【华泰金工林晓明团队】基于持仓刻画基金经理行业投资能力

（以下内容从华泰证券《》研报附件原文摘录）
　　林晓明 S0570516010001 研究员 SFC No. BPY421 刘依苇 S0570521090002 研究员 张 泽 S0570520090004 研究员 SFC No. BRB322 报告发布日期：2022年6月30日 摘要 定量构建指标体系，全面刻画基金经理行业配置能力和行业内选股能力 本文对权益类基金及基金经理的行业配置特征、行业配置能力和行业内选股能力进行了定量研究。目的是从多个角度综合全面地评价基金经理行业投资能力，并提供有效的量化指标来助力基金筛选和组合构建。主要研究内容包括：1、分析权益类基金的行业配置特征；2、从投资胜率、静态和动态行业配置能力等多个维度评价基金经理的行业配置能力，并识别真正具备前瞻性的左侧投资基金经理；3、分析基金经理的选股能力圈并筛选对应的行业主题基金，构建指标体系定量衡量全市场基金的行业内选股能力，并通过历史回测对指标有效性进行验证。 行业配置特征四宫格：基于行业持仓对基金进行特征分类 权益类基金收益主要来源于行业配置和个股选择，投资思路不同则基金收益来源的侧重点也不同。因此在分析基金经理的行业配置能力和行业内个股选择能力之前，我们需要先对基金和基金经理的行业配置思路进行刻画。我们基于基金行业持仓，对基金在行业配置上的均衡度与稳定性进行衡量，并将全市场权益基金划分进均衡-集中和稳定-轮动四宫格中。根据历史统计结果，稳定型基金平均规模显著大于轮动型基金平均规模，均衡-轮动型基金历史平均收益略高于其他类别基金产品。 多角度定量评价基金经理通过行业配置获取行业Beta收益的能力 我们采用投资胜率、静态行业配置能力和动态行业配置能力等多个指标构建指标体系，以对全市场权益基金和基金经理的行业配置能力进行定量评价，并尝试对真正具备前瞻性的左侧交易基金经理进行识别。由该指标体系构建的选基策略获得了3%左右的年化超额收益，说明该指标体系具备一定的选基能力。但指标持续性检验结果显示，市场上大部分基金经理的行业配置能力不太稳定，这也是导致策略超额收益相对较低的原因之一。因此，我们筛选出了部分历史各期行业配置能力评分均在前50%的基金和基金经理以供参考。 多角度刻画基金经理通过选股获取行业内Alpha收益的能力 除了行业配置带来的行业Beta收益，行业内选股带来的Alpha收益也是权益基金的重要收益来源。我们首先采用基金经理历史重仓行业的超额和胜率，筛选能力圈稳定覆盖各行业的基金经理及对应的行业主题基金。其次将研究范围扩大到全市场基金，构建综合考虑静态选股能力和动态选股能力的指标体系，来分析基金经理能否从行业内选出表现优秀的个股。该指标体系构建的选基策略效果较好，行业内选股能力评分前5%的基金组合相对后5%的组合获得了13%的年化超额收益，说明该指标体系具备选基能力。且对于多数基金来说，行业内选股带来的超额收益或比行业配置收益更稳定。 风险提示：模型根据历史规律总结，历史规律可能失效。本报告不涉及证券投资基金评价，不涉及对具体基金产品的投资建议，亦不涉及对具体个股的投资建议。本报告内容仅供参考，投资者应结合自身风险偏好及风险承受能力，充分考虑指数编制规则、样本股变化、基金管理人的投资风格、投资策略、资产配置情况等各种因素可能对基金产品业绩产生的影响。投资者需特别关注指数编制公司、基金公司等官方披露的信息。 正文 行业配置特征四宫格：基于行业持仓对基金进行分类 基金的投资收益有三个来源，包括资产配置、行业配置和个股选择。对于权益类基金来说，资产配置的空间有限，其收益则主要来源于投资的行业和个股。投资思路不同的基金经理，其收益来源的侧重点也不同。部分基金经理在行业配置上较为稳定且均衡，则其收益来源可能更侧重于行业内个股选择；部分基金经理在行业配置上轮动速度较快，则其收益来源同时侧重于行业配置和个股选择。因此在分析基金经理的行业配置能力和行业内个股选择能力之前，我们需要先对基金的行业配置特征进行刻画。 根据基金行业仓位集中度和变动幅度，我们可以用下图中的均衡-集中、稳定-轮动四宫格来刻画基金和基金经理的行业配置特征： （1）左上象限对应“均衡-轮动型”：行业间配置差异小，同时各期行业配置变动较大，如王海峰在管的银华鑫锐灵活配置和唐晓斌、杨冬在管的广发多因子等。这类基金能够在均衡配置分散风险的同时，通过轮动捕捉重点行业收益，对基金经理的行业配置前瞻性和选股能力均有较高要求。 （2）右上象限对应“集中-轮动型”：该类基金行业配置集中度较高，且各期行业仓位变动大，如李晓星、张萍在管的银华盛世精选和金梓才在管的财通价值动量等，一般要求基金经理拥有较强的行业配置能力。 （3）左下象限对应“均衡-稳定型”：该类基金各期行业仓位变动小，行业配置也较为分散。如朱少醒在管的富国天惠精选成长和范妍在管的圆信永丰优享生活等，这类基金业绩波动相对较小，对基金经理的选股能力以及行业覆盖面要求较高，若基金经理具备行业配置能力则能进一步增强收益。 （4）右下象限对应“集中-稳定型”：该类基金行业仓位稳定集中在某一个或某几个行业上，一般为行业主题型基金，如葛兰在管的中欧医疗健康和萧楠、王元春在管的易方达消费行业，此类基金对基金经理行业内选股能力要求很高，也需要基金经理对细分行业有深刻认知。 接下来，我们将从定量角度对基金经理的行业配置特征进行划分，考虑到基金的行业配置实际上表现的是基金经理对于行业投资的思考，我们将基金行业持仓特征按照基金经理管理期进行拆分，研究基金在同一基金经理管理期内的行业配置特征和表现。 行业配置均衡度：采用行业仓位标准差来衡量静态行业配置偏向集中或均衡 我们选择以权益基金各行业仓位的标准差衡量当期基金行业配置的均衡度，并根据得分大小判断基金的行业配置偏向均衡还是集中。我们采用年报和半年报公布的全部持仓信息，计算了全市场权益类基金（包括普通股票型、偏股混合型以及平均股票仓位大于50%的灵活配置型基金）从2011年12月到2021年12月间每个半年度的行业配置集中度，并以沪深300和中证500的行业配置均衡度作为参照，一同绘制在了下图表中。在箱线图中，箱体中央黑线代表全市场基金均衡度的中位数，箱体的上下限分别代表均衡度的上四分位数和下四分位数，箱体延伸出去的上边缘和下边缘代表均衡度的最大值和最小值。 如前所述，我们按照不同基金经理管理区间将基金拆分成了多条基金管理记录。对于各条基金管理记录的行业均衡度，我们采用管理期内各期行业仓位标准差均值在同期基金中的排名百分比作为均衡度来衡量，以避免跨期比较时由于市场环境不同而对结果的准确度造成影响。以下列举了部分当前基金经理在管期间行业配置偏向均衡的基金管理记录。 以龙昌伦管理的嘉实量化精选和田汉卿管理的华泰柏瑞量化先行为例进行分析，两支基金2021年报所有行业的仓位占比都在10%以下，且仓位在3%以上的行业分别有13个和11个，基金在各行业中的配置较为均衡。 而行业集中型基金管理记录大多为行业主题型基金，其重仓行业占比较大。在此不做进一步展示。 行业配置稳定性：行业仓位变动绝对值衡量动态行业配置偏向稳定或轮动 我们选择以基金半年度行业仓位变动的绝对值之和，来衡量基金行业仓位变动幅度，判断基金的行业配置是偏向轮动还是稳定。我们计算了全市场权益类基金各期行业仓位变动水平，将其绘制为箱形图，并以沪深300和中证500指数的行业权重变动作为参照，一同绘制在了下图表中。 为避免跨期比较时由于市场环境不同而对结果的准确度造成影响，我们选取基金行业仓位变动在同期基金中的排名百分比，来判断每位基金经理在管期间，基金行业配置偏向轮动还是稳定。以下列举了部分当前基金经理在管期间行业配置偏向轮动的基金管理记录。 以上图表中前两只基金为例观察其行业配置特征，可见在当前基金经理管理期间，基金各行业仓位变动幅度较大，且轮动速度较快，行业配置调整较为积极。 而行业稳定型基金管理记录排名靠前的大多为行业主题型基金，基金每期均将绝大部分仓位投资于某一个或几个行业，行业仓位变动幅度整体较小。 集中-稳定型基金规模相对较大，均衡型基金近两年业绩较出色 接下来，我们将前述两种行业配置特征结合起来进行观测。我们将行业配置均衡度排名前50%的基金定义为均衡型基金，后50%定义为集中型基金；将行业配置稳定性排名前50%的基金定义为稳定型基金，后50%定义为轮动型基金，两种分类方式交叉即形成四种分类。综合来看，稳定型基金平均规模较大，而轮动型基金平均规模较小。