基金的因子筛选模型有效性下降

        虽然收益、风险和规模这三个因子长期以来在基金筛选中有效，但从2020年开始，收益因子的多空收益呈现横盘震荡状态。同时，风险因子在2018年底发生反转，多空收益从“高风险高收益”变为“高风险低收益”。因此，单一因子的表现稳定性不理想，通过因子筛选基金获取的收益有限，这表明仅依赖因子打分模型的投资决策可能效果不佳。

低费率主动基金的行业轮动策略

       低费率的主动偏股型基金更加适用于行业轮动策略。我们选择购入费率和30日后赎回费率都为0的C类基金作为备选。针对长期存在行业主题基金的11个主题行业，每月初，根据行业轮动模型预测结果选择三个景气度最高的行业，并从该行业的低费率基金中选出得分最高的产品进行配置。最终策略的年化收益达32.25%，相较于使用行业指数的行业轮动策略年化收益提高了11.55个百分点，相较于Wind全A指数超额收益达20.55%，信息比率高达1.9。同时最大回撤相较于行业轮动策略降低了6.51%，相较于Wind全A指数降低了9.3%。

风险提示

本模型采用量化方法通过历史数据统计、建模和测算完成，结论在极端市场环境变化中有失效的风险。

1.1. 公募基金行业的集中度日益提高

在过去的几年中，公募基金的行业集中度呈现逐步上升的趋势，尤其是在主动偏股型基金的投资中表现得尤为明显。自2010年以来，主动偏股型基金中对于第一大持仓行业的平均投资仓位明显上升，由约20%逐步提升至最近的36%。同样地，对于第二大持仓行业的平均投资仓位也出现了增长，由12%提升至16%，这一变化反映了基金经理对于少数行业投资的关注度在不断提升。揭示了基金经理对某些特定行业的热衷程度与看好程度，这也导致了投资更加倾向于某一行业的基金数量明显增加。

1.2.主动基金表现多超过行业基准

在基于申万一级行业分类的情况下，如果一只基金的重仓股中，存在连续三个季度单一行业占重仓股总占比超过50%的情况，我们则将此基金视为该行业的主题基金。按照这一标准进行判断，我们发现在较长时间内，有色金属、食品饮料、医药生物、房地产、国防军工、计算机、传媒以及银行这八个行业均存在行业主题基金。值得注意的是，自2019年起，这八个行业中有七个行业的主题基金表现超过了对应的行业指数，唯独食品饮料行业的表现稍显逊色。

从下面的表格中，我们可以看出，医药生物、房地产和银行三个行业的主题基金相对于行业指数的信息比率都超过1，而国防军工、传媒和计算机三个行业的主题基金的信息比率也在0.7以上。这说明，相较于行业基准，行业主题基金通常能够展现出更为优秀的投资表现。尤其是在医药生物、房地产和银行这些行业的主题基金，其相对于行业指数的投资表现更为突出。这也就意味着，通过主动基金来实施的行业轮动策略，能够带来更为显著的投资收益。

2.1. 在严格条件下，行业主题基金数量有限且因子表现并不明显

在前文的分析中，我们使用的基金表现均为某一行业主题基金的平均表现。为了提升策略的投资收益，我们首先考虑使用常见的因子对这些行业基金进行筛选。

在下图中，我们设定了较为严格和较为宽松的两种条件进行行业基金的划定。严格条件指的是单一行业的重仓股占比连续三个季度超过50%，而宽松条件则是单一行业的重仓股占比连续三个季度超过30%。从图中可以看出，2017年前，满足条件的行业基金数量较少，尤其在严格条件下，基金数量甚至不足50只。而在较为宽松的条件下，选择的空间则相对较大，自2015年起，满足宽松条件的行业主题基金数量就超过了50只。

        与此同时，我们发现，在严格条件下，行业基金的信息系数(IC)表现较弱，以往被认为最重要的收益因子的表现接近于零。然而，当我们放宽对行业主题基金的筛选条件后，行业基金的整体IC表现有了明显的提升。与全体主动偏股基金的表现相似，收益、规模和波动这三个指标都对基金未来的业绩具有较强的预测效果。这三个因子的IC值均超过3%，信息比率(IR)指标也超过了0.1。

在前文中，我们看到长期以来，收益、风险和规模这三个因子在筛选基金方面仍然是有效的。因此，我们还会继续采用这三个因子的等权组合对基金进行打分，以此来筛选出在各个行业中最值得投资的基金。

3.1.中观指标的选择与解释

在我们之前的报告中，我们通过深入研究行业逻辑，考虑了供应、需求、成本、产量等多个因素，并分析了行业的上下游产业链。从行业的基本面出发，我们选取了数百个与行业景气程度相关的中观因子。利用这些因子，我们可以比较准确地预测超额收益或判断行业景气的变化趋势。

