基于Lasso回歸的風(fēng)格識別模型

1、 HYPERLINK / 敬請閱讀末頁的重要說明正文目錄 HYPERLINK l _bookmark0 一、風(fēng)格識別方法概述4 HYPERLINK l _bookmark1 二、Sharpe 模型5 HYPERLINK l _bookmark4 三、風(fēng)格因子體系7 HYPERLINK l _bookmark5 1、Lasso 回歸解決多重共線性7 HYPERLINK l _bookmark10 2、構(gòu)建股債綜合多因子體系8 HYPERLINK l _bookmark15 3、構(gòu)建SDS 指標(biāo)判斷風(fēng)格穩(wěn)定性11 HYPERLINK l _bookmark16 四、資產(chǎn)配置風(fēng)格識別11 HYPER

2、LINK l _bookmark17 1、構(gòu)建風(fēng)格指數(shù)11 HYPERLINK l _bookmark20 2、添加約束條件12 HYPERLINK l _bookmark23 3、模型選擇14 HYPERLINK l _bookmark25 五、模型應(yīng)用15 HYPERLINK l _bookmark26 1、案例分析15 HYPERLINK l _bookmark35 2、市場分析18 HYPERLINK l _bookmark43 六、總結(jié)21圖表目錄 HYPERLINK l _bookmark2 圖 1、巨潮風(fēng)格指數(shù)相關(guān)系數(shù)熱力圖6 HYPERLINK l _bookmark6 圖 2

3、、L1 懲罰項最優(yōu)解示意圖7 HYPERLINK l _bookmark7 圖 3、L2 懲罰項最優(yōu)解示意圖7 HYPERLINK l _bookmark8 圖 4、模型參數(shù)數(shù)量對比8 HYPERLINK l _bookmark9 圖 5、不同懲罰參數(shù)的 Lasso 模型結(jié)果8 HYPERLINK l _bookmark12 圖 6、股票因子相關(guān)性9 HYPERLINK l _bookmark13 圖 7、因子多頭組合業(yè)績走勢10 HYPERLINK l _bookmark14 圖 8、行業(yè)指數(shù)走勢10 HYPERLINK l _bookmark19 圖 9、風(fēng)格指數(shù)走勢12 HYPERLIN

4、K l _bookmark21 圖 10、開放式基金 2016 年-2018 年平均倉位（%）13 HYPERLINK l _bookmark27 圖 11、某股票型基金：資產(chǎn)配置/基金資產(chǎn)總值（%）15 HYPERLINK l _bookmark28 圖 12、某股票型基金：持有指數(shù)成分股的倉位占比（%）15 HYPERLINK l _bookmark29 圖 13、某股票型基金因子暴露度15 HYPERLINK l _bookmark30 圖 14、某股票型基金資產(chǎn)風(fēng)格識別（%）16 HYPERLINK l _bookmark31 圖 15、某債券型基金：資產(chǎn)配置/基金資產(chǎn)總值16 HYP

5、ERLINK l _bookmark32 圖 16、某債券型基金：券種配置/基金資產(chǎn)總值16 HYPERLINK l _bookmark33 圖 17、某債券型基金：股票資產(chǎn)配置風(fēng)格識別17 HYPERLINK l _bookmark34 圖 18、某債券型基金因子暴露度17 HYPERLINK l _bookmark36 圖 19、基金近 3 年風(fēng)格配置18 HYPERLINK l _bookmark37 圖 20、基金近 3 年Alpha 分布19 HYPERLINK l _bookmark38 圖 21、基金近 3 年Alpha 及基金業(yè)績19 HYPERLINK / 敬請閱讀末頁的重要

6、說明 HYPERLINK l _bookmark39 圖 22、因子暴露度：平均情況及績優(yōu)基金19 HYPERLINK l _bookmark40 圖 23、因子相對暴露度：平均情況及績優(yōu)基金19 HYPERLINK l _bookmark3 表 1、巨潮風(fēng)格指數(shù)相關(guān)系數(shù)6 HYPERLINK l _bookmark11 表 2、因子框架9 HYPERLINK l _bookmark18 表 3、風(fēng)格指數(shù)11 HYPERLINK l _bookmark22 表 4、開放式基金 2016 年-2018 年平均倉位（%）13 HYPERLINK l _bookmark24 表 5、模型誤差對比14

7、 HYPERLINK l _bookmark41 表 6、Alpha 及業(yè)績均排名前 30 的基金19 HYPERLINK l _bookmark42 表 7、風(fēng)格穩(wěn)定性較高的部分基金20 HYPERLINK / 敬請閱讀末頁的重要說明一、風(fēng)格識別方法概述風(fēng)格識別方法可劃分為基于收益的風(fēng)格識別方法（RBSA，Return Based Style Analysis） 和基于持倉的風(fēng)格識別方法（PBSA，Portfolio Based Style Analysis）。兩者各有優(yōu)劣， PBSA 的準(zhǔn)確性取決于組合實際持倉所得的頻率，以公募基金為例，公募基金僅每季度披露前十大重倉、中報及年報披露全部持

8、倉，如選擇 PBSA，則分析只能以半年度為周期，分析的時效性欠佳。另外，公募基金半年報披露時間為上半年結(jié)束的 60 日內(nèi)，年報披露時間為每年結(jié)束之日起 90 日內(nèi)，持倉數(shù)據(jù)顯然存在時間滯后性。從國內(nèi)基金管理現(xiàn)狀來看，基金存續(xù)期短、基金經(jīng)理更換較頻繁導(dǎo)致在某基金經(jīng)理任期內(nèi)的實際持倉披露次數(shù)較少，部分基金可能存在報告期內(nèi)風(fēng)格輪動行為，故僅用 PBSA 無法準(zhǔn)確對基金風(fēng)格進(jìn)行判斷。RBSA 僅依據(jù)凈值收益來展開分析，損失了每半年披露的所有持倉信息，也可能導(dǎo)致分析結(jié)果不夠準(zhǔn)確，但由于凈值數(shù)據(jù)最短可到日頻，故分析的時效性較強(qiáng)，且可以發(fā)現(xiàn)報告期內(nèi)的是否存在風(fēng)格輪動或風(fēng)格漂移現(xiàn)象。PBSA 中比較有代表性的