不同类别产品的规模差异与金融逻辑相符：当基金规模较小时，基金经理则可以灵活调整行业配置；而当基金规模较大时，调仓成本和冲击成本也随之增加，因此行业仓位调整空间有限，因此规模相对较大的基金，行业仓位多数较为稳定。 对四类基金的平均收益率进行观测，可以发现均衡型基金近两年业绩表现整体优于集中型基金。2021年12月31日到2022年5月31日期间，集中型基金的平均跌幅均超过19%，但均衡-稳定型基金和均衡-轮动型基金的平均跌幅分别为15.7%和17.8%，均衡型基金行业风险分散的优势在市场下跌期间逐渐显现。而在2021年，均衡-轮动型基金平均收益率为12.15%，同期其他几类基金的平均收益率均在10%以下，可见在热点轮动、风格切换的市场环境下，均衡-轮动型基金能更好地捕捉到具备上涨潜力的行业，获得更高收益。 从历史数据来看，均衡轮动型基金长期收益率略高于其他几类基金，但从各期数据来看，四类基金平均收益率差异不大，且没有哪一类基金各期平均收益率均能拔得头筹。 部分主动权益基金采用行业中性策略，多数为量化基金 除前述基金分类外，部分主动权益基金采用行业中性策略，基金组合中各行业持仓与基准指数行业权重保持一致。这部分基金不适合放入前述体系中进行分类，因此我们针对此类基金单独进行研究。根据基金在管理期内与沪深300或中证500指数的行业配置差异，我们将其分为中性与非中性两种类型。我们计算基金与同期沪深300或中证500各行业权重差值的绝对值并进行求和，用以衡量该基金当期是否行业中性。全市场权益类基金与沪深300、中证500行业配置差异如下图表所示。 整体来看，主动权益类基金中绝大部分产品与沪深300和中证500的行业配置存在较大差异，仅有少部分基金采用行业中性策略进行投资管理。我们选择了十只当前基金经理在管期内行业配置偏中性的基金进行展示，由下图可见，绝大部分基金均为量化基金。 提云涛在管的信诚量化阿尔法，行业分布与沪深300十分类似。对其2021年度年报行业配置进行分析可以发现，该基金在食品饮料、银行和医药行业上的仓位较高，分别为13%、10%和9%，而沪深300在这三个行业的仓位分别为13%、11%和10%，差距较小；且该基金与沪深300指数一样，在许多行业均有配置，且仓位较为均衡。 刘斌在管的嘉实量化精选则与中证500的行业分布较为类似。对其2021年度年报行业配置进行分析可以发现，该基金在电子、医药和基础化工行业的仓位较高，分别为8%、8%和7%，而中证500在这三个行业的仓位分别为10%、9%和5%，差距较小；且该基金与中证500指数一样，在许多行业均有配置，且仓位较为均衡。 多角度综合评价基金经理获取行业Beta收益的能力 权益类基金经理的行业配置能力一直是投资者关注的重点，从2019年至今，市场热点一直在行业之间反复转换，若基金经理能够正确预测强势行业，则将会有效提升基金业绩。在本部分中，我们将尝试从多个角度切入，由投资胜率、静态行业配置能力和动态行业配置能力等多个指标来对基金经理的行业配置能力进行评价，同时对真正具备前瞻性的左侧交易基金经理进行识别。此外，我们还采用这些指标构建了选基策略，回测结果显示TOP组相对BOTTOM组有3%左右的年化超额收益。说明正确识别行业配置能力较强的基金或基金经理并依此构建基金组合，或能对收益有一定提升。 行业配置胜率刻画基金经理对行业趋势方向的判断能力 最直白的行业配置能力评价指标就是配置胜率。我们以所有权益类基金（包括普通股票型、偏股混合型、仓位超过50%的灵活配置型基金）作为研究对象，由于基金的持仓和业绩表现是由基金经理进行管理和决策的，基金的行业配置正确与否本质上来源于其背后基金经理对行业的预判能力，因此我们将各只基金按照历任基金经理的管理区间，拆分成不同的“基金管理记录”，并以基金管理记录而非基金为单位进行后续统计。 对于每条基金管理记录，我们首先计算其各期各行业的仓位占比变动，并将T期相对T-1期的行业仓位变动与T+1期的一级行业指数收益率相乘，得到各行业配置比例变动为基金带来的收益贡献，再将各行业收益贡献求和，获得该基金当期的行业配置总收益率。我们对基金管理期内的每个截面都进行上述操作，并计算行业配置总收益为正的截面数量占比，即可得到行业配置胜率。 由于在不同市场环境下，预判未来强势行业的难易度存在较大差异，不同截面、不同区间的行业配置胜率无法直接进行对比。因此我们选择以基金胜率在同期所有基金中的排名百分比作为评价依据，排名百分比越靠前代表胜率越高。我们从行业配置胜率排名靠前的基金管理记录中，抽取了十条基金管理记录，并列示在下表中。 为了更加清晰的获知行业配置胜率高的基金如何进行行业配置，我们选取张竞管理的安信灵活配置进行具体分析，可以发现该只基金在当前基金经理管理的9期内，行业配置收益率均为正。 根据净值曲线发现，在2020年12月至2022年6月期间，该基金相对沪深300和中证500的超额收益较为显著。我们将针对该期基金经理的行业配置变动情况做进一步研究和展示。 我们将2020年报相对2020年半年报的各行业仓位变动（蓝色柱状图），与2021年上半年各行业收益率（红色折线）一起展示在了下图表中。可以发现在2020年底，该基金经理对电新、有色、电子等2021年上半年收益率较高的行业有较大幅度的加仓，而对家电、房地产、农林牧渔、通信、消费者服务等下跌的行业有较大幅度的减仓。可见该基金经理在2020年底通过对行业收益的正确预判，积极调整行业仓位，规避部分下跌行业的同时捕捉到了强势行业，通过行业配置获得了较高的收益。 在得到每条基金管理记录的胜率后，我们进一步合成每位基金经理的行业配置胜率。如前所述，我们计算了各条基金管理记录的胜率在同期基金中的排名百分比，解决了管理期内市场环境不同、无法跨期比较的问题。因此进一步的，我们可以将各条基金管理记录中展现出的行业配置正确率进行合成，以此来反映基金经理的行业配置能力。 在合成时，考虑到时间更长的记录有着更多的观测点，我们以基金管理时长作为权重，对基金经理各条管理记录的胜率排名百分比进行加权平均，最终得到的值即为基金经理行业配置准确率。下面展示了10位管理基金年限较长且历任基金胜率排名百分比均较高的基金经理。 构建指标体系，多角度评价基金经理从行业配置中获取beta收益的能力 考虑到行业配置胜率仅简单的刻画了基金经理对于各行业涨跌判断的整体正确率，我们需要进一步从收益率的角度，更加全面地衡量基金经理对行业走势的预测能力，以及其通过行业配置获取收益的能力。在本章节中，我们参考2018年发布于Journal of Financial and Quantitative Analysis上的论文Beta Active Hedge Fund Management (Duanmu J , Malakhov A , Mccumber W R)，构建了下述指标体系来衡量基金经理行业配置能力： 静态行业配置能力SBS指标：衡量基金经理能否判断下期各行业的相对强弱 为了衡量基金经理能否在截面上判断出各行业未来的相对强弱，我们参考论文定义了静态行业配置能力SBS（Scaled beta success）指标，考察基金经理是否能在下期表现更好的行业上预先配置更高的仓位，对一支基金在w期的SBS指标计算公式如下： 其中j表示行业，β表示仓位，f表示行业收益率。从上式来看，等号右侧第一项的含义是基金w期初在各个行业上的仓位乘以w期行业收益率再对所有行业求和，同时为方便跨期比较又进行了归一化处理：先减去w期收益最低行业的收益率，再除以该期收益最高和最低行业的收益率之差。第一项的值越高，代表w期基金在收益率较高的行业中配置了较高的仓位，在跌幅较大的行业中配置了较低的仓位。 考虑到单期得分可能会受到运气或偶然因素的影响，我们将w期取值与(w-1)期取值取平均，作为该基金SBS指标的得分。我们计算了市场上各期权益仓位超过50%的所有主动权益基金的SBS指标得分，并将其绘制为箱形图，与沪深300的SBS值一同绘制在了下图表中。 上图表中，箱体中间的红线代表全市场权益类基金SBS指标得分的中位数，箱体上沿和下沿分别代表SBS得分的上四分位数和下四分位数，延伸出去的上边缘和下边缘则分别代表SBS得分的最大值和最小值。将箱线图与沪深300各期指数得分相比，我们可以发现，在股市下跌期间，全市场权益类基金的整体静态配置能力整体有所提升，但通常不及沪深300。例如2015年12月、2018年6月和12月以及2021年12月的市场下跌期，基金经理的行业配置能力显著增加，可见市场下跌时，较多基金经理能够正确判断并提升行业配置的防御性。