOF策略18 3.1因子预测效果检验18 3.2构建FOF策略:成功独行者50组合20 3.3构建FOF策略:成功领先者50组合23 参考文献24 风险提示24 图表目录 图表1:基金跨期模仿行为因子计算示意图7 图表2:国盛金工基金评价因子体系8 图表3:因子相关性8 图表4:跨期模仿持股行为视角下的基金分类定义9 图表5:本期因子Top100基金下期留存概率10 图表6:基金类型转移概率矩阵10 图表7:各类基金的历史累计收益曲线(计算区间:2013/1/25-2024/5/10)11 图表8:各类基金的分年度表现(计算区间:2013/1/25-2024/5/10)11 图表9:基金收益完全分解模型12 图表10:各类基金的收益能力归因12 图表11:各类基金累计超额收益拆解13 图表12:三类基金核心特征总结(计算区间:2013/1/25-2024/5/10)13 图表13:按业绩进行二分(计算区间:2013/1/25-2024/5/10)14 图表14:各细分类型基金组合策略绩效对比(计算区间:2013/1/25-2024/5/10)14 图表15:跟随者滞后1期的行业仓位与领先者相关度较高15 图表16:不同行业的跟随效应强度对比15 图表17:重仓股模仿策略累计收益率曲线(计算区间:2013/1/25-2024/5/10)16 图表18:重仓行业模仿策略累计收益率曲线(计算区间:2013/1/25-2024/5/10)16 图表19:IFF�分组未来1季度平均收益率(2013/1/1-2024/3/31)18 图表20:IFF�分组未来1年平均收益率(2013/1/1-2024/3/31)18 图表21:IFF因子�分组回测各组累计收益率(计算区间:2013/1/1-2024/3/31)18 图表22:基金IFF因子的分阶段选基有效性(计算区间:2013/1/1-2024/3/31)19 图表23:IFL�分组未来1季度平均收益率(2013/1/1-2024/3/31)20 图表24:IFL�分组未来1年平均收益率(2013/1/1-2024/3/31)20 图表25:成功独行者50组合历史累计收益率(计算区间:2013/1/25-2024/5/10)21 图表26:成功独行者50组合:分年度表现(计算区间:2013/1/25-2024/5/10)21 图表27:成功独行者50组合今年表现(计算区间:2024/1/1-2024/5/10)22 图表28:成功领先者50组合历史累计收益率(计算区间:2013/1/25-2024/5/10)23 图表29:成功领先者50组合:分年度表现(计算区间:2013/1/25-2024/5/10)23 图表30:成功领先者50组合今年表现(计算区间:2024/1/1-2024/5/10)24 一、引言 当投资者观察到市场其他参与者的行为后,放弃原有的认知并跟随其他参与者的行为被称为从众效应,这种从众效应属于行为金融学中常见的一种的非理性行为。近年来随着我国股票和基金市场的发展,公募基金的投资行为对股票市场的影响愈发明显,同时公募基金的从众效应对基金本身业绩也有较大的影响,因此,深入研究公募基金的从众效应特征愈发有必要性。 这方面早期的学术研究主要聚焦于从众效应的存在性问题。关于如何从定量角度刻画股票市场的从众效应,我们梳理了学界和业界已有的部分研究成果,目前主要有如下4个定量模型。 (1)LSV模型 Lakonishok(1992)提出的LSV方法通过衡量股票市场中买卖双方的交易量来衡量从众效应,该方法的核心思路是检验股票市场中的股票�是否存在大量的投资者同时买入或卖出同种股票的行为,如果存在该种行为,则股票�的投资者存在从众效应。 