9、有晨星投資風(fēng)格箱方法以及Barra 模型。晨星投資風(fēng)格箱方法創(chuàng)立于 1992 年，該方法以投資組合持有的股票市值為基礎(chǔ)，把股票的規(guī)模風(fēng)格定義為大盤、中盤和小盤；以股票價值-成長特性為基礎(chǔ)，把組合定義為價值型、平衡型和成長型，得到 3*3 的風(fēng)格矩陣。Barra 模型主要基于多因子模型，Barra（CNE5）模型中共劃分了十大風(fēng)格因子，分別為市場收益、價值、盈利性、成長、財務(wù)杠桿、流動性、動量、非線性市值（中盤）、市值和波動性因子，通過組合在各大風(fēng)格上的暴露來考察投資組合的風(fēng)格偏向。2018 年 8 月 Barra 更新了模型（CNE6），增加了質(zhì)量、情緒和分紅因子，并對非線性市值和市值因子進(jìn)行

10、了合并?；谑找娴娘L(fēng)格識別方法的經(jīng)典模型是 Sharpe (1992) 提出的資產(chǎn)類別因子模型(Asset Class Factor Model)，其本質(zhì)是根據(jù)投資組合收益與風(fēng)格資產(chǎn)收益之間的相關(guān)性來劃分風(fēng)格，該模型采用線性規(guī)劃的方式獲得估計參數(shù)，參數(shù)對標(biāo)投資組合在各風(fēng)格資產(chǎn)的配置比例，易于理解與解釋，但該方法沒有解決各風(fēng)格資產(chǎn)之間的共線性問題。模型具體細(xì)節(jié)我們會在下一章進(jìn)一步闡述。目前市場上的基于收益的風(fēng)格識別方法的核心均是多因子模型，進(jìn)一步可以劃分為以風(fēng)格資產(chǎn)收益率和以因子收益率為解釋變量，不同點(diǎn)主要在于風(fēng)格資產(chǎn)和因子的選擇上。一般來說，針對不同類型的投資組合，模型選擇的解釋變量也大不相同

11、，偏股型的解釋變量主要集中于市值、價值/成長、行業(yè)等相關(guān)因子或指數(shù)，偏債型的解釋變量主要集中于券種、久期和杠桿等相關(guān)因子或指數(shù)。本文我們主要討論基于收益的風(fēng)格識別方法，即 RBSA。文章第一部分論述了經(jīng)典的Sharpe 模型構(gòu)建方式；第二部分主要討論如何改進(jìn) Sharpe 模型，構(gòu)建綜合多因子體系；第三部分主要討論組合在風(fēng)格資產(chǎn)配置方面的配置比例及偏好；第四部分主要探討模型的應(yīng)用，以公募基金為例，分析市場風(fēng)格偏好。 HYPERLINK / 敬請閱讀末頁的重要說明二、Sharpe 模型經(jīng)典Sharpe 模型的核心框架是多因子模型，但該模型的解釋變量采用的是風(fēng)格資產(chǎn)收益率而非因子收益率。模型的參數(shù)

12、估計方法結(jié)合了線性規(guī)劃和普通最小二乘法的思想， 針對無法做空的市場，模型的形式如下： 2=1. . = 10% 100%2 = 1 ()()其中是投資組合的收益率時序矩陣，代表風(fēng)格資產(chǎn) j 的收益率時序矩陣，代表投資組合對風(fēng)格資產(chǎn) j 的暴露度，為模型無法解釋的部分，認(rèn)為是投資組合的 alpha 收益，可以通過模型的 R 方來輔助判斷。Sharpe 模型認(rèn)為，風(fēng)格資產(chǎn)的篩選標(biāo)準(zhǔn)是每個資產(chǎn)組合的成分股不重合，資產(chǎn)組合涵蓋的標(biāo)的比較全面，每個資產(chǎn)組合的收益具有區(qū)分度。在這些限制條件下，模型選擇了12 個資產(chǎn)組合作為代表，分別為短期國庫券、中期政府債券、長期政府債券、企業(yè)債券、抵押證券指數(shù)、非美國債

13、券、大盤價值股、大盤成長股、中盤股、小盤股、歐洲股票、日本股票相關(guān)的指數(shù)?；赟harpe 模型的分析框架，一般可采用寬基指數(shù)和行業(yè)指數(shù)分別對組合的配置偏好展開分析。目前市場上使用較多的績效分析系統(tǒng)的風(fēng)格分析普遍采用的是巨潮大盤成長指數(shù)、巨潮大盤價值指數(shù)、巨潮中盤成長指數(shù)、巨潮中盤價值指數(shù)、巨潮小盤成長指數(shù)、巨潮小盤價值指數(shù)。巨潮規(guī)模指數(shù)的核心指標(biāo)是半年日均總市值，其樣本池為 1000 只個股，其中前 200 名構(gòu)成巨潮大盤指數(shù)，第 201-500 名構(gòu)成巨潮中盤指數(shù)，第 501-1000 名構(gòu)成巨潮小盤指數(shù)。進(jìn)一步，在各類規(guī)模指數(shù)的成份股中，以主營業(yè)務(wù)收入增長率、凈利潤增長率和凈資產(chǎn)收益率作