但2015年12月和2021年12月期间，沪深300的SBS高于全市场主动权益基金SBS值的75%分位数，可见沪深300行业配置的抗跌能力相对较强。 而在股市上行期间，基金整体SBS水平则相对较低，例如2014年6月-2015年6月、2016年12月-2017年12月以及2019年6月-2020年12月。原因或为市场上行期间，市场热点行业轮换速度较快，基金行业配置的难度增加，因此能够精准捕捉行业动态的基金经理数量相对减少。 考虑到市场环境对SBS水平的影响，我们选择基金管理记录各期的SBS值在同期基金中的排名百分比作为最终得分，排名百分比越靠前，代表基金在该基金经理管理期间静态行业配置能力越强。下面列举了十只当前基金经理在管期间内，静态行业配置能力在同期基金中排名靠前的基金。 在得到每条基金管理记录的SBS后，我们进一步合成每位基金经理的静态行业配置能力评价指标。如前所述，我们计算了各条基金管理记录的SBS得分在同期基金中的排名百分比，解决了管理期内市场环境不同、无法跨期比较的问题。因此进一步的，我们可以将各条基金管理记录中展现出的静态行业配置能力进行合成。 在合成时，考虑到时间更长的记录有着更多的观测点，我们以基金管理时长作为权重，对基金经理各条管理记录的SBS排名百分比进行加权平均，最终得到的值即为基金经理静态行业配置能力评分。下面展示了10位静态行业配置能力较强的基金经理。 动态行业配置能力DBR指标：衡量基金经理能否通过前瞻性的左侧行业配置获得收益 为了衡量基金管理记录的动态行业配置能力，我们参考论文，定义了DBR（Difference in Beta Returns）指标对其进行刻画。DBR由两个指标组成，分别是FDBR（Forward Difference in Beta Returns）和RDBR（Reverse Difference in Beta Returns），FDBR主要衡量基金是否能够通过动态加仓或减仓获取行业轮动收益，即能否通过加仓来捕捉行业上涨机会、通过减仓来规避行业下跌亏损；而RDBR主要衡量基金经理的行业动态配置收益是通过左侧投资，即对行业未来走势的独立判断获得，还是通过右侧投资，即对行业追涨杀跌获得的。 对一支基金在w期的FDBR指标计算公式如下（其中j表示行业，β表示仓位，f表示行业收益率）： 可以发现，FDBR是基金各行业持仓在w期相对（w-1）期的仓位变动，乘以对应行业在w期的收益率后，再对各行业进行求和得到。能够对下期行业涨跌正确预判、并动态调整行业配置比例的基金，通常具有更高的FDBR得分。我们计算了市场上各期权益仓位均值超过50%的所有主动权益基金的FDBR指标得分，并将其绘制为箱形图，与沪深300的FDBR值一同绘制在了下图表中。 从上图中可以发现，主动权益基金各期FDBR得分均值始终在0附近，但各期FDBR的分布范围不同。例如在2014年下半年到2015年上半年、2019年上半年以及2020年上半年的市场大幅上涨期间，FDBR的波动范围有所增加，这是由于基金经理的行业配置带来的收益或亏损在牛市期间被放大造成的。 考虑到市场环境对FDBR波动水平的影响，我们选择基金管理记录各期的FDBR值在同期基金中的排名百分比作为最终得分，排名百分比越靠前，代表基金在该基金经理管理期间行业配置的前瞻性越强。下面列举了十只当前基金经理在管期间内，FDBR得分在同期基金中排名靠前的基金。 在得到每条基金管理记录的FDBR后，我们进一步合成每位基金经理的对应评价指标。如前所述，我们计算了各条基金管理记录的FDBR得分在同期基金中的排名百分比，解决了管理期内市场环境不同、无法跨期比较的问题。因此进一步的，我们可以对各条基金管理记录的FDBR排名百分比进行合成。 在合成时，考虑到时间更长的记录有着更多的观测点，我们以基金管理时长作为权重，对基金经理各条管理记录的FDBR排名百分比进行加权平均，最终得到的值即为基金经理FDBR评分。下面展示了10位FDBR评分较高的基金经理。 对一支基金在w期的RDBR指标计算公式如下（其中j表示行业，β表示仓位，f表示行业收益率）： RDBR是基金在w期的仓位乘以各行业w期的收益率，减去w期仓位乘以各行业（w-1）期收益率后，再对行业求和得到。该公式用经济逻辑来理解会更容易，如果行业配置具备前瞻性，则第一项的值会比较高；若其行业投资偏向动量策略，依据上一期的行业涨跌幅来外推配置当期资产，则第二项的值会比较高，RDBR总值会比较低。 故RDBR越高的基金管理记录，其行业配置收益中来源于追涨杀跌的比例越少，来源于前瞻判断左侧投资的比例越多，其行业配置也更偏左侧。而RDBR越低的基金管理记录，其行业配置或更偏向右侧。我们计算了市场上各期权益仓位超过50%的所有主动权益基金的RDBR指标得分，并将其绘制为箱形图，与沪深300的RDBR值一同绘制在了下图表中。 从上图中可以发现，主动权益基金各期RDBR得分的均值和分布均相差较大。尤其当市场方向发生剧烈变化时，w期行业收益率与w-1期行业收益率之间存在较大差异，因此基金RDBR也会有较大波动。考虑到市场环境对RDBR得分的影响，我们选择基金管理记录各期的RDBR值在同期基金中的排名百分比作为最终得分，排名百分比越靠前，代表基金在该基金经理管理期间行业配置更偏左侧。下面列举了十只当前基金经理在管期间内，RDBR得分在同期基金中排名靠前的基金。 在得到每条基金管理记录的RDBR后，我们进一步合成每位基金经理的对应评价指标。如前所述，我们计算了各条基金管理记录的RDBR得分在同期基金中的排名百分比，解决了管理期内市场环境不同、无法跨期比较的问题。因此进一步的，我们可以对各条基金管理记录的RDBR排名百分比进行合成。 在合成时，考虑到时间更长的记录有着更多的观测点，我们以基金管理时长作为权重，对基金经理各条管理记录的RDBR排名百分比进行加权平均，最终得到的值即为基金经理RDBR评分。下面展示了10位RDBR评分较高的基金经理。 DBR则是对FDBR和RDBR两个指标的综合考察，对于基金i，其DBR值计算公式如下： DBR的计算过程较为简单，就是对基金的FDBR和RDBR值在同期基金中的表现进行归一化处理，再对两个指标求均值的结果。该指标可以综合考察基金经理动态行业配置能力。我们计算了市场上各期权益仓位超过50%的所有主动权益基金的DBR指标得分，并将其绘制为箱形图，与沪深300各期DBR得分一同绘制在了下图表中。 从上图中可以发现，主动权益基金各期DBR得分的均值和分布均相差较大。尤其当市场方向变化时，w期行业收益率与w-1期行业收益率之间存在较大差异，因此基金DBR也会有较大波动。考虑到市场环境对DBR得分的影响，我们选择基金管理记录各期的DBR值在同期基金中的排名百分比作为最终得分，排名百分比越靠前，代表基金在该基金经理管理期间动态行业配置综合能力更强。下面列举了十只当前基金经理在管期间内，DBR得分在同期基金中排名靠前的基金。 在得到每条基金管理记录的DBR后，我们进一步合成每位基金经理的对应评价指标。考虑到时间更长的记录有着更多的观测点，我们以基金管理时长作为权重，对基金经理各条管理记录的DBR排名百分比进行加权平均，最终得到的值即为基金经理DBR评分。下面展示了10位DBR评分较高的基金经理。 中间指标预测效果分析：FDBR、RDBR和DBR指标对基金未来收益具备预测能力 为了确定FDBR、RDBR、DBR及SBS等指标在基金组合构建中的有效性，我们进一步采用上述指标构建模拟组合，并采用历史数据进行回测，检验这些指标对基金收益率的预测效果。有效性检验共分为单指标检验和双指标双排序检验两种，接下来我们将依此介绍检验方法和各指标检验结果。 在进行单指标检验时，我们首先从主动权益类基金中剔除掉行业主题基金，随后从中选取每期单指标排名前5%的基金构建等权组合，将其作为Top组基金组合，排名后5%的基金等权构成Bottom组基金组合，由于基金每半年公布完整持仓数据，因此我们以半年作为调仓周期，每半年对Top组和Bottom组基金进行一次轮换。 以2012年12月到2021年12月作为观测区间，我们对Top组合、Bottom组合以及Top-Bottom多空组合的最终净值、年化收益和夏普比率进行了计算，并将年化收益率的t值展示在了数值下方的括号中。结果如下方图表所示。 通过单指标检验结果可以发现，四项指标的Top组平均收益均显著高于Bottom组。其中静态行业配置能力指标SBS对基金收益率的预测效果相对较差，说明前一期能够高配强势行业、低配弱势行业的基金经理，并不一定能在下一期也能延续此前的出色表现，能够获得超额收益但是幅度相对较小。