3.2.领先因子的选取

我们按照申万一级行业分类，剔除了“综合”、“美容护理”和“环保”这三个较为小众的行业之后，针对每一个行业进行了深入的研究和整理，从而找出了一系列的领先因子指标。由于各个行业的特性各不相同，因此，我们在选取具体因子的角度上有所不同，但基本上都遵循了产业分析的一般原则。首先，针对全行业的共性，我们我们寻找主要相关的宏观经济指标，接着针对各个行业，我们从上游找出对生产环节影响较大的指标，从下游寻找驱动销售量变化的信息源，并综合考虑成本、库存、供应和需求的变化逻辑，最后我们关注市场情绪的变化。按照这样的方法，我们建立了一个包含数百个因子的领先因子池。其中部分宏观经济因子如下表所示。

部分行业领先因子如下表所示。

不同行业的中观因子数据特性各异，常见的数据类型包括环比数据、同比数据、价格指数、利率、估值指标等。我们将总计594个宏观与行业因子按照其特性划分为四大类：总量、增量、环比和同比。并对不同类型的数据进行了适当的处理。

对于非环比和同比的数据，如指数、价格、存货、利率和企业数量等，我们将其归为总量数据，而产量、销售量等则被归为增量数据。对于总量型数据，由于其上期与当期的变化通常较小，我们直接将其转换为环比数据。对于年度内累计的数据，我们将其转换为月度的增量数据。

而对于增量型数据，由于其往往在两期之间存在较大的变化，例如产量等，常常出现当期值较上期值高出数倍等情况，我们将该值转换为当期值与过去十二期均值的比值数据。

对于环比和同比类数据，我们尽可能保留其原值。然后，我们将同一指标的不同类型数据进行筛选，优先保留环比数据（包括从总量数据转换来的环比数据），其次是增量数据，最后是同比数据。

最终，所有的指标在量纲上接近，总计的594个指标被筛选减少到434个，大大降低了共线性对模型的影响。

3.2.领先因子的选取

我们按照申万一级行业分类，剔除了“综合”、“美容护理”和“环保”这三个较为小众的行业之后，针对每一个行业进行了深入的研究和整理，从而找出了一系列的领先因子指标。由于各个行业的特性各不相同，因此，我们在选取具体因子的角度上有所不同，但基本上都遵循了产业分析的一般原则。首先，针对全行业的共性，我们我们寻找主要相关的宏观经济指标，接着针对各个行业，我们从上游找出对生产环节影响较大的指标，从下游寻找驱动销售量变化的信息源，并综合考虑成本、库存、供应和需求的变化逻辑，最后我们关注市场情绪的变化。按照这样的方法，我们建立了一个包含数百个因子的领先因子池。其中部分宏观经济因子如下表所示。

3.3.行业景气模型的建立

针对各个行业，我们直接使用各行业的领先指标与行业收益进行回归，其回归模型如下。

其中，Yi 为行业 i 的行业指数未来一月收益，xi,k 为行业 i 的第 k个领先因子。

在进行因子线性回归的过程中，我们需要注意一个问题：数据的时效性。与价量数据不同，很多中观因子的发布并不是实时的，当月可用值与实际值之间往往存在一定的偏差。因此，我们在计算之前，会统计当前时间点与最新可用数据发布期之间的时间差，为每一个指标计算一个“因子滞后时间”。在计算时，我们会根据之前统计的各因子滞后时间，推算出在该月份最新可用的数据，并用这个数据作为自变量进行线性回归，以确保模型结果不会受到未来信息的影响。

通过回归模型得到各因子的参数后，我们就可以使用最新的数据来预测各个行业下一期的收益率。同时，我们发现通过使用滚动窗口的方式来纳入最新的数据，可以进一步提高模型的预测效果。

3.4.历史绩效

行业选择：行业分类采用申万一级行业分类，并剔除其中的“综合”及“环保”、“美容护理”三个较为小众的行业，共28个行业；

调仓周期：1个月；

策略基准：万得全A指数；

策略设置：每个月末交易日作为策略的起点，计算当期各行业指数预期超额收益，将超额收益最高的 10 个行业进行等权配置。

下图展示了策略的实证表现。

4.1.低费率基金更适合行业轮动策略

由于行业轮动模型的有效区间大约为一个月，因此只有部分费率较低的主动偏股型基金能够满足此类投资策略的需求。在适合短期投资的C类基金中，我们选择了“购入费率为0”且“持有30日后赎回费率为0”的基金，作为投资策略的备选基金。

