> **来源：[研报客](https://pc.yanbaoke.cn)** # 长周期视角下基金经理 Alpha 能力的提纯与挖掘总结 ## 核心内容 本文探讨了在长周期视角下，如何提纯和挖掘基金经理的 Alpha 能力，提出了一种基于低分化日数据构建的“长周期 Alpha 因子”，并将其应用于 FOF 增强组合的构建中，以期实现对基金收益的更精确捕捉。 ## 主要观点 - **基金收益构成**：基金收益由 Alpha 收益和 Beta 收益构成。近年来，由于板块型基金增多，Beta 收益在主动权益基金中的占比提升，但其对未来收益的预测不稳定。 - **传统 Alpha 度量方式**：传统上使用回归剥离法和归因模型（如 Brinson 模型）计算基金 Alpha。然而，这些方法计算出的因子在时序上表现不稳定，无法稳定筛选出有超额收益能力的基金。 - **低分化动量因子**：通过选取分化度最低的日期计算基金的收益数据，构建低分化动量因子，有效降低 Beta 收益的干扰，提高 Alpha 的识别能力。 - **长周期 Alpha 因子**：借鉴低分化动量的思想，使用过去两年分化度最低的 1/5 日期的基金收益进行回归，取回归截距项作为 Alpha 收益能力的度量。该因子在 2015 年至今表现稳定，Rank IC 均值为 6.63%，Rank ICIR 为 1.35，季度胜率高达 73.13%。 - **FOF 增强组合构建**：将长周期 Alpha 因子加入因子库，构建 FOF 增强组合，以偏股混合型基金指数为基准。2015 年以来，该组合每年都能战胜基准，年化超额收益为 8.62%，信息比为 1.75，月度胜率 69.85%，最大回撤为 6.91%，跟踪误差为 4.54%。 - **因子有效性**：通过分析因子库中各因子的有效性，发现综合选基因子表现最佳，Rank IC 均值为 14.42%，Rank ICIR 为 2.39，季度胜率 84%，具备较强的选基能力。 - **风险控制模型**：构建了基于行业暴露的约束模型，控制组合的行业偏离度在 ±5%，并限制单个基金的权重不超过 5%，以降低波动风险。 - **风险提示**：量化模型基于历史数据，存在失效风险；市场参与者结构变化可能导致模型偏移；基金持仓调整受多因素影响，历史数据不能完全代表未来。 ## 关键信息 - **低分化动量因子**：使用过去一段时间内分化度最低的 1/5 日期计算基金的收益数据，有效降低 Beta 收益的影响，提升 Alpha 的识别能力。 - **长周期 Alpha 因子**：通过过去两年低分化日的基金收益进行回归，取截距项作为 Alpha 收益能力的度量，具有较好的预测能力和稳定性。 - **FOF 增强组合表现**：2015 年以来，该组合年化超额收益为 8.62%，信息比为 1.75，月度胜率 69.85%，最大回撤为 6.91%，跟踪误差为 4.54%，表现稳健。 - **因子库构成**：包含基金属性、业绩、持股特征、基金经理能力等四类因子，共 8 个子类，其中长周期 Alpha 因子与其它因子相关性较低，具有信息增量。 - **因子有效性**：所有因子的 Rank ICIR 均在 0.8 以上，季度多空胜率均在 60% 以上，说明对基金未来收益有较强预测能力。 ## 结构清晰 ### 1. 勘破基金收益迷雾，从泛筛到精确捕捉 - 基金收益由 Alpha 和 Beta 构成。 - 传统动量因子在长期表现上失效，低分化动量因子表现更优。 ### 2. 基金 Alpha 的传统度量方式 - 两种方式：回归剥离法和归因模型。 - 行业剥离模型表现较好，但存在预测能力不足的问题。 ### 3. 基金经理 Alpha 能力的提纯与挖掘 - 低分化日的收益数据可作为 Alpha 因子计算的依据。 - 长周期 Alpha 因子使用过去两年低分化日数据，表现优于传统方法。 ### 4. FOF 增强组合 - 使用综合选基因子构建 FOF 组合，实现稳定超额收益。 - 组合优化模型控制行业偏离度和基金权重，降低波动风险。 ### 5. 总结 - 传统 Alpha 度量方式存在缺陷，长周期 Alpha 因子能有效提纯基金经理能力。 - FOF 增强组合表现稳定，具有较强的实际应用价值。 ## 相关数据与图表 - 图表 1：不同类型基金的数量变化 - 图表 2：低分化/高分化收益因子计算示意图 - 图表 3：低分化动量因子季均超额 - 图表 4：动量因子累计 Rank IC 对比 - 图表 5：基金收益拆解 - 图表 6：主动基金 VS 被动基金 - 图表 7：回归法计算基金 Alpha - 图表 8：回归模型 Alpha 有效性 - 图表 9：不同回归模型 Alpha 的累计 Rank IC - 图表 10：改进后 Brinson 模型拆解示意图 - 图表 11：Brinson 拆解因子有效性 - 图表 12：选股收益因子时序和累计 Rank IC - 图表 13：2021 年 8 月 3 日收益最高的 20 只基金 - 图表 14：低分化动量因子季均超额 - 图表 15：加权后低分化动量因子的时序和累计 Rank IC - 图表 16：主动股基分化度与低分化日期展示 - 图表 17：行业剥离低分化 Alpha 因子有效性 - 图表 18：长周期 Alpha 十组分档季均超额 - 图表 19：长周期 Alpha 的时序和累计 Rank IC - 图表 20：长周期 Alpha 因子与其他因子的相关系数矩阵 - 图表 21：主动权益基金保持市场前 50% 的概率 - 图表 22：华源金工选基因子库 - 图表 23：选基因子有效性 - 图表 24：各因子之间的相关系数均值 - 图表 25：综合选基因子十组分档季均超额 - 图表 26：综合选基因子的时序和累计 Rank IC - 图表 27：基金行业分布估计路径 - 图表 28：主动权益基金行业配置（2025.12.31） - 图表 29：FOF 增强组合分年度表现 - 图表 30：FOF 增强组合表现 ## 参考文献 1. Treynor J L, Mazuy K K. Can mutual funds outguess the market? [J]. Harvard Business Review, 1966, 44(4): 131–136. 2. Chang E C, Lewellen W G. Market timing and mutual fund investment performance [J]. The Journal of Business, 1984, 57(1): 57–72. 3. Fama E F, French K R. Common risk factors in the returns on stocks and bonds [J]. Journal of Financial Economics, 1993, 33(1): 3–56. 4. Liao L, Zhang X Y, Zhang Y Q. Mutual fund managers' timing abilities [J]. Pacific-Basin Finance Journal, 2017, 44: 80–96. 5. Chen H L, Jegadeesh N, Wermers R. The value of active mutual fund management: An examination of the stockholdings and trades of fund managers [J]. Journal of Financial and Quantitative Analysis, 2000, 35(3): 343–368. 6. Fama E F, French K R. Luck versus skill in the cross-section of mutual fund returns [J]. The Journal of Finance, 2010, 65(5): 1915–1947. 7. Harvey C R, Liu Y. Luck versus skill in the cross section of mutual fund returns: Reexamining the evidence [J]. The Journal of Finance, 2022, 77(3): 1921–1966.