动态行业配置能力指标DBR效果则相对较好，说明部分能够精准独立预判未来行业走势的基金经理，在下一期也能够延续此前的判断能力，业绩表现整体较为出色，且在市场下跌和震荡期间能够获得较为明显的超额收益。 出于严谨性考虑，我们又构建了FDBR-RDBR，SBS-DBR两个双指标组合的交叉排序组合和双排序组合，减少检验时组合内另一指标的影响，进一步检验指标预测的有效性。 结果显示，大部分双指标组合均能获得高于同期基金均值的收益率。 指标BA：综合刻画基金经理行业配置获利能力 检验结果显示上述指标均具备一定的选基能力，为综合全面研究基金和基金经理的行业配置能力，我们对SBS和DBR指标进行归一化处理之后合并，得到综合考察基金静态和动态行业配置能力的指标BA，基金i在w期的BA指标计算公式如下（其中j表示行业，β表示仓位，f表示行业收益率）： 我们计算了市场上各期权益仓位超过50%的所有主动权益基金的BA指标得分，并将其绘制为箱形图，与沪深300的BA值一同绘制在了下图表中。从下图中可以发现，主动权益基金各期BA得分的均值和分布在不同市场环境下有较大差异。 接下来我们采用上一小节中展示的单指标检验方法，通过构造BA指标的Top、Bottom和多空组合，来对BA指标的预测能力和有效性进行检验。 观察结果发现，BA指标的Top组表现略优于Bottom组，在2013-2015年Top和Bottom组相差不大，但在2016-2021年指标超额收益较为明显。同样考虑到市场环境对BA得分的影响，我们选择基金管理记录各期的BA值在同期基金中的排名百分比作为最终得分，排名百分比越靠前，代表基金在该基金经理管理期间综合行业配置能力更强。下面列举了十只当前基金经理在管期间内，BA得分在同期基金中排名靠前的基金。 我们同样对基金经理所有管理记录的BA分位数用管理时间进行加权，作为最终指标。下面展示了10位综合行业配置能力较强的基金经理。 稳健性检验：分组阈值为5%时超额收益较高，等权基金组合业绩表现优于规模加权 为更加全面地评价该指标体系，我们在本部分进行稳健性检验，观察当改变Top组和Bottom组的划分阈值以及模拟组合加权方式时，指标的回测结果是否会发生变化。 我们对组合阈值和加权方式进行调整，不同参数设定下，BA指标Top组、Bottom组和Top-Bottom多空组合的回测结果如下图表所示。 可以发现，在相同阈值下，等权组合的收益率整体优于规模加权的组合，也一定程度上说明规模较大的基金，也面临着较大的管理难度和调仓难度。而在等权组合的回测结果中，以10%作为分组阈值的策略，Top组收益率和超额收益都高于其他阈值。整体来看，BA指标对未来业绩的预测能力弱于DBR，但仍具备一定选基能力。 权益基金整体行业配置能力稳定性较弱，综合各期评分选取行业配置能力稳定的基金经理 回测结果显示，部分指标选基能力不太显著，或由基金在各指标上表现的持续性不强导致。为检验上述指标的持续性，我们对所有基金各期各指标的秩相关系数进行了检验，即对每个指标计算其从w-1期到w期的秩相关系数，结果如下方图表所示。 可以发现，各指标的秩相关系数不稳定且时正时负，说明国内公募基金和基金经理上述指标的整体表现缺乏持续性。但对于特定基金或基金经理来说，若其行业配置指标得分在历史每一期的排名均较为靠前，则根据指标构建逻辑仍可以说明该基金经理具备相对稳定的行业配置能力，因此前文筛选出的各项指标表现较为出众的基金列表仍有参考意义。 此外，我们将2019年至今，指标历次排名均稳定在前50%的基金进行了展示，根据我们的指标体系，下述图表中的基金及基金经理均具备较强且较稳定的行业配置能力。 多指标综合评价基金经理获取行业内Alpha收益的能力 权益类基金获取的收益，一方面来源于行业配置带来的行业Beta收益，另一方面则来源于行业内选股带来的Alpha收益。在本部分中，我们将首先针对基金经理历史重仓行业进行研究，采用定量手段分析每位基金经理的选股能力圈稳定覆盖了哪些行业，并筛选出当前在管基金经理能力圈稳定覆盖所配行业的行业主题基金。随后，我们将研究范围进一步扩大到全市场选股基金，并构建指标体系来多角度定量衡量基金经理整体行业Alpha获取能力，研究基金经理能否从各个行业内部都选出表现出色的股票。 采用重仓行业的选股超额和胜率，筛选能力圈稳定覆盖各行业的基金经理 基金经理能力圈定义：定量测算基金经理行业内选股能力及其稳定性 基金经理的行业内选股能力也被称为基金经理能力圈。对于市场上关注度较高的基金经理，投资者已经对其能力圈有较明确的共性认知，例如刘彦春、萧楠、张坤等明星基金经理的能力圈覆盖食品饮料行业，葛兰、谭冬寒、赵蓓等能力圈覆盖医药行业，王君正、鄢耀等能力圈覆盖金融行业等。在本报告中，我们希望能通过定量分析，在同一口径下对市场上每一位基金经理的行业能力圈进行研究，并落地到行业主题基金的推荐。 本报告中对于基金经理能力圈的定义较为简明：若基金经理长期重仓于某个行业，且基金经理在行业内部能够稳定获得超额收益，则我们认为基金经理的能力圈覆盖该行业。 研究范围仅限于重仓行业的原因是，很多主动权益类基金经理在投资时通常是有所侧重的，对于更了解、更擅长投资的行业，基金经理通常会为其分配更多的仓位，因此在评价基金经理的选股能力圈时，我们重点关注其历史重仓次数较多的行业。本报告将总仓位占基金资产净值比超过15%的行业定义为基金的重仓行业。 对于基金经理在各行业内部的超额收益，我们首先利用基金持仓信息以及个股收益率，对每一期基金在各行业上的持股收益进行计算。例如某基金某期重仓于食品饮料行业，在该行业内持有3只股票，持股权重分别是10%、5%和5%，则我们将3只股票的当期收益率以50%、25%和25%的权重进行合成作为该行业上的持股收益率，随后将该收益率与对应一级行业指数相减，所得的超额收益即为某基金某期在某重仓行业上的超额收益。 由历史重仓信息合成基金经理能力圈：重仓行业历史超额收益为正且胜率大于50% 明确了能力圈、重仓行业以及超额收益的定义后，我们就可以计算出基金经理在某个基金的某个截面上的所有重仓行业，以及重仓行业的超额收益。接下来，我们以2012年1月1日到2022年3月31日作为统计区间，以季度作为回测频率，以市场上所有主动权益类基金（包括普通股票型基金、偏股混合型基金、灵活配置型基金中股票仓位持续大于50%的基金，也包括转型前属于上述类别的基金）为统计范围，来对基金经理在每只基金的每个截面上的重仓行业超额进行统计，研究其能力圈。 首先，我们按照主动权益类基金历任基金经理的管理区间，将基金拆分成了多条基金管理记录，以便后续对基金经理的行业能力圈进行精确合成。其次，我们将基金经理管理期与基金持仓信息进行精准匹配，并采用每位基金经理的全部管理记录和重仓记录，来合成基金经理的行业能力圈评价。对于历史有重仓记录的基金经理，我们首先排除历史超额收益小于0且胜率小于50%的重仓行业，选取剩余行业中重仓次数排名前三的行业，将这些行业定义为该基金经理的“能力圈”。 例如，若基金经理历史曾在2020下半年到2021年上半年管理了A、B两只基金，各期重仓行业及超额收益如上表所示。综合来看，在基金经理重仓过的所有行业中，医药行业的平均超额收益为-2%，且胜率为33%，因此这位基金经理的行业能力圈不覆盖医药行业。此外，基金经理4次配置机械行业，平均超额收益为8%；2次配置电子行业，平均超额收益为9%；两次配置电新行业，平均超额收益为14%，且基金经理在三个行业上的胜率均为100%，说明基金经理能够有效从上述行业中选出优质股，能力圈覆盖上述行业。 对于没有任何行业重仓记录的基金经理，我们认定其为行业配置均衡的基金经理。上表中列示了几位历史管理过且在管主动权益类基金的均衡型基金经理，发现上述基金经理大多是量化背景或固收+背景，较注重在行业配置上分散风险。接下来，我们将进一步在有重仓记录的基金经理中，采用行业重仓次数、平均超额收益、重仓胜率等指标，综合筛选出可以从行业中稳定获得超额收益，且当前仍在管对应行业主题基金的基金经理。 采用重仓次数、重仓胜率、超额收益等指标，筛选能力圈稳定覆盖对应行业的基金经理 行业重仓次数刻画基金经理在行业内的投资经验。行业重仓次数是基金经理在管理期间里重仓一个行业的次数。较高的重仓次数可能来源于对特定行业的显著偏好、较长的管理年限、以及较多的基金管理数量。因此重仓次数代表了基金经理在该行业上的投资经验。为保证数据统计的有效性，只有基金经理对于一个行业的重仓次数大于等于10次时视为有效数据。