14、為變量計算成長因子，以每股收益與價格比率、每股經(jīng)營現(xiàn)金流與價格比率、股息收益率和每股凈資產(chǎn)與價格比率作為變量計算價值因子，分別計算成長得分和價值得分，獲得大盤成長和大盤價值、中盤成長和中盤價值、小盤成長和小盤價值的成份股，大盤、中盤和小盤的風(fēng)格指數(shù)成份股數(shù)量分別為 66 只、100 只和 166 只。該模型對組合的風(fēng)格方向有一定的輔助判斷作用，但準(zhǔn)確性有待加強(qiáng)，其主要問題為：指數(shù)相關(guān)性高。我們計算 2010 年至 2019 年 6 月期間巨潮風(fēng)格指數(shù)走勢的相關(guān)性，可以發(fā)現(xiàn)中小盤指數(shù)之間的相關(guān)性極高，小盤價值、小盤成長、中盤成長和中盤價值之間的相關(guān)性高達(dá) 0.9 以上。高相關(guān)性對模型的準(zhǔn)確性存在

15、一定的影響?？蛇x指數(shù)范圍有限。目前市場上現(xiàn)存指數(shù)中，單因子風(fēng)格指數(shù)數(shù)量較少，可以統(tǒng)一作為歸因體系基準(zhǔn)的僅價值、成長及市值方面的指數(shù)，且指數(shù)選股范圍和 HYPERLINK / 敬請閱讀末頁的重要說明選股標(biāo)準(zhǔn)不一定滿足需求。缺少債券歸因框架。單純以中證全債作為組合在債券方面的配置，無法進(jìn)一步剖析組合在債券久期和種類等方面的配置偏好，導(dǎo)致該歸因模型的適用性比較局限在股票組合上。針對以上 3 個問題，我們對模型進(jìn)行了進(jìn)一步改進(jìn)。圖 1、巨潮風(fēng)格指數(shù)相關(guān)系數(shù)熱力圖資料來源：Wind 資訊，招商證券表 1、巨潮風(fēng)格指數(shù)相關(guān)系數(shù)小盤價值小盤成長中盤成長中盤價值大盤價值大盤成長小盤價值1.00小盤成長0.96

16、1.00中盤成長0.960.971.00中盤價值0.970.920.941.00大盤價值0.680.600.670.761.00大盤成長0.820.790.840.870.921.00資料來源：Wind 資訊，招商證券三、風(fēng)格因子體系1、Lasso 回歸解決多重共線性Lasso 回歸可解決多重共線性問題，Sharpe 模型可看成 Lasso 模型的特殊形式。根據(jù)前述的分析，我們可以發(fā)現(xiàn)部分風(fēng)格資產(chǎn)的收益率高度相關(guān)，模型存在多重共線性 問題。針對多重共線性的問題，可以直接減少變量數(shù)量或者改變變量形式來減少重復(fù)信 息，或者通過主成分、聚類分析對變量進(jìn)行降維處理。單純減少變量往往無法準(zhǔn)確判斷 對哪些

17、變量進(jìn)行刪減，主成分分析和聚類分析降維的方式會導(dǎo)致模型最終的解釋性較差， 而采用正則化的線性回歸可以對模型參數(shù)進(jìn)行限制或者規(guī)范化，通過特征選擇（Feature Selection）的方式解決多重共線性的問題。嶺回歸（Ridge Regression），Lasso 回歸 和彈性網(wǎng)絡(luò)（Elastic Net）是常用的方法，其中彈性網(wǎng)絡(luò)實際上是結(jié)合了嶺回歸和 Lasso 的特點(diǎn)。嶺回歸、Lasso 回歸和彈性網(wǎng)絡(luò)的核心區(qū)別主要在于估計函數(shù)的懲罰項的選擇。嶺回歸采用的是 L2 懲罰項，Lasso 回歸采用的是 L1 懲罰項，彈性網(wǎng)絡(luò)同時考慮了 L1 和 L2 懲罰項。嶺回歸可以將參數(shù)估計值向 0 收縮

18、，但對于任何調(diào)優(yōu)后的參數(shù)值，它都無法將某些參數(shù)值變?yōu)閲?yán)格的 0，而 Lasso 回歸更容易獲得稀疏解，嶺回歸、Lasso 回歸是彈性網(wǎng)絡(luò)的特殊形式。如下圖所示，我們以二維的情況為例，在最小化成本與懲罰的目標(biāo)函數(shù)下，L2 懲罰項的最優(yōu)解可以使部分參數(shù)接近于 0，而 L1 懲罰項可以使參數(shù)等于 0。風(fēng)格識別模型的核心目的是分析投資組合的主要風(fēng)格偏好，故我們認(rèn)為 Lasso 回歸的方式更適用。圖 2、L1 懲罰項最優(yōu)解示意圖圖 3、L2 懲罰項最優(yōu)解示意圖資料來源：Wind 資訊，招商證券資料來源：Wind 資訊，招商證券Lasso 回歸的估計函數(shù)為( )2 + |，Lasso 模型的解等價于求有約

19、束條件的線性規(guī)劃：=1 HYPERLINK / 敬請閱讀末頁的重要說明 2=1. . 對比前述 Sharpe 模型，我們可以發(fā)現(xiàn)，Sharpe 模型可近似看成是 Lasso 模型的某種特殊形式，在同等約束條件下，懲罰參數(shù)在一定范圍內(nèi)的 Lasso 模型的結(jié)果與Sharpe 模型是相同的。但在懲罰參數(shù)較大的情況下，Lasso 模型得到的參數(shù)個數(shù)較少，通過調(diào) HYPERLINK / 敬請閱讀末頁的重要說明整模型的，我們可以找到模型的最優(yōu)稀疏解，這對于我們識別基金主要風(fēng)格識有利的。 Lasso 模型的篩選核心在于的設(shè)定，一般可以通過赤池信息準(zhǔn)則（Akaike Information Criterio

