20230209-国信证券-学术文献研究系列第51期_基金收益预测的APB增强模型_17页_2mb

报告摘要

学术文献研究系列第51期总结

核心内容

本文探讨了基金收益预测模型的改进方法，提出了一种基于基金收益率和投资目标的主动可比基准（APB）增强模型，以提高对基金经理能力的评估精度。APB通过计算同类基金的平均超额收益，作为额外的基准因子加入到传统Carhart四因子模型中，从而控制基金之间的策略共性，减少回归残差的相关性。

主要观点

基金策略共性问题：在传统模型中，同类基金由于相似策略导致残差具有相关性，影响对基金经理能力的区分。
APB增强模型：通过引入APB因子，可以有效降低同类基金间的残差相关性，从而提升模型的区分能力。
alpha能力验证：研究结果显示，主动基金经理确实存在alpha能力，且APB增强模型在多个基金类别中显著提升了对优质基金的识别能力。
模型改进：提出“经alpha调整的APB增强模型”，进一步区分基金经理的alpha是否由策略共性导致，从而更准确地评估其实际能力。

关键信息

APB定义

APB是基于基金所属类别计算的同类基金平均超额收益。
公式为：
$$
r_{APB_i,t} = \frac{1}{N_{APB_i,t}} \sum_{i=1}^{N_{APB_i}} r_{i,t}
$$
其中 $r_{i,t}$ 是基金 $i$ 在 $t$ 期的总超额收益。

模型构建

传统四因子模型：基于市场因子（MKT）、规模因子（SMB）、价值因子（HML）和动量因子（UMD）。
APB增强模型：在四因子模型中加入APB因子，以控制特质风险共性。
经alpha调整的APB增强模型：进一步调整以区分基金经理的alpha是否由策略共性引起。
APB单因子模型：仅使用APB因子进行回归，用于简化分析。

模型效果

引入APB后，同类基金间的回归残差相关性降低 $1/3 \sim 1/2$。
APB因子在多数基金类别中具有显著的正相关性，表明其有效捕捉了基金策略的共性。
传统四因子模型的alpha估计误差较大，而APB增强模型显著降低了均方误差，提高了alpha的估计精度。

实证结果

不同时间段内，APB的alpha值存在显著波动，但总体表现出一定的共性。
使用APB增强模型后，显著正相关的基金比例下降，显著负相关的基金比例上升，表明APB有效控制了特质风险共性。
在不同基金类别中，APB因子的显著性比例普遍高于传统因子，表明其具有更强的解释力。
使用APB单因子模型后，调整后R方达到 $75%$ 以上，优于传统四因子模型。

结论

APB增强模型在基金收益预测中表现优于传统四因子模型，能够有效捕捉基金策略共性并提高对基金经理能力的识别。引入APB因子显著降低了回归残差的相关性，提升了模型对alpha的估计精度。研究结果表明，主动基金经理确实存在alpha能力，且通过APB模型可以更准确地评估其真实表现，为投资者提供更可靠的基金选择依据。