低于10次的重仓行业不列入进一步筛选。 行业平均超额收益是基金经理在该行业上每次重仓获取的超额收益的历史平均值。该指标从收益角度刻画了基金经理在该行业内的选股能力。 行业重仓胜率描述基金经理获取重仓行业超额收益的稳定程度。我们计算基金经理对某个行业每次重仓获得的超额收益，将超额收益为正的总次数除以在该行业上重仓的总次数，即为基金经理在该行业的重仓胜率。胜率指标可以规避一次重仓带来极端收益，导致平均超额收益指标出现较大偏差的情况，刻画出经理稳定获取收益的能力。但通常来说，重仓次数较多的基金经理经历的复杂市场环境较多，可能胜率会低于重仓次数较少的新生代基金经理，因此我们不能仅以胜率指标进行横向比较。当基金经理在一个行业重仓胜率大于50%时，我们判断其具有较强的行业内的alpha选股能力，将其列为在该行业可以稳定获得超额收益的基金经理。 筛选当前基金经理能力圈稳定覆盖所配行业的行业主题基金 为将基金经理能力圈测算结果落地到基金筛选，我们还需要将基金经理行业能力圈与基金经理当前在管的行业主题基金进行匹配，筛选出当前基金经理能力圈稳定覆盖所配行业的行业主题基金。 首先，我们针对每一行业，筛选出最近一期该行业仓位在30%以上、且过去四期该行业平均仓位在30%以上的基金作为行业主题基金。其次，我们对行业主题基金当前在管基金经理的行业能力圈进行分析，若其能力圈稳定覆盖此行业，则我们对该基金进行记录。由此，我们共筛选出372支在任基金经理能力圈稳定覆盖所配置行业的行业主题基金。共由186位基金经理管理，覆盖14个一级行业。下图表为372支基金的行业分布情况，食品饮料、医药、电子等热门行业基金数量较多，分别占总筛选结果的29.8%，26.9%和21.0%。其余行业按照筛选出的基金数量排序为电力设备与新能源、国防军工、房地产、计算机、有色金属、银行等。 我们将各行业筛选结果展示在了下方图表中。食品饮料行业共筛选出111支基金，共由51位基金经理管理。基金经理在食品饮料行业上的最高平均超额收益为8.86%（中融基金柯海东），最高胜率为88.89%（工银瑞信基金林梦），最多重仓次数为132次（鹏华基金王宗合）（受篇幅所限，上述基金经理未全部列示在下表中）。部分基金列表如下。 医药行业共筛选出100只基金，共由56位基金经理管理。基金经理在医药行业上的最高平均超额收益为12.58%（前海开源基金曲扬），最高胜率为100%（天弘基金刘盟盟），最多重仓次数为91次（工银瑞信基金赵蓓）（受篇幅所限，上述基金经理未全部列示在下表中）。部分基金列表如下。 电子、电力设备及新能源、国防军工、计算机、有色金属行业主题基金筛选结果如下。 银行、房地产、非银金融行业基金筛选结果如下。 其他行业方面，农林牧渔有2支基金符合条件，但两只基金均由同一位基金经理管理，因此合并列示；传媒、交通运输、基础化工行业各有一支符合条件的主题基金，分别由3位基金经理管理。 构建指标体系，多角度刻画基金经理的行业内选股能力 从基金经理重仓行业收益和胜率角度针对行业主题型基金进行筛选后，我们将研究范围进一步扩大到全市场选股基金，并构建指标体系来多角度定量衡量基金经理整体行业内选股能力，研究基金经理能否从各个行业内部都选出表现出色的股票。与行业Beta指标体系的思路类似，我们针对基金经理在行业内获取Alpha的能力，构建了如下的指标体系： 指标SAS：衡量基金经理行业内静态选股能力 为了衡量基金经理能否在行业内表现更好的股票上配置更高的仓位，我们同样参考论文 Beta Active Hedge Fund Management (Duanmu J , Malakhov A , Mccumber W R)，定义了行业内静态选股能力SAS（Scaled Alpha Success）指标进行刻画。对基金经理管理的一支基金，其在w期的SAS指标计算公式如下（其中i表示行业，m表示当期基金所持仓的股票，β表示股票m在基金重仓i行业的股票中所占的比例，f表示股票相对于其所在行业指数的超额收益率，p代表行业权重）： 从上式来看，等号右侧第一项的含义是，在w期计算基金持仓的个股在个股所属行业内的权重，用此权重乘以个股当期超额收益率后再进行归一化处理，即减去最小的行业内股票超额收益率并除以最大和最小行业内股票超额收益率之差（行业内股票是由当期所有基金有持仓记录的股票池构成）。对行业i内每只股票计算归一化Alpha之后求和，即可得到基金经理在行业i内的静态选股能力得分。随后将各行业的得分按照行业持仓权重进行加权求和，即可得到基金在当期的行业内静态选股能力整体得分。 考虑到单期的SAS数值可能会有偶然因素的影响，为减少这种影响，我们将w期取值与(w-1)期取平均，作为该基金SAS的得分。我们计算了市场上各期权益仓位超过50%的所有主动权益基金的SAS指标得分，并将其绘制为箱形图，与沪深300的SAS值一同绘制在了下图表中。 由上图可见，较高的SAS不一定来源于基金经理在行业内的正确选股，可能是由市场环境导致的，运气因素也可能导致较高的SAS，因此SAS指标对未来业绩的预测作用不一定是正向的，低的SAS反而可能代表基金经理的逆向选择能力，即提前选择未来长期可能获得更高超额回报的个股，因此我们需要后续对SAS指标的业绩预测效果进行检验。 同时，考虑到市场环境对SAS整体水平的影响，我们选择该基金管理记录的SAS值在同期基金中的排名百分比作为最终得分。下面列举了十条当前基金经理在管期内、基金行业内静态选股能力在同期基金中排名靠前的基金。 在合成时，考虑到时间更长的记录有着更多的观测点，我们以基金管理时长作为权重，对基金经理各条管理记录的SAS排名百分比进行加权平均，最终得到的值即为基金经理SAS评分。下面展示了10位SAS评分较高的基金经理。 指标DAR：衡量基金经理能否通过前瞻性的左侧个股配置获得相对行业指数的超额收益 为了衡量基金经理的行业内动态选股能力，我们定义了DAR（Difference in Alpha Returns）指标对其进行刻画。DAR由FDAR（Forward Difference in Alpha Returns）和RDAR（Reverse Difference in Alpha Returns）两部分组成，FDAR主要衡量基金经理能否动态捕捉行业内未来表现出色的个股，同时规避未来表现不佳的个股；而RDAR主要衡量基金经理的动态行业内选股能力是通过左侧配置，即对个股未来走势的独立判断获得，还是通过右侧投资，即对个股追涨杀跌获得。 对一支基金在w期的FDAR指标计算公式如下（其中i表示行业，β表示股票在基金中所占仓位，f表示相对行业指数超额收益率）： 可以发现，FDAR是基金在w期相对（w-1）期在个股上的仓位变动，乘以对应个股相对其行业指数在w期的超额收益率，再进行求和。若基金能够正确选取下一期各行业内具备超额收益的个股，则其通常具有更高的FDAR得分。我们计算了市场上各期权益仓位超过50%的所有主动权益基金的FDAR指标得分并绘制如下。 下面列举了十只当前基金经理在管期间内，FDAR得分在同期基金中排名靠前的基金。 在合成时，考虑到时间更长的记录有着更多的观测点，我们以基金管理时长作为权重，对基金经理各条管理记录的FDAR排名百分比进行加权平均，最终得到的值即为基金经理FDAR评分。下面展示了10位FDAR评分较高的基金经理。 对一支基金在w期的RDAR指标计算公式如下（其中i表示行业，β表示股票在基金中所占仓位，f表示相对行业指数超额收益率）： RDAR是基金在w期持有的个股仓位，乘以w期个股相对所在行业指数的超额收益率，再减去w期仓位乘以个股（w-1）期超额收益率，再进行求和得到。该公式用经济逻辑来理解，如果基金经理对于个股的配置偏左侧，则第一项的值会比较高；若其行业投资偏向动量策略，依据上一期的个股Alpha来外推配置当期资产，则第二项的值会比较高，RDAR总值会比较低。我们计算了市场上各期权益仓位超过50%的所有主动权益基金的RDAR指标得分并绘制如下。 下面列举了十只当前基金经理在管期间内，RDAR得分在同期基金中排名靠前的基金。 在合成时，考虑到时间更长的记录有着更多的观测点，我们以基金管理时长作为权重，对基金经理各条管理记录的RDAR排名百分比进行加权平均，最终得到的值即为基金经理RDAR评分。下面展示了10位RDAR评分较高的基金经理。 DAR是对FDAR和RDAR两个指标的综合考察，基金i的DAR值计算公式如下： DAR计算过程较简单，是对基金的FDAR和RDAR值在同期基金中的表现进行归一化后求均值的结果。