20、n，AIC）和貝葉斯信息準(zhǔn)則（Bayesian Information Criterion，BIC）和交叉驗證（Cross Validation）的方式進(jìn)行模型選擇來獲得。AIC 和 BIC 均是基于似然函數(shù)的準(zhǔn)則進(jìn)行模型選擇，核心是在模型復(fù)雜度與模型對數(shù)據(jù)集描述能力（即似然函數(shù)）之間尋求最佳平衡。本文我們主要參考AIC 準(zhǔn)則來選擇懲罰參數(shù)。圖 4、模型參數(shù)數(shù)量對比圖 5、不同懲罰參數(shù)的 Lasso 模型結(jié)果資料來源：Wind 資訊，招商證券資料來源：Wind 資訊，招商證券2、構(gòu)建股債綜合多因子體系在因子模型方面，比較常用的是 CAPM 模型、Fama-French 三（五）因素模型，Gru

21、ber、 Carhart 四因素模型等。Fama-French 三因素模型是在CAPM 的框架基礎(chǔ)上，考慮了 3 個因子，分別是市場資產(chǎn)組合、市值因子(SMB)、賬面市值比因子(HML)，即考慮了市場收益、市值、價值與成長因素對投資組合回報的影響。Fama-French 五因素模型是在 FF3 的基礎(chǔ)上增加了盈利能力因子和投資模式因子。Gruber 四因素模型是在FF3 的基礎(chǔ)上增加了債券收益率因子，Carhart 四因素模型是在 FF3 的基礎(chǔ)上增加了動量因子。借鑒前述的經(jīng)典模型及Barra 風(fēng)險因子體系，選擇市場關(guān)注度較高的風(fēng)格因子，我們構(gòu)建了以下歸因體系，其中股票體系中包含市場收益因子、

22、市值因子、價值因子、成長因子、質(zhì)量因子、動量因子及行業(yè)因子，債券體系中考慮利率水平因子，利率期限因子， 信用因子。市場收益因子、市值因子、價值因子、成長因子、質(zhì)量因子、動量因子的多頭分別表示高 beta、大市值、低估值、高成長性、高盈利質(zhì)量和高收益的組合。構(gòu)建股票因子時，以調(diào)倉當(dāng)日處于交易狀態(tài)的 A 股作為股票池，市場收益因子、市值因子、價值因子、動量因子采用月度頻率數(shù)據(jù)，成長和質(zhì)量因子采用季頻數(shù)據(jù)，因子的收益率采用流通市值加權(quán)。關(guān)于不同行業(yè)的風(fēng)格因子暴露的差異是風(fēng)格因子本身還是該行業(yè)因子的特性之一的爭論沒有明確的答案。我們可以看到不同行業(yè)確實在風(fēng)格上有比較明顯的偏好，如銀行行業(yè)和價值因子，計

23、算機(jī)行業(yè)和成長因子。本文重點(diǎn)關(guān)注風(fēng)格識別，分析組合對不同因子的暴露度，判斷該基金的業(yè)績主要影響因素，采用非風(fēng)格中性化的行業(yè)因子可能導(dǎo)致對模型的參數(shù)大部分集中于行業(yè)因子，導(dǎo)致風(fēng)格分析失效，故文中的行業(yè)因子均已經(jīng)在行業(yè)指數(shù)的基礎(chǔ)上進(jìn)行了風(fēng)格中性化處理。我們采用 wind 行業(yè)指數(shù)作為行業(yè)因子的輸入變量，wind 行業(yè)指數(shù)劃分為能源、材料、工業(yè)、可選消費(fèi)、日常消費(fèi)、醫(yī)療保健、金融、信息技術(shù)、電信服務(wù)、公用事業(yè)和房地產(chǎn) 11 個大行業(yè)，由于電信服務(wù)行業(yè)成份股數(shù)量僅 5 只，故我們剔除電信服務(wù)行業(yè)指數(shù)，僅選用能源、材料、工業(yè)、可選消費(fèi)、日 HYPERLINK / 敬請閱讀末頁的重要說明常消費(fèi)、醫(yī)療保健、

24、金融、信息技術(shù)、公用事業(yè)和房地產(chǎn) 10 個行業(yè)指數(shù)，成分股數(shù)量分別為 78、574、994、620、216、305、104、621、109 和 144 只。我們采用指數(shù)來構(gòu)建債券因子，主要考慮了利率水平因子、利率期限因子和信用因子。利率水平因子采用國債總財富指數(shù)的收益率來構(gòu)建，該因子可以近似理解為久期因子， 久期較大的組合對該因子的暴露較顯著。利率期限因子由長期債券和中短期債券財富指數(shù)收益率構(gòu)建，為了能剝離利率水平因子，該因子的構(gòu)造采用久期中性的方法，通過調(diào)整配置權(quán)重，將多空組合的久期控制為 0。該因子主要反映的是組合在不同期限的配置權(quán)重情況。信用因子由企業(yè)債 AAA 財富指數(shù)和國債總財富指數(shù)

25、來構(gòu)建，多空組合也控制為久期中性，該因子反映的是信用利差對組合的影響。轉(zhuǎn)債本身兼具股性和債性，我們不另外構(gòu)建轉(zhuǎn)債因子，而是通過組合在股票型和債券型因子的暴露來判斷該組合的核心風(fēng)格。我們采用多空方式構(gòu)建因子收益率，統(tǒng)計 2011 年至 2019 年 6 月的因子收益率相關(guān)性， 可以看出成長因子和質(zhì)量因子的相關(guān)系數(shù)為 0.47，顯示高成長性的個股往往具有較高的 ROE 和 ROA。價值因子與市值因子的相關(guān)系數(shù)分別為 0.49，意味著低估值和大市值個股具有一定程度的重合。從這段時間區(qū)間的因子多頭累計收益率來看，成長多頭組合的業(yè)績表現(xiàn)最突出。表 2、因子框架因子名稱因子符號涉及指標(biāo)市場收益Beta個股

