基金研究系列（21）：选基因子改进，基金持仓的尾部收益视角-20230810-开源证券-16页_2mb

金融工程研究团队选基因子改进研究报告总结

核心内容概述

本报告探讨了如何改进基金持仓 alpha 因子，以更准确地衡量基金经理的选股能力。研究指出，传统持仓 alpha 因子存在“下凹效应”和“衰减过快”两个主要问题，影响其在长期预测中的表现。通过分域建模和尾部切割的方法，研究团队构建了改进因子 barra.tail_20，并验证了其在不同预测期限下的有效性。此外，研究还展示了该因子在单因子和多因子选基体系中的应用效果。

主要观点

1. 持仓 alpha 因子的缺陷：

   • 下凹效应：随着因子得分的增加，基金的预期收益并非单调上升，而是在末端出现下降。
   • 衰减过快：在长期预测中，持仓 alpha 因子的表现迅速下降，说明其不能很好地捕捉基金经理的选股能力。

2. 分域建模：

   • 利用双重排序法将基金划分为“胜率组”和“赔率组”。
   • 赔率组的持仓 alpha 因子在多头区分中表现出近似线性预测性，而胜率组则为下凹效应的主要来源。
   • 在赔率组下，因子表现显著优于全域和胜率组，且在长期预测中仍保持较高水平。

3. 尾部切割：

   • 通过截取基金个股贡献分布的两侧尾部，构建了 barra.tail_20 因子，进一步提升因子的预测能力。
   • 尾部切割不仅适用于 barra alpha，还适用于 carhart alpha 和普通收益率，其中 carhart alpha 的改进效果更佳。
   • 尾部切割后，因子在各预测期限下均表现出更优的 IC 均值、ICIR 和超额收益。

4. 实用性验证：

   • 单因子应用中，基于 barra.tail_20 构建的长尾 alpha 优选 30 组合在季度和半年度调仓中均能获得稳定超额收益。
   • 多因子应用中，将 barra.tail_20 与 carhart.tail_20 等权合成后，评价类合成因子的预测能力显著增强，信息比率和超额收益均有所提升。

关键信息

1. 持仓 alpha 因子的参数优化

• 最优回看期：6 个月。
• 预测效果：在 6 个月回看期下，IC 均值和 ICIR 均达到最佳水平。

2. 分域建模效果

• 赔率组表现：在季频预测下，IC 均值为 $8.73%$，信息比率为 1.08。
• 胜率组表现：在季频预测下，IC 均值为 $4.26%$，信息比率为 0.475。

3. 尾部切割因子

• barra.tail_20：在赔率组下，季频预测下 10 分组多头年化超额收益达 $3.77%$，信息比率为 0.87。
• carhart.tail_20：同样适用于改进 alpha 因子，效果显著。

4. 实用性验证

• 长尾 alpha 优选 30 组合：季度调仓年化超额收益为 $5.47%$，半年度调仓年化超额收益为 $5.74%$。
• 多因子体系：合成因子在季度预测下，IC 均值提升至 $10.94%$，信息比率提升至 1.17。

图表与数据支持

• 图1：展示了不同回看期和预测期限下的持仓 alpha 因子效果。
• 图5：显示了基金 A 和基金 B 在相似持仓 alpha 值下，个股贡献分布差异显著。
• 图11：展示了持仓尾部 alpha 因子构建的理论模型。
• 图15：展示了长尾 alpha 优选 30 组合的超额收益表现。
• 图17：展示了持仓尾部 alpha 因子与基于净值的选股能力正相关，与交易能力因子负相关。
• 图18：展示了合成因子在纳入持仓尾部 alpha 后的显著提升。
• 图19：展示了合成因子在纳入持仓尾部 alpha 后的稳健多空对冲效果。

风险提示

• 历史数据依赖：选基因子基于历史信息测算，可能存在失效风险。
• 基金经理真实策略：基金分类基于定量测算，可能与实际投资理念存在差异。
• 未来表现不确定性：研究结论不能保证未来可持续性，不构成投资建议。

表格摘要

表1：基于持仓的基金选股能力因子在各分域内的 T-value 均不显著。

表2：持仓 alpha 因子的一般构造方法。

表3：2023年6月30日长尾 alpha 优选30组合的基金名单。

表4：开源金工评价类多因子选基体系（纳入持仓尾部 alpha 因子后）。

结论

本研究通过参数寻优、分域建模和尾部切割等方法，显著提升了持仓 alpha 因子的预测能力和稳定性。特别是在赔率组下，barra.tail_20 因子表现出更强的多头区分能力，并在多因子体系中进一步增强评价因子的性能。该改进因子在实际应用中具有较高的实用价值，能够为基金投资策略提供更有效的参考依据。