该指标可以综合考察基金经理行业内动态选股能力。我们计算了市场上各期权益仓位超过50%的所有主动权益基金的DAR指标得分，并绘制在了下图表中。 下面列举了十只当前基金经理在管期间内，DAR得分在同期基金中排名靠前的基金。 在对基金经理的行业内动态选股能力进行合成时，考虑到时间更长的记录有着更多的观测点，我们以基金管理时长作为权重，对基金经理各条管理记录的DAR排名百分比进行加权平均。下面展示了10位DAR评分较高的基金经理。 中间指标预测效果：各指标筛选出的基金组合可获得4%-10%的年化超额收益 为了确定FDAR、RDAR、DAR及SAS中间指标的预测有效性，我们进一步检验这些指标对基金收益率的预测效果。有效性检验共分为单指标检验和双指标双排序检验两种，检验方法与上一章节相同，在此不再赘述。接下来我们将直接介绍各指标检验结果。 通过单指标检验结果可以发现，FDAR、RDAR和DAR的Top组收益率均显著高于Bottom组，SAS组的Top组收益率则显著低于Bottom组。同时为了检验的严谨性，我们又构建了FDAR-RDAR，(1-SAS) -DAR两个双指标组合的交叉排序组合和双排序组合，减少检验时组合内另一指标的影响，进一步检验指标预测的有效性。 结果显示，大部分双指标组合均能获得超额收益。进一步验证了上述指标对基金收益具有较好的预测能力。 指标AA：综合刻画基金经理行业内选股能力，Top组可获取 9.34%的年化超额收益 依据上部分对基金的SAS和DAR指标的检验结果，其均有较强的预测能力，即DAR指标越高的基金越容易在下一期获得超额收益，SAS则相反。故我们对两个指标进行归一化处理后求两者均值，得到综合考察基金静态、动态行业配置能力的指标AA，基金i在w期的AA指标计算公式如下： 我们计算了市场上各期权益仓位超过50%的所有主动权益基金的AA指标得分，并将其绘制为箱形图，与沪深300的AA值一同绘制在了下图表中。从下图中可以发现，主动权益基金各期AA得分的均值和分布在不同市场环境下有较大差异。 下面我们采取上部分的单指标检验方法，对AA指标的预测能力和有效性进行检验，即构造AA指标的Top、Bottom和多空组合，进行简单的回测检验。结果显示，AA指标的Top组表现明显优于Bottom组，相对Bottom组可以获得9.34%的年化超额收益，因此我们认为AA指标具备正向选基能力。 同样考虑到市场环境的影响，我们选择基金的AA值在同期基金中的分位数作为最终指标，分位数越大代表综合行业内股票配置能力越强，越小代表能力越弱。下面列举了十条当前基金经理在管期间，AA得分在同期基金中排名靠前的基金。 为了分析基金经理的综合行业内选股能力，我们同样对其所有管理记录的AA分位数用管理时间进行加权，作为最终指标。下面展示了10名行业内综合选股能力较高的基金经理。 稳健性检验：分组阈值为5%时超额收益较高，规模加权组合优于等权组合 为更加全面地评价该指标体系，我们在本部分进行稳健性检验，观察当改变Top组和Bottom组的划分阈值以及模拟组合加权方式时，AA指标的回测结果是否会发生变化。 我们对组合阈值和加权方式进行调整，不同参数设定下，AA指标Top组、Bottom组和Top-Bottom多空组合的回测结果如下图表所示。 可以发现，在相同阈值下，规模加权组合的表现优于平均加权的组合，或可说明行业内选股能力较强的基金经理所管理的基金，其历史业绩较为出色、更受市场认可，认可程度也在一定程度上反映在了基金规模中，导致基金规模较大的基金，其行业内选股能力也更强。而在规模加权组合的回测结果中，以5%作为分组阈值的策略，Top组收益率和超额收益都高于其他阈值，相对Bottom组能够获得13.30%的年化超额收益；等权组合的Top组相对Bottom组则能够获得9.34%的年化超额收益。整体来看，AA指标具备较强的选基能力。 风险提示 1、 模型根据历史规律总结，历史规律可能失效。 2、 本报告不涉及证券投资基金评价，不涉及对具体基金产品的投资建议，亦不涉及对具体个股的投资建议。 3、 本报告内容仅供参考，投资者应结合自身风险偏好及风险承受能力，充分考虑指数编制规则、样本股变化、基金管理人的投资风格、投资策略、资产配置情况等各种因素可能对基金产品业绩产生的影响。 4、 投资者需特别关注指数编制公司、基金公司等官方披露的信息。 免责声明与评级声明 公众平台免责声明 本公众平台不是华泰证券股份有限公司（以下简称“华泰证券”）研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求，本公众号内容仅面向华泰证券客户中的专业投资者，请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者，请取消关注本公众号，不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限，若给您造成不便，烦请谅解！本公众号旨在沟通研究信息，交流研究经验，华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。 本公众号研究报告有关内容摘编自已经发布的研究报告的，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。如需了解详细内容，请具体参见华泰证券所发布的完整版报告。 本公众号内容基于作者认为可靠的、已公开的信息编制，但作者对该等信息的准确性及完整性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。 在任何情况下，本公众号中的信息或所表述的意见均不构成对客户私人投资建议。订阅人不应单独依靠本订阅号中的信息而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。普通投资者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。 本公众号版权仅为华泰证券股份有限公司所有，未经公司书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。本公司具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。 林晓明 执业证书编号：S0570516010001 华泰金工深度报告一览 金融周期系列研究（资产配置） 【华泰金工林晓明团队】2020年中国市场量化资产配置年度观点——周期归来、机会重生，顾短也兼长20200121 【华泰金工林晓明团队】量化资产配置2020年度观点——小周期争明日，大周期赢未来20200116 【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法 【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增，待趋势明朗把握或更大20191022 【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826 【华泰金工林晓明团队】如何有效判断真正的周期拐点？——定量测度实际周期长度提升市场拐点判准概率 【华泰金工林晓明团队】基钦周期的长度会缩短吗？