FOF、MOM系列研究之四：从市场风格的切换中判断基金的配置时机

市场风格的变换，既是机遇也是挑战 面对市场风格的不断改变，基金经理的应对能力对其业绩有着举足轻重的影响，不同的基金经理有着自己擅长的市场环境与能力圈。那么，能否根据市场风格与基金在不同风格市场中的表现，判断出基金的配置时机？ ►基于Barra模型的市场风格定量测量 对于市场的风格状态，我们使用Barra风格因子模型定量表示。其内容主要有两部分，其一为市场风格偏离度或市场风格绝对偏离度。其中偏离度表示短期收益相对长期收益中枢的差值，绝对偏离度则为偏离度的绝对值。另一部分为风格因子的历史分位数。 使用市场风格偏离度指标构建模型预测效果较差倘若在以往的某个市场环境中，基金的未来表现较好。 那么当类似的市场环境重新出现时，基金能否复制之前的辉煌呢？风格偏离度指标能够表示市场环境最近的状态，我们基于这一指标建立模型。最终发现过去某个市场环境下，未来表现较好的基金，当类似市场环境重新出现时，基金未来不一定能够获得较高收益。 使用市场风格绝对偏离度构建模型预测效果较强基金经理的能力在于正确应对已发生的市场的风格改变而不仅仅是预测风格变动的方向。故而过去信息中重要的并非变动方向，而是变动程度。我们使用风格绝对偏离度指标替换掉风格偏离度指标，构建新的模型。最终发现该模型具有较强的预测效果。测试集中预测序列与未来收益相关性高达0.2以上。同时各个基金擅长的市场风格各不相同。 ►市场风格绝对偏离度模型构建基金择时策略 根据上面模型的预测结果，我们以100%持有某基金为基准，建立仓位在[0%,200%]的基金择时策略。发现在测试集中符合条件的基金中，采取择时策略后年化收益提高的占比89.6%；夏普比提高的占比83.5%。同时最大回撤减小的占比51.5%。可以认为该模型对绝大部分存续时间足够长的基金均有效。 同时，我们对测试集中，所有基金的择时策略进行等权配置， 得到一个基金组合。近五年 ，该策略平均仓位为98.7%。 相对偏股基金指数(930950.CSI)超额收益提升14.05%，夏普比率从0.61提升至1.20，同时最大回撤减少了5.97%。同时，策略超额收益信息比率达1.29，相对回撤为9.69%。 风险提示 市场波动风险，模型存在失效风险，基金历史业绩不代表未来。 1.市场风格的变换，既是机遇也是挑战 大盘与小盘、价值与成长，在万千的行业与板块中，市场的风格切换往往发生在不经意间。捉摸不定的市场风格在给投资人带来波动与风险的同时，也会创造机遇。 面对市场风格的不断改变，基金经理的应对能力对其业绩有着举足轻重的影响，而常见的基金评价指标中往往并不能对这一点展开评价。此外，根据以往经验来看，不同的基金经理有着自己擅长的市场环境与能力圈。那么，能否根据市场风格与基金在不同风格市场中的表现，判断出基金的配置时机呢？ 为研究这一内容，首先，我们需要划分市场的风格状态。不同于简单的价值与成长、大盘与小盘等粗略的划分方式，我们使用Barra的风格因子模型，用精确的数值定量表示出市场的风格状态。而后，我们选取存续期间较长的基金，并将其收益率序列划分为训练与测试两部分，在训练集中计算不同风格因素对基金未来收益的影响，并在测试集中测试其对未来收益的预测效果，并根据这一预测构建基金择时策略，进而更好的把握基金的配置时机。 2.基于Barra模型的市场风格定量测量 数据范围 对于市场的风格状态，我们仍旧基于经典的Barra模型进行测量。首先，我们需要用数值量化的表示市场的风格状态。这里主要包括两大部分：第一部分为各风格因子的收益表现，我们利用行业与市值中性化的因子计算出各风格因子的纯因子收益率序列来表示该部分内容。第二部分为市场当前风格因子值相对过去的点位，如PE历史分位数等内容。其中，Barra模型使用的数据范围如下： 股票范围：全部A股，共计4965只股票。 时间范围：2010年1月4日至2022年7月26日，共计3052个交易日。 数据频率：日频。 风格因子的行业中性化 不同行业的股票通常有着不同的风格倾向，通常，根据单一因子值筛选得到的股票组合可能更偏向于某些行业或者某一市值区间，这样会使得组合在行业或者市值上存在风险暴露，从而增加了因子收益的波动性。而在当前A股市场上行业和市值是两个最为重要的风险维度，因此我们考虑对风格因子进行行业中性化和市值中性化处理，剥离风格因子中的行业和市值风险，以降低因子的波动性，提升因子风险调整后的表现。 其中行业因子我们使用28个申万一级行业，风格因子则如下表所示： 以标准化之后的风格因子作为因变量，以申万一级行业哑变量和标准化之后的流通市值对数作为自变量，进行回归。取回归之后的残差作为经过行业和市值中性化处理之后的风格因子值。由于规模因子不能进行市值中性化，故其只对申万一级行业哑变量进行回归。进而，我们可以得到行业与市值中性化后的各个因子。 Barra模型与纯因子收益率 1974年，美国学者Barr Rosenberg第一次提出采用多因子风险模型来对投资组合的风险和收益进行分析。多因子模型的基础理论认为：股票的收益是由一些共同的因子来驱动的，不能被这些因子解释的部分被称为股票的“特质收益率”，而每支股票的特质收益率之间是互不相关的。 此后多因子模型被广泛应用于组合构建及业绩归因分析中，对基金收益进行多因子分析，我们可以得到基金组合的超额收益来源于哪些风格因子。多因子模型可以表示为： 其中𝑟为股票收益，𝑋为股票n对纯因子k的暴露，𝑓为纯因子k的收益率，𝑢为股票n的残差收益。 𝑛 𝑛𝑘 𝑘 𝑛 对于股票组合，我们按照其所持个股的权重，对各因子进行加权，得到股票组合在各因子中的暴露。 𝑝𝑛 𝑃𝑘 其中，𝑋为组合P中因子k的暴露，𝑋为个股n中因子k的暴露，𝑤为个股n在组合p中的权重。 𝑛𝑘 基于市场风格变动的