26、Beta 值市值因子Size個股總市值和流通市值價值因子Value市盈率 PE、市凈率 PB、股息率成長因子Growth經(jīng)營活動凈收益、毛利率和扣非后凈利潤增長率質(zhì)量因子Quality凈資產(chǎn)收益率、總資產(chǎn)凈利率動量因子Momentum個股月收率，季度收益率和半年度收益率行業(yè)因子行業(yè)名稱行業(yè)指數(shù)利率水平Level國債總財富指數(shù)利率期限Slop長期債券和中短期債券財富指數(shù)信用因子Credit企業(yè)債 AAA 財富指數(shù)和國債總財富指數(shù)資料來源：Wind 資訊，招商證券圖 6、股票因子相關(guān)性資料來源：Wind 資訊，招商證券 HYPERLINK / 敬請閱讀末頁的重要說明圖 7、因子多頭組合業(yè)績走勢be

27、ta價值市值動量成長質(zhì)量滬深300300%250%200%150%100%50%0%2011-1-42012-1-42013-1-42014-1-42015-1-42016-1-42017-1-42018-1-42019-1-4資料來源：Wind 資訊，招商證券圖 8、行業(yè)指數(shù)走勢能源材料工業(yè)可選消費(fèi)日常消費(fèi) 醫(yī)療保健金融信息技術(shù)公用事業(yè)房地產(chǎn)450%400%350%300%250%200%150%100%50%0%2011-01-04 2012-01-04 2013-01-04 2014-01-04 2015-01-04 2016-01-04 2017-01-04 2018-01-04 20

28、19-01-04資料來源：Wind 資訊，招商證券 HYPERLINK / 敬請閱讀末頁的重要說明3、構(gòu)建 SDS 指標(biāo)判斷風(fēng)格穩(wěn)定性基于模型識別組合風(fēng)格偏好后，進(jìn)一步，我們可以根據(jù)模型參數(shù)對組合的風(fēng)格漂移情況進(jìn)行量化，Idzorek & Bertsch (2004)中定義了 SDS（The Style Drift Score）衡量風(fēng)格漂移情況。SDS 的定義如下，其中為風(fēng)格暴露參數(shù)的標(biāo)準(zhǔn)差。通過 SDS 我們可以對組合在一定時間對的風(fēng)格漂移程度有所了解。 = 2四、資產(chǎn)配置風(fēng)格識別1、構(gòu)建風(fēng)格指數(shù)前述因子構(gòu)建主要采用多空方式構(gòu)建，除了因子暴露外，我們還重點(diǎn)關(guān)注組合對不同風(fēng)格資產(chǎn)的配置比例，因

29、此可采用因子多頭來編制對應(yīng)的指數(shù)作為資產(chǎn)配置風(fēng)格識別的基礎(chǔ)。風(fēng)格指數(shù)：構(gòu)建股票因子時，以調(diào)倉當(dāng)日處于交易狀態(tài)的 A 股作為股票池，調(diào)倉頻率采用季度，根據(jù)市值因子得分將市值劃分為大盤、中盤和小盤股票池。其中，市值得分前1/10 的個股劃分為大盤股，市值得分前 1/10 至 2/10 的個股劃分為中盤，市值得分在2/10 之后的個股劃分為小盤股。按最新的個股數(shù)量約 3500 只來計算，則大盤股和中盤股個數(shù)都是 350 只左右，小盤股為剩余的 2800 只。進(jìn)一步，在這三個股票池中，基于成長得分和價值得分，來篩選成長指數(shù)和價值指數(shù)。市值因子主要依據(jù)個股總市值和流通市值兩個指標(biāo)，成長因子涉及指標(biāo)為經(jīng)營

30、活動凈收益、毛利率和扣非后凈利潤增長率， 價值因子涉及指標(biāo)為市盈率 PE、市凈率 PB、股息率。和巨潮風(fēng)格指數(shù)僅覆蓋前 1000 只個股不同的是，我們編制的樣本池將所有 A 股均納入統(tǒng)計，力求能更準(zhǔn)確衡量市場風(fēng)格收益變化?？紤]到部分基金可能配置可轉(zhuǎn)債，可轉(zhuǎn)債兼具股性和債性，故我們在風(fēng)格指數(shù)的基礎(chǔ)上，可補(bǔ)充加入轉(zhuǎn)債及可交換指數(shù)來增加模型的準(zhǔn)確度。表 3、風(fēng)格指數(shù)因子名稱涉及指標(biāo)大盤成長市值得分前 1/10 的個股中，成長得分前 1/2大盤價值市值得分前 1/10 的個股中，價值得分前 1/2中盤成長市值得分前 1/10 至 2/10 的個股中，成長得分前 1/2中盤價值市值得分前 1/10 至

31、2/10 的個股中，價值得分前 1/2小盤成長市值得分在 2/10 之后的個股中，成長得分前 1/2小盤價值市值得分在 2/10 之后的個股中，價值得分前 1/2資料來源：Wind 資訊，招商證券圖 9、風(fēng)格指數(shù)走勢小盤價值小盤成長中盤價值中盤成長大盤價值大盤成長400%350%300%250%200%150%100%50%0%2011-01-04 2012-01-042013-01-04 2014-01-04 2015-01-04 2016-01-042017-01-04 2018-01-04 2019-01-04資料來源：Wind 資訊，招商證券 HYPERLINK / 敬請閱讀末頁的重要