——20190506 【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（下） 【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（上） 【华泰金工林晓明团队】周期轮动下的BL资产配置策略 【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究 【华泰金工林晓明团队】市场拐点的判断方法 【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告（上） 【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（四）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（三）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（二）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（一）——华泰金工周期系列研究 【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索 【华泰金工林晓明团队】市场周期的量化分解 【华泰金工林晓明团队】周期研究对大类资产的预测观点 【华泰金工林晓明团队】金融经济系统周期的确定（下）——华泰金工周期系列研究 【华泰金工林晓明团队】金融经济系统周期的确定（上）——华泰金工周期系列研究 【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列 行业指数频谱分析及配置模型：市场的周期分析系列之三 【华泰金工林晓明团队】市场的频率——市场轮回，周期重生 【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探 周期起源 【华泰金工林晓明团队】金融经济周期的耗散结构观——华泰周期起源系列研究之十 【华泰金工林晓明团队】经济系统中有序市场结构的进化——华泰周期起源系列研究报告之九 【华泰金工林晓明团队】企业间力的产生、传播和作用效果——华泰周期起源系列研究之八 【华泰金工林晓明团队】耦合振子同步的藏本模型——华泰周期起源系列研究之七 【华泰金工林晓明团队】周期在供应链管理模型的实证——华泰周期起源系列研究之六 【华泰金工林晓明团队】不确定性与缓冲机制——华泰周期起源系列研究报告之五 【华泰金工林晓明团队】周期是矛盾双方稳定共存的结果——华泰周期起源系列研究之四 【华泰金工林晓明团队】周期是不确定性条件下的稳态——华泰周期起源系列研究之三 【华泰金工林晓明团队】周期趋同现象的动力学系统模型——华泰周期起源系列研究之二 【华泰金工林晓明团队】从微观同步到宏观周期——华泰周期起源系列研究报告之一 FOF与金融创新产品 【华泰金工林晓明团队】养老目标基金的中国市场开发流程--目标日期基金与目标风险基金产品设计研究 【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一 因子周期（因子择时） 【华泰金工林晓明团队】市值因子收益与经济结构的关系——华泰因子周期研究系列之三 【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二 【华泰金工林晓明团队】因子收益率的周期性研究初探 择时 【华泰金工林晓明团队】波动率与换手率构造牛熊指标——华泰金工量化择时系列 【华泰金工林晓明团队】A股市场低开现象研究 【华泰金工林晓明团队】华泰风险收益一致性择时模型 【华泰金工林晓明团队】技术指标与周期量价择时模型的结合 【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用 中观基本面轮动 【华泰金工林晓明团队】行业配置落地：绝对收益型ETF轮动策略——华泰中观基本面轮动系列之十八 【华泰金工林晓明团队】行业配置策略：资金流向视角——华泰中观基本面轮动系列之十七 【华泰金工林晓明团队】行业配置策略：投资时钟视角——华泰中观基本面轮动系列之十六 【华泰金工林晓明团队】行业配置落地：科技主题基金筛选——华泰中观基本面轮动系列之十五 【华泰金工林晓明团队】行业配置落地：消费主题基金筛选——华泰中观基本面轮动系列之十四 【华泰金工林晓明团队】行业配置策略：机构调研视角——华泰中观基本面轮动系列之十三 【华泰金工林晓明团队】行业配置落地：医药主题基金筛选——华泰中观基本面轮动系列之十二 【华泰金工林晓明团队】行业配置落地：指数增强篇(2)——华泰中观基本面轮动系列之十一 【华泰金工林晓明团队】行业配置落地：指数增强篇——华泰中观基本面轮动系列之十 【华泰金工林晓明团队】行业配置策略：拥挤度视角——华泰中观基本面轮动系列之九 【华泰金工林晓明团队】行业配置策略：景气度视角——华泰中观基本面轮动系列之八 【华泰金工林晓明团队】行业配置策略：趋势追踪视角——华泰中观基本面轮动系列之七 【华泰金工林晓明团队】行业配置策略：宏观因子视角——华泰中观基本面轮动系列之六 【华泰金工林晓明团队】行业全景画像：投入产出表视角——华泰中观基本面轮动系列之五 【华泰金工林晓明团队】行业全景画像：改进杜邦拆解视角——华泰中观基本面轮动系列之四 【华泰金工林晓明团队】行业全景画像：风格因子视角 ——华泰中观基本面轮动系列之三 【华泰金工林晓明团队】行业全景画像：宏观因子视角 ——华泰中观基本面轮动系列之二 【华泰金工林晓明团队】确立研究对象：行业拆分与聚类——华泰中观基本面轮动系列之一 行业轮动 【华泰金工林晓明团队】不同协方差估计方法对比分析（二）——华泰行业轮动系列报告之十三 【华泰金工林晓明团队】拥挤度指标在行业配置中的应用——华泰行业轮动系列报告之十二 【华泰金工林晓明团队】基于投入产出表的产业链分析 ——华泰行业轮动系列报告之十一 【华泰金工林晓明团队】不同协方差估计方法对比分析——华泰行业轮动系列报告之十 【华泰金工林晓明团队】景气度指标在行业配置中的应用——华泰行业轮动系列报告之九 【华泰金工林晓明团队】再探周期视角下的资产轮动——华泰行业轮动系列报告之八 【华泰金工林晓明团队】“华泰周期轮动”基金组合改进版——华泰行业轮动系列报告之七 【华泰金工林晓明团队】“华泰周期轮动”基金组合构建——华泰行业轮动系列之六 【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五 【华泰金工林晓明团队】动量增强因子在行业配置中的应用——华泰行业轮动系列报告之四 【华泰金工林晓明团队】财务质量因子在行业配置中的应用——华泰行业轮动系列报告之三 【华泰金工林晓明团队】周期视角下的行业轮动实证分析——华泰行业轮动系列之二 【华泰金工林晓明团队】基于通用回归模型的行业轮动策略——华泰行业轮动系列之一 Smartbeta 【华泰金工林晓明团队】重剑无锋：低波动 Smart Beta——华泰 Smart Beta 系列之四 【华泰金工林晓明团队】投资优质股票：红利类Smart Beta——华泰Smart Beta系列之三 【华泰金工林晓明团队】博观约取：价值和成长Smart Beta——华泰Smart Beta系列之二 【华泰金工林晓明团队】Smart Beta：乘风破浪趁此时——华泰Smart Beta系列之一 【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一 多因子选股 【华泰金工林晓明团队】华泰单因子测试之历史分位数因子——华泰多因子系列之十三 【华泰金工林晓明团队】桑土之防：结构化多因子风险模型——华泰多因子系列之十二 【华泰金工林晓明团队】华泰单因子测试之海量技术因子——华泰多因子系列之十一 【华泰金工林晓明团队】因子合成方法实证分析 ——华泰多因子系列之十 【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九 【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八 【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七 【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六 【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五 【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四 【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三 【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二 【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一 【华泰金工林晓明团队】五因子模型A股实证研究 【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二 人工智能 【华泰金工林晓明团队】新闻舆情分析的HAN网络选股——华泰人工智能系列之五十六 【华泰金工林晓明团队】图神经网络选股的进阶之路——华泰人工智能系列之五十五 