基金经理因子评价体系的构建与应用-20191225-天风证券-27页_1mb

基金经理因子评价体系的构建与应用总结

核心内容

本报告旨在构建一个基金经理因子评价体系，以筛选出能够带来超额收益的基金经理。通过分析基金经理的简历信息、从业信息、业绩表现、风险控制、业绩质量、选股能力、管理规模和机构偏好等维度，构建了包含36个具体因子的基金经理因子库，并对因子有效性进行检验和筛选，最终构建了五个有效因子组成的复合因子。

主要观点

• 基金经理与基金收益的关系：基金的收益表现与基金经理的个人因素密切相关，尤其是主动管理型基金。基金经理的任职年限、学历背景、证书持有情况、从业经历等均可能对基金的未来收益产生影响。
• 基金经理指数的构建：通过拼接基金经理管理产品的净值数据与规模数据，构建基金经理指数，以反映其综合业绩表现。同时，使用中证偏股型基金指数来补充空窗期的业绩，使指数更贴近实际。
• 因子有效性检验：采用RankIC检验、分组有效性检验等方法对因子进行有效性评估，筛选出具有显著区分能力的因子，如业绩稳定性、风险控制、业绩质量、选股能力、管理规模、机构偏好等。
• 复合因子的构建：基于筛选出的有效因子，构建了复合因子，并在一年期和三年期数据上进行了实证分析，发现复合因子在预测基金经理未来业绩排名方面表现良好。
• 因子表现分析：
  • 业绩稳定性、风险控制、业绩质量、选股能力、管理规模、机构偏好等因子表现优异，能够有效区分基金经理的未来收益。
  • 任职年限、年龄、性别等分类因子对业绩有一定区分度，但超额收益不高，仅可作为辅助性指标。
  • 部分因子如换手率、机构投资者占比等表现适中，具备一定的区分能力。
  • 择时能力因子表现较差，可能因为主动权益类基金经理较少进行择时操作。

关键信息

1. 基金经理指数构建

• 构建方法：使用基金经理管理产品的净值数据与规模数据进行加权复合，构建基金经理指数。
• 空窗期处理：使用中证偏股型基金指数补充基金经理空窗期的业绩，使指数更贴合实际。

2. 基金经理因子库

• 因子类别：简历信息、从业信息、业绩表现、风险控制、业绩质量、选股能力、管理规模、机构偏好等8个维度。
• 因子类型：包括分类因子（如性别、学历、曾任卖方分析师等）和数值因子（如任职年化回报、最大回撤率等）。
• 因子处理：对数值因子进行去极值和标准化处理，提高因子的稳定性与可比性。

3. 因子有效性检验

• 分类因子：通过按类期望收益均值检验和按类分组有效性检验，评估分类因子的有效性。
• 数值因子：采用RankIC检验和分组有效性检验，评估数值因子的预测能力。
• 有效因子：筛选出选股AlphaIR、机构投资者占比、最大回撤率、波动率和管理份额作为复合因子。

4. 复合因子实证分析

• 一年期数据：复合因子RankIC均值为0.233，标准差为0.113，胜率为100%。
• 三年期数据：复合因子RankIC均值为0.239，标准差为0.136，胜率为98.33%。
• 组合表现：基于复合因子构建的基金经理组合相对市场平均业绩年化超额稳定在6%以上，年度业绩排名基本位于同类基金的前30%-40%分位点。

5. 因子相关性分析

• 同一大类因子：如业绩表现、业绩质量、选股能力等，因子间相关性较高。
• 不同大类因子：如风险控制、管理规模、机构偏好等，因子间相关性较低。

6. 风险提示

• 模型风险：基于历史数据构建的因子评价体系可能存在市场结构调整、基金经理风格漂移或离任等风险，导致模型失效。

总结

本报告构建的基金经理因子评价体系能够有效预测基金经理的未来业绩表现，尤其在一年期和三年期数据上表现突出。通过筛选出的复合因子构建的基金经理组合，能够在市场中获得稳定的超额收益。尽管部分因子如任职年限、年龄等对业绩有一定区分度，但其超额收益不高，更多作为辅助指标使用。此外，因子间的相关性分析有助于进一步优化因子组合，提升预测能力。该体系对基金研究和FOF组合构建具有重要的参考价值。