20210913-华安证券-_学海拾珠_系列之六十_使用同类基准来评估基金表现有何效果__18页_2mb

使用同类基准来评估基金表现有何效果？

核心内容

本文探讨了使用“同类基准”（Active Peer Benchmark, APB）来评估基金表现的效果。APB 是基于基金所属类别中所有基金的等权（或市值加权）回报率构建的基准，旨在捕捉基金策略的共性，从而改进传统四因子模型对基金业绩的评估能力。通过将 APB 作为额外因子引入模型，可以更好地识别基金经理的真实能力，减少策略共性对业绩评估的干扰。

主要观点

• 基金策略共性问题：基金之间可能存在相似的投资策略，这会导致传统模型中残差项的高相关性，降低模型区分优秀与普通基金经理的能力。
• APB 的作用：APB 能有效捕捉基金策略的共性，从而降低组内基金残差的相关性，提高 alpha 估计的准确性。
• APB 增强模型：通过在四因子模型中加入 APB 因子，可以构建“APB 增强的四因子模型”，以识别真正有能力的基金。
• 样本外表现：使用 APB 增强模型形成的基金投资组合，在样本外表现优于传统模型。
• 应用范围：APB 方法不仅适用于股票基金，也可用于其他资产类别，如对冲基金和养老基金。

关键信息

1. 基金分类与 APB 构建

• 基金按市值（大、中、小盘）和风格（价值、成长）分类。
• 每个基金类别对应一个客观的被动基准（CP 基准），用于构建 APB。
• APB 为每个基金类别中所有基金的等权或市值加权平均回报。

2. 传统四因子模型

• 传统模型包括市值（SMB）、账面市值比（HML）和动量（UMD）因子。
• 模型用于计算基金的 alpha 值，以衡量基金经理的超额收益能力。
• 该模型未能充分解释基金策略的共性，导致残差项高度相关。

3. APB 增强模型

• 在传统四因子模型中加入 APB 回报作为第五个因子。
• 通过该模型可以更准确地估计基金的 alpha 和 beta 值。
• 该模型在样本外投资表现上优于传统模型，有助于识别持续表现优异的基金。

4. 实证结果

• APB 表现：在控制了四因子后，APB 组的基金表现出显著的异常收益。
• 残差相关性：四因子模型中，基金残差之间的正相关性远高于负相关性。
• 加入 APB 后：正相关性显著下降，负相关性上升，说明 APB 有效控制了共性风险。
• APB 调整的 alpha 模型：通过调整模型，可以更准确地识别基金经理的特质能力。

4. 残差相关性分析

• 四因子模型中，基金残差之间的正相关性平均为 37%，负相关性为 5%。
• 在特定市场环境下，如科技股热潮期间，正相关性显著上升。
• 中盘和小盘基金的策略更为集中，因此残差相关性更高。
• 加入 APB 后，正相关性下降至 13%，负相关性上升至 16%，表明共性风险被有效控制。

5. 投资策略与 APB 的关系

• 基金经理可能通过“杠杆”使用共同策略来获得超额收益。
• APB 能捕捉这些共性，从而减少误判。
• 对于策略不明确的基金，APB 是一个有效的评估工具。

6. 限制与风险提示

• 本文结论基于历史数据与海外文献，不构成投资建议。
• 基金持仓数据披露不及时，可能影响 APB 的准确性。
• APB 作为“零能力”资产，可能无法完全反映基金经理的真实能力。

7. 方法总结

• APB 是一种简单且有效的工具，用于评估基金策略的共性。
• 加入 APB 因子可以改善基金业绩评估模型，提高 alpha 估计的准确性。
• APB 方法适用于多种基金类型，具有广泛的实用性。

8. 实证模型

• 基准模型：基于四因子的基金业绩评估模型。
• 增强模型：加入 APB 因子的四因子模型。
• APB 调整的 alpha 模型：进一步调整模型，以识别基金经理的特质能力。

9. 图表摘要

• 图表1：展示了不同基金类别中基金数量。
• 图表2：显示了不同基金类别之间 APB 回报的跨组相关性。
• 图表3：列出了不同基金类别中残差的显著正负相关性。
• 图表4：展示了 APB 因子对 alpha 估计的影响。
• 图表5：显示了 APB 增强模型在样本外投资中的表现。
• 图表6：对比了 APB 增强模型与传统四因子模型的差异。

10. 结论

• APB 增强模型在识别优秀基金经理方面表现出色。
• 该方法可以有效减少策略共性对业绩评估的影响，提高模型的解释力。
• 对于投资者，使用 APB 可以帮助更准确地评估基金表现，减少误判。