【华泰金工林晓明团队】基于遗传规划的一致预期因子挖掘——华泰人工智能系列之五十四 【华泰金工林晓明团队】揭秘微软AI量化研究——华泰人工智能系列之五十三 【华泰金工林晓明团队】神经网络组合优化初探——华泰人工智能系列之五十二 【华泰金工林晓明团队】文本PEAD选股策略——华泰人工智能系列之五十一 【华泰金工林晓明团队】再探cGAN资产配置——华泰人工智能系列之五十 【华泰金工林晓明团队】SinGAN 单样本生成——人工智能系列之四十九 【华泰金工林晓明团队】对抗过拟合：cGAN应用于策略调参——人工智能系列之四十八 【华泰金工林晓明团队】cGAN模拟宏观指标——人工智能系列之四十七 【华泰金工林晓明团队】AlphaNet改进：结构和损失函数——华泰人工智能系列之四十六 【华泰金工林晓明团队】cGAN应用于资产配置——华泰人工智能系列之四十五 【华泰金工林晓明团队】深度卷积GAN实证——华泰人工智能系列之四十四 【华泰金工林晓明团队】因子观点融入机器学习——华泰人工智能系列之四十三 【华泰金工林晓明团队】图神经网络选股与Qlib实践——华泰人工智能系列之四十二 【华泰金工林晓明团队】基于BERT的分析师研报情感因子——华泰人工智能系列之四十一 【华泰金工林晓明团队】微软AI量化投资平台Qlib体验——华泰人工智能系列之四十 【华泰金工林晓明团队】周频量价选股模型的组合优化实证——华泰人工智能系列之三十九 【华泰金工林晓明团队】WGAN生成：从单资产到多资产——华泰人工智能系列之三十八 【华泰金工林晓明团队】舆情因子和BERT情感分类模型——华泰人工智能系列之三十七 【华泰金工林晓明团队】相对生成对抗网络RGAN实证——华泰人工智能系列之三十六 【华泰金工林晓明团队】WGAN应用于金融时间序列生成——华泰人工智能系列之三十五 【华泰金工林晓明团队】再探AlphaNet：结构和特征优化——华泰人工智能系列之三十四 【华泰金工林晓明团队】数据模式探索：无监督学习案例——华泰人工智能系列之三十三 【华泰金工林晓明团队】AlphaNet：因子挖掘神经网络——华泰人工智能系列之三十二 【华泰金工林晓明团队】生成对抗网络GAN初探——华泰人工智能系列之三十一 【华泰金工林晓明团队】从关联到逻辑：因果推断初探——华泰人工智能系列之三十 【华泰金工林晓明团队】另类标签和集成学习——华泰人工智能系列之二十九 【华泰金工林晓明团队】基于量价的人工智能选股体系概览——华泰人工智能系列之二十八 【华泰金工林晓明团队】揭开机器学习模型的“黑箱” ——华泰人工智能系列之二十七 【华泰金工林晓明团队】遗传规划在CTA信号挖掘中的应用——华泰人工智能系列之二十六 【华泰金工林晓明团队】市场弱有效性检验与择时战场选择——华泰人工智能系列之二十五 【华泰金工林晓明团队】投石问路：技术分析可靠否？——华泰人工智能系列之二十四 【华泰金工林晓明团队】再探基于遗传规划的选股因子挖掘——华泰人工智能系列之二十三 【华泰金工林晓明团队】基于CSCV框架的回测过拟合概率——华泰人工智能系列之二十二 【华泰金工林晓明团队】基于遗传规划的选股因子挖掘——华泰人工智能系列之二十一 【华泰金工林晓明团队】必然中的偶然：机器学习中的随机数——华泰人工智能系列之二十 【华泰金工林晓明团队】偶然中的必然：重采样技术检验过拟合——华泰人工智能系列之十九 【华泰金工林晓明团队】机器学习选股模型的调仓频率实证——华泰人工智能系列之十八 【华泰金工林晓明团队】人工智能选股之数据标注方法实证——华泰人工智能系列之十七 【华泰金工林晓明团队】再论时序交叉验证对抗过拟合——华泰人工智能系列之十六 【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五 【华泰金工林晓明团队】对抗过拟合：从时序交叉验证谈起 【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三 【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二 【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一 【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十 【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九 【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八 【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七 【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六 【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五 【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四 【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三 【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二 指数增强基金分析 【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告 【华泰金工林晓明团队】酌古御今：指数增强基金收益分析 【华泰金工林晓明团队】基于回归法的基金持股仓位测算 【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证 基本面选股 【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究 【华泰金工林晓明团队】华泰价值选股之FFScore模型 【华泰金工林晓明团队】相对市盈率选股模型A股市场实证研究 【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究 【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究 【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究 财务质量 【华泰金工林晓明团队】财务质量分析体系初探-财务质量系列研究之一 【华泰金工林晓明团队】财报附注中隐藏的财务风险-财务质量系列研究之二 基金定投 【华泰金工林晓明团队】大成旗下基金2018定投策略研究 【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四 【华泰金工林晓明团队】基金定投3—马科维茨有效性检验 【华泰金工林晓明团队】基金定投2—投资标的与时机的选择方法 【华泰金工林晓明团队】基金定投1—分析方法与理论基础 基金评价 【华泰金工林晓明团队】基金评价及筛选全流程研究框架——股票型与债券型基金多种维度定量与定性评价法 【华泰金工林晓明团队】基金选股择时能力的定量分析法——我国公募基金大多具有较强选股能力 【华泰金工林晓明团队】基金业绩持续性的规律与策略构建——采用有效影响因子筛选出持续性较好的绩优基金 ETF季度盘点 【华泰金工林晓明团队】2021Q2中国ETF市场盘点回顾 【华泰金工林晓明团队】2021Q1中国ETF市场盘点回顾 【华泰金工林晓明团队】2020Q4中国ETF市场全景回顾——总规模创新高，行业主题类ETF渐成市场新主角20210112 【华泰金工林晓明团队】2020年三季度中国ETF市场回顾——产品百花齐放、投资者结构日渐成熟，规模创新高20201021 【华泰金工林晓明团队】ETF产品细分差异化或成突围之道——2020二季度中国ETF市场全景回顾盘点与展望20200803 【华泰金工林晓明团队】ETF规模数量大涨品类不断丰富——2020一季度中国ETF市场全景回顾盘点 其它 【华泰金工林晓明团队】A股市场及行业的农历月份效应——月份效应之二 A股市场及行业的月份效应——详解历史数据中的隐藏法则

点此查看微信公众号原文全部内容>>

大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）