32、說明2、添加約束條件不同類型的組合本身有事前投資比例限制，針對這類組合，我們在資產(chǎn)配置風(fēng)格識別的模型中添加約束條件，以提高識別的準(zhǔn)確度。本章我們以公募基金為例，對該約束條件進(jìn)行介紹。根據(jù) 2015 年 8 月生效的公開募集證券投資基金運(yùn)作管理辦法及其實施規(guī)定，將對股票型基金最低倉位限制從 60%提高到了 80%，規(guī)定提出“百分之八十以上的基金資產(chǎn)投資于股票的，為股票基金；百分之八十以上的基金資產(chǎn)投資于債券的，為債券基金； 僅投資于貨幣市場工具的，為貨幣市場基金；百分之八十以上的基金資產(chǎn)投資于其他基金份額的，為基金中基金；投資于股票、債券、貨幣市場工具或其他基金份額，并且股票投資、債券投資、基金

33、投資的比例不符合第（一）項、第（二）項、第（四）項規(guī)定的，為混合基金。”另外，基金管理人運(yùn)用基金財產(chǎn)進(jìn)行證券投資，基金總資產(chǎn)不得超過基金凈資產(chǎn)的 140%。故根據(jù) 2015 年 8 月以后的基金倉位限制，對于股票型基金， 股票市值占基金資產(chǎn)總值的比例需高于 80%，混合型基金為不做限制。對于債券型基金，股票市值占基金資產(chǎn)總值的比例需低于 20%。我們采用模型時，可以理解為是對應(yīng)風(fēng)格資產(chǎn)指數(shù)的投資市值占基金資產(chǎn)凈值的比例，但公開募集證券投資基金運(yùn)作管理辦法的規(guī)定主要針對的是股票投資市值占基金資 產(chǎn)總值的比例，本質(zhì)和所代表的概念有所不同，但由于公募基金中只有債券基金通過 債券回購放杠桿，故我們在測

34、算股票倉位時，可將近似認(rèn)為是股票投資市值占基金資 產(chǎn)總值比例。針對 2016 年以前成立的股票型、混合型和債券型基金，剔除指數(shù)型和指數(shù)增強(qiáng)型產(chǎn)品，統(tǒng)計其 2016 年至 2018 年中報和年報的股票投資市值占基金資產(chǎn)凈值比例情況，可以發(fā)現(xiàn)，普通股票型基金股票倉位平均超過 85%，偏股混合型基金股票倉位也接近 80% 及以上，靈活配置型和平衡混合型的股票平均倉位在 50%左右，偏債混合型基金股票倉位約 20%左右，債券型基金股票倉位一般低于 10%。但從混合型基金倉位整體分布來看，混合型基金股票倉位從 0 到 95%之間不等，但偏股混合型和偏債混合型的特征比較明顯。根據(jù)實際情況及政策規(guī)定，我們對

35、不同類型的基金增加倉位約束，對于股票型基金， %,對于債券型基金 %，對于混合型基金，如果是偏股混合型，則限制 %,如果是偏債混合型，則限制 %。對于股票型基金來說，模型為： 2 + |. .=1 HYPERLINK / 敬請閱讀末頁的重要說明80% 100%0% 100%圖 10、開放式基金 2016 年-2018 年平均倉位（%） 2016H12016年底2017H12017年底2018H12018年底100股票型混合型債券型908070605040302010股票型總體普通股票型混合型總體靈活配置型偏股混合型偏債混合型平衡混合型債券型總體短期純債型混合債券型二級混合債券型一級中長期純債型

36、0資料來源：Wind 資訊，招商證券表 4、開放式基金 2016 年-2018 年平均倉位（%）類型2016 年底2017 年底2018 年底股票型87.9289.1786.41普通股票型87.9289.1786.41混合型63.5069.9065.07靈活配置型51.2861.1057.63偏股混合型81.5084.1177.14偏債混合型18.9524.9917.13平衡混合型61.3861.9155.01債券型9.1211.189.46二級債基9.6512.279.82一級債基3.123.894.22中長期純債型0.982.58資料來源：Wind 資訊，招商證券 HYPERLINK /

37、敬請閱讀末頁的重要說明3、模型選擇與前文所屬的采用基于巨潮風(fēng)格指數(shù)的Sharpe 模型相比，我們資產(chǎn)配置風(fēng)格識別模型主要改進(jìn)點(diǎn)在于：（1）構(gòu)建新的風(fēng)格指數(shù)，該指數(shù)覆蓋全部 A 股，相對于巨潮風(fēng)格指數(shù)的選股范圍考慮更加全面。（2）根據(jù)政策及組合投資限制添加約束條件。（3）采用Lasso 模型解決模型可能存在的多重共線性問題。我們以公募基金為例對比兩個模型的準(zhǔn)確性情況。我們篩選了 2015 年 6 月以前成立的股票型基金，剔除在 2016 年至 2019 年間存在轉(zhuǎn)型操作的基金，統(tǒng)計對 2016 年至 2019 年每季度末的風(fēng)格資產(chǎn)配置。對不同風(fēng)格資產(chǎn)配置的比例之和等價于組合股票投資倉位， 我們采

38、用對倉位測算的準(zhǔn)確度作為風(fēng)格識別準(zhǔn)確度的衡量依據(jù)。采用季度末前 n 個交易日的凈值作為輸入數(shù)據(jù)，測算季度末的風(fēng)格資產(chǎn)配置比例之和 b，并和基金季報公布的股票投資比例 B 進(jìn)行對比，以( )2作為誤差衡量指標(biāo)，計算所有基金的平均誤差作為模型對比參考，以平均誤差和最小的模型為最佳模型。同時，我們嘗試采用季度末前 30 個交易日至季度末前 120 個交易日的數(shù)據(jù)，對比不同時間長度及不同類型模型的誤差結(jié)果。首先，我們對比輸入同樣的風(fēng)格指數(shù)，原始的 Sharpe 模型與Lasso 模型的準(zhǔn)確度對比， 平均誤差和見表 5，可以發(fā)現(xiàn) Lasso 模型的準(zhǔn)確度總體高于原始的 Sharpe 模型，且選擇季度末前