相比A类基金，C类基金通常具有更低的申购和赎回费率，以及更高的销售服务费。我们的统计数据显示，大部分主动偏股型基金的年销售服务费率约为0.5%，而考虑到我们已经筛选出了申赎费率为0的产品，因此由这些产品构成的月度交易策略每年的交易费用仅为约0.5%的销售服务费。

4.2.根据新行业基金投资模型筛选出的优选基金

在较为宽松的条件下，共有11个行业满足长期存在行业主题基金的条件。这些行业包括：农林牧渔、有色金属、电子、食品饮料、医药生物、房地产、电力设备、国防军工、计算机、银行和非银金融。

在每个月初，我们会根据这11个行业的行业轮动模型的预测结果，选取景气度较高的三个行业。同时，我们也会根据上文中的收益+风险+规模因子等权组合，从低费率的基金中选出得分最高的产品进行配置。这样得到的基金组合的业绩表现如下图所示。

根据我们的策略，最终实现的年化收益率高达32.25%，相比于仅依赖于行业指数的行业轮动策略，该策略的超额收益提高了11.55个百分点。与Wind全A指数相比，我们的策略实现了20.55%的超额收益，信息比率达到了1.9。

同时，我们的策略相比于仅依赖于行业轮动的策略，最大回撤降低了6.51%，与Wind全A指数相比，最大回撤降低了9.3%。这些数据都显示出，使用主动基金可以进一步提高行业轮动策略的收益，并降低最大回撤，提高投资组合的整体投资效果。

4.3.相关基金汇总

下表列出了上期（即5月底调仓时）各行业打分最高的低费率基金，排名顺序按照上期行业景气度排列。

此外，我们还统计量各行业绩优基金,如下表所示。

下表则列出了各行业的优秀低费率基金。

本模型采用量化方法通过历史数据统计、建模和测算完成，结论在极端市场环境变化中有失效的风险。

分析师与研究助理简介

杨国平：复旦大学博士,华西证券研究所副所长,金融工程首席分析师。曾任申万研究所董事总经理，金融工程部总监，首席分析师，25年证券从业经验。

王祥宇：中国科学院计算机博士，华西证券研究所金融工程资深高级分析师，资产配置FOF与智能量化组长。6年金融工程研究经验，在多因子选股、资产配置行业配置、基金研究等领域具有丰富的研究经验。

杨兆熙：复旦大学金融硕士，2020 年 11 月加⼊华西证券研究所。主要研究领域为基金研究。

分析师承诺

作者具有中国证券业协会授予的证券投资咨询执业资格或相当的专业胜任能力，保证报告所采用的数据均来自合规渠道，分析逻辑基于作者的职业理解，通过合理判断并得出结论，力求客观、公正，结论不受任何第三方的授意、影响，特此声明。

华西证券研究所：

地址：北京市西城区太平桥大街丰汇园11号丰汇时代大厦南座5层

网址：http://www.hx168.com.cn/hxzq/hxindex.html

注:文中报告节选自华西证券研究所已经公开发布研究报告，具体报告内容及相关风险提示等详见完整报告。

证券研究报告:《【华西金工】低费率主动基金的行业轮动策略——行业景气轮动研究之五》

报告发布日期：2023年7月8日

分析师:

杨国平 分析师执业编号:S1120520070002

王祥宇 分析师执业编号:S1120520080004  

杨兆熙 分析师执业编号:S1120523010001

联系人:杨兆熙  邮箱:[email protected]

重要提示：

《证券期货投资者适当性管理办法》于2017年7月1日起正式实施。通过本订阅号发布的观点和信息仅面向华西证券的专业投资机构客户。若您并非华西证券客户中的专业投资机构客户，为控制投资风险，请取消订阅、接收或使用本订阅号中的任何信息。因本订阅号受限于访问权限设置，若给您造成不便，敬请谅解。市场有风险，投资需谨慎。

法律声明：

本订阅号为华西证券金融工程团队设立及运营。本订阅号不是华西证券研究报告的发布平台。本订阅号所载的信息仅面向华西证券的专业投资机构客户，仅供在新媒体背景下研究观点的及时交流。本订阅号所载的信息均摘编自华西证券研究所已经发布的研究报告或者是对已发布报告的后续解读，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。

在任何情况下，本订阅号所推送信息或所表述的意见并不构成对任何人的投资建议。华西证券及华西证券研究所也不对任何人因为使用本订阅号信息所引致的任何损失负任何责任。

本订阅号及其推送内容的版权归华西证券所有，华西证券对本订阅号及推送内容保留一切法律权利。未经华西证券事先书面许可，任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用，否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。

本篇文章来源于微信公众号: 华西量化研究