具体的LSV的模型如下: 𝐿𝑆𝑉𝑖,�=|𝑝𝑖,�−𝑝𝑡|−E|𝑝𝑖,�−𝑝𝑡| E|� 𝑁𝑖,� −�|=𝐴𝐹(𝑖,𝑡)=∑𝐶𝑁𝑖,�𝑝𝑘(1−�)𝑁𝑖,𝑡−�|� −�| 𝑖,�� ��� 𝑘=1 𝑁𝑖,�� 𝐵(𝑖,𝑡) ∑� 𝑝𝑖,� �= ,� =𝑖=1,� =𝐵(𝑖,𝑡)+𝑆(𝑖,𝑡) 𝑖,� 𝐵(𝑖,𝑡)+𝑆(𝑖,𝑡)� �𝑖,� 对于股票𝑖,𝐵(𝑖,𝑡)是区间t内净买入投资者的数量,𝑆(𝑖,𝑡)是区间t内净卖出投资者的数量,𝑁𝑖,�是持仓变动的投资者的数量,𝑝𝑖,�是股票�在区间�内净买入投资者占持仓变动的投资者的比例。 其中,|𝑝𝑖,�−𝑝𝑡|大于零,AF(𝑖,𝑡)为调整项,是零假设下|𝑝𝑖,�−𝑝𝑡|的期望值。 (2)SLSV模型 在上述LSV模型中,𝐿𝑆𝑉𝑖,�的值越大,则说明投资者的从众效应越严重,但LSV模型的缺陷是无法区分投资者是买入还是卖出股票的从众效应。于是Wermers(1999)将LSV模型进一步改进为SLSV模型,划分出了两个指标: 𝑆𝐿𝑆𝑉𝑖,� =[𝐿𝑆𝑉𝑖,�∣𝑝𝑖,�>𝑝� −𝐿𝑆𝑉𝑖,�∣𝑝𝑖,�<𝑝� SLSV模型根据𝑝𝑖,�与𝑝�相对的大小关系,将LSV指标分为买入从众效应和卖出从众效应两类。 当股票�在时间t的𝑆𝐿𝑆𝑉𝑖,�的值趋于0时,从众效应越不明显; 当𝑆𝐿𝑆𝑉𝑖,�的值显著不等于0时,从众效应显著存在,其中,如果𝑆𝐿𝑆𝑉𝑖,�显著为正,则存在买入从众效应,反之则存在卖出从众效应。 (3)横截面收益标准差(CSSD)模型 Christle&Huang(1995)提出了横截面收益标准差(CSSD)模型,构建方法如下: ∑�(𝑟�−𝑟𝑚)2 𝐶𝑆𝑆�=√𝑖=1 �−1 其中,𝑟�为股票i的收益率,𝑟�为市场收益率。当投资者放弃自己原有的观点而更偏向大多数人的观点并产生交易行为的时候,会造成个股收益率渐渐和市场收益率趋向一致的现象。 回归公式: CSSD=�+𝛽1𝐷�+𝛽2𝐷�+� �� 市场涨幅高于极端收益率的阈值时𝐷�为1,市场跌幅超过极端收益率的阈值时𝐷�为1。 �� 其中,当𝛽1(𝛽2)显著小于0,说明市场极端上涨(下跌)时,CSSD的取值明显下降,即投资者的投资行为越来越一致,市场上从众效应越来越明显。 (4)横截面收益绝对偏差(CSAD)模型 Chang(2000)提出了横截面收益绝对偏差(CSAD)模型,构建方法如下: ∑� |𝑟�−𝑟𝑚| 𝐶𝑆𝐴�=𝑖=1 � 其中𝑟�为股票i的收益率,𝑟�为市场收益率 回归公式: 𝐶𝑆𝐴�=�+𝛽1|𝑅𝑚𝑡|+𝛽2|𝑅𝑚𝑡|2+� 当𝛽2显著小于0时,说明市场极端上涨(下跌)时,CSAD的取值明显下降,即投资者的投资行为越来越一致,市场上从众效应明显。其中,当𝛽1和𝛽2均显著小于0时,说明市场的从众效应非常显著。 学术界和业界虽然已有一些关于股票和基金市场从众效应的研究,但大都是主要集中于如何衡量股票市场从众效应的强弱,例如大部分研究目前主要使用LSV模型或者PCM模 型对从众效应进行检验,这些方法都是主要关注股票层面的从众效应,通过对股票的超买超卖程度来刻画个股的“从众效应”。关于基金层面的从众效应相关特征刻画的研究内容目前还比较少,本文将在这方面进行一些探讨。 接下来,本文将从跨期模仿持股行为角度出发构建定量因子,用于刻画基金层面的从众效应。本文主要做了以下3件事情: 1)构建定量基金因子刻画基金的从众效应。首先计算股票的基金投资热度,再结合基金重仓股构建跨期跟随效应因子和跨期领先效应因子,根据基金因子给基金分类:领先者、跟随者、独行者、潜力者。 2)研究不同类型基金的投资行为和投资能力。从业绩归因、行业配置、重仓股票等角度对不同类型