39、 90 個交易日的模型效果總體最佳。進(jìn)一步，我們對使用 Lasso 模型時，不同風(fēng)格的結(jié)果對比。可以發(fā)現(xiàn)采用由風(fēng)格因子多頭組合構(gòu)建的風(fēng)格指數(shù)的準(zhǔn)確度明顯高于巨潮風(fēng)格指數(shù)。通過對比，我們最終選擇采用 Lasso 模型，選擇向前推 90 天的數(shù)據(jù)，同時采用由風(fēng)格因子多頭組合構(gòu)建的風(fēng)格指數(shù)作為輸入變量的模型，測算組合對大盤價值、大盤成長、中盤價值、中盤成長、小盤價值和小盤成長的配置偏好。表 5、模型誤差對比向前推 n 天模型對比風(fēng)格指數(shù)對比SharpeLasso巨潮風(fēng)格因子30 天0.4140.3170.3220.31760 天0.3770.2960.3110.29690 天0.3520.2930.

40、3030.293120 天0.3380.2940.3090.294資料來源：招商證券 HYPERLINK / 敬請閱讀末頁的重要說明五、模型應(yīng)用1、案例分析股票型基金案例我們以公募基金為例，對改進(jìn)后的多因子模型進(jìn)行應(yīng)用及驗證。以某普通股票型基金為例，根據(jù)基金定期報告，該基金行業(yè)配置較均衡，主要配置醫(yī)藥、食品飲料、傳媒、基礎(chǔ)化工和計算機(jī)等?；鸪謧}主要來源于中小盤指數(shù)成分股，從持股市值占比來看，基金持倉超 5 成來源于中證 500、中證 1000 成分股。對比模型結(jié)果和基金實際配置，總體吻合度較高，模型的R 方也總體保持在0.7 及以上。從資產(chǎn)配置風(fēng)格識別模型結(jié)果來看，基金在股票方面的配置在大盤

41、和中小盤相對均衡， 對成長風(fēng)格偏好明顯，長期偏好大盤成長，除此之外，期間存在從小盤成長到中盤成長之間的切換。從因子風(fēng)格識別模型結(jié)果來看，可以發(fā)現(xiàn)基金偏好高 beta 和高成長風(fēng)格， 行業(yè)方面青睞消費(fèi)股、醫(yī)藥、金融及信息技術(shù)。圖 11、某股票型基金：資產(chǎn)配置/基金資產(chǎn)總值（%）圖 12、某股票型基金：持有指數(shù)成分股的倉位占比（%）資料來源：Wind，招商證券資料來源：Wind，招商證券注：由于編制方式不同，不同指數(shù)之間的成分股可能存在部分重合。圖 13、某股票型基金因子暴露度任職內(nèi)2016201720180.800.600.400.20- (0.20)(0.40)(0.60)資料來源：招商證券

42、HYPERLINK / 敬請閱讀末頁的重要說明圖 14、某股票型基金資產(chǎn)風(fēng)格識別（%）100%90%80%70%60%50%40%30%20%10%2016-01-042016-02-042016-03-042016-04-042016-05-042016-06-042016-07-042016-08-042016-09-042016-10-042016-11-042016-12-042017-01-042017-02-042017-03-042017-04-042017-05-042017-06-042017-07-042017-08-042017-09-042017-10-042017-1

43、1-042017-12-042018-01-042018-02-042018-03-042018-04-042018-05-042018-06-042018-07-042018-08-042018-09-042018-10-042018-11-042018-12-042019-01-042019-02-042019-03-042019-04-042019-05-042019-06-040%大盤價值大盤成長中盤價值中盤成長小盤價值小盤成長資料來源：招商證券債券型基金案例我們將模型應(yīng)用于債券基金，研究模型在債券基金的適用性。以某債券型基金為例，該基金為一級債基，投資于債券類資產(chǎn)(含可轉(zhuǎn)換債券)的比

44、例不低于基金資產(chǎn)的 80%。從基金定期報告披露的資產(chǎn)配置和券種配置情況來看，基金債券倉位占基金資產(chǎn)總值比例約 80%至 90%，在企業(yè)債、中期票據(jù)、利率債和可轉(zhuǎn)債方面配置較均衡。我們采用通過因子模型該債基進(jìn)行風(fēng)格識別，我們發(fā)現(xiàn)，由于基金長期配置可轉(zhuǎn)債，故該債基對Beta 因子有一定的暴露，債券因子方面，基金偏好利率水平因子和信用因子， 說明基金偏好長久期和高等級信用債。資產(chǎn)配置風(fēng)格識別結(jié)果與實際結(jié)果吻合程度高， 但存在一定高估。根據(jù)測算，2016 年以來基金股票配置比例逐漸增長，從 0%增至 15% 左右，股票風(fēng)格主要以大盤價值為主，而基金季報顯示基金股票配置比例從 0 增至 10%。圖 15

45、、某債券型基金：資產(chǎn)配置/基金資產(chǎn)總值圖 16、某債券型基金：券種配置/基金資產(chǎn)總值資料來源：Wind 資訊，招商證券資料來源：Wind 資訊，招商證券圖 17、某債券型基金：股票資產(chǎn)配置風(fēng)格識別50%25.00%45%40%20.00%35%30%15.00%25%20%10.00%15%10%5.00%5%0%0.00%大盤價值大盤成長中盤價值中盤成長小盤價值小盤成長轉(zhuǎn)債及可交換債股票倉位（右軸）資料來源：招商證券 HYPERLINK / 敬請閱讀末頁的重要說明圖 18、某債券型基金因子暴露度任職內(nèi)2016201720181.41.210.80.60.40.20-0.2-0.4資料來源：招

46、商證券 HYPERLINK / 敬請閱讀末頁的重要說明2、市場分析我們重點(diǎn)分析全市場的股票型及混合偏股型產(chǎn)品的風(fēng)格特征，篩選 2015 年 6 月以后成立的股票型及偏股混合型基金，且近 3 年未更換過基金經(jīng)理，并剔除指數(shù)基金、指數(shù)增強(qiáng)基金和在 2016 年至 2019 年間存在轉(zhuǎn)型操作的基金。納入統(tǒng)計的共 327 只基金，統(tǒng)計 2016 年至 2019 年 6 月間基金風(fēng)格。資產(chǎn)配置風(fēng)格識別總體來看，對大盤價值、大盤成長、中盤價值、中盤成長、小盤價值、小盤成長的平均倉位配置分別為 6.1%、33.2%、1.0%、34.9%、0.7%和 10.9%。對可轉(zhuǎn)債的平均倉位配置為 3.9%。對大盤價值

47、青睞度最高的基金為工銀瑞信金融地產(chǎn)、華泰柏瑞量化增強(qiáng)和建信雙利策略主題，偏好大盤成長的代表基金有鵬華消費(fèi)優(yōu)選、鵬華養(yǎng)老產(chǎn)業(yè)和長城品牌優(yōu)選，可以看出消費(fèi)和藍(lán)籌是該大盤成長指數(shù)的主要構(gòu)成，偏好中盤價值的有華寶資源優(yōu)選、前海開源股息率 100 強(qiáng)和萬家精選等，偏好中盤成長的有東吳價值成長、上投摩根智慧互聯(lián)和中海分紅增利等，偏好小盤價值的有天弘永定成長、西部利得策略優(yōu)選和華泰柏瑞量化先行，偏好小盤成長的交銀先鋒、景順長城中小板創(chuàng)業(yè)板和新華中小市值優(yōu)選等。圖 19、基金近 3 年風(fēng)格配置40.0%35.0%30.0%25.0%20.0%15.0%10.0%5.0%0.0%中盤成長大盤成長小盤成長大盤價值

48、中盤價值小盤價值資料來源：招商證券風(fēng)格因子暴露度統(tǒng)計所有基金及業(yè)績排名 TOP10 的基金對因子的平均暴露情況，可以發(fā)現(xiàn)，相對于平均情況，績優(yōu)基金超配了 Beta、價值、質(zhì)量因子、消費(fèi)及醫(yī)療因子。而對比中證全指的風(fēng)格暴露情況，可以發(fā)現(xiàn)，績優(yōu)基金明顯超配市值、質(zhì)量和日常消費(fèi)及醫(yī)療保健等因子，表現(xiàn)出對大市值、高盈利質(zhì)量風(fēng)格的偏好，行業(yè)上更青睞消費(fèi)及醫(yī)療行業(yè)。統(tǒng)計基金的 Alpha 數(shù)據(jù)，可以發(fā)現(xiàn)共 59%的基金存在顯著的Alpha。部分基金絕對收益與Alpha 均突出，業(yè)績及Alpha 排名均位于前30 的有前海開源再融資主題精選（邱杰）、交銀阿爾法（何帥）、華寶資源優(yōu)選（蔡目榮）、中歐新趨勢（周

49、蔚文）、景順長城鼎益（劉彥春）、景順長城新興成長（劉彥春）和交銀新成長（王崇）等。圖 20、基金近 3 年 Alpha 分布圖 21、基金近 3 年 Alpha 及基金業(yè)績單位：10-3資料來源：Wind 資訊，招商證券資料來源：Wind 資訊，招商證券圖 22、因子暴露度：平均情況及績優(yōu)基金圖 23、因子相對暴露度：平均情況及績優(yōu)基金0.800.600.400.20- (0.20)(0.40)平均績優(yōu)0.600.500.400.300.200.10- (0.10)(0.20)平均-相對績優(yōu)-相對 HYPERLINK / 敬請閱讀末頁的重要說明(0.60)資料來源：Wind 資訊，招商證券資料

50、來源：Wind 資訊，招商證券注：為相對于中證全指的暴露度表 6、Alpha 及業(yè)績均排名前 30 的基金證券簡稱基金類型基金經(jīng)理業(yè)績Alpha前海開源再融資主題精選股票型邱杰56.41%0.00075交銀阿爾法偏股混合型何帥45.50%0.00072華寶資源優(yōu)選偏股混合型蔡目榮38.41%0.00070中歐新趨勢 A偏股混合型周蔚文27.33%0.00056景順長城鼎益偏股混合型劉彥春88.22%0.00049景順長城新興成長偏股混合型劉彥春88.04%0.00049交銀新成長偏股混合型王崇51.14%0.00039資料來源：Wind 資訊，招商證券 HYPERLINK / 敬請閱讀末頁的重要說明風(fēng)格穩(wěn)定性我們分別基于基金在大盤成長、大盤價值、中盤成長、中盤價值、小盤成長和小盤價值風(fēng)格資產(chǎn)的倉位配置風(fēng)格變化，以及基金在 beta 因子、成長因子、質(zhì)量因子、動量因子、價值因子及行業(yè)因子的暴露度情況，判斷基金的風(fēng)格穩(wěn)定性情況。統(tǒng)計時間為 2016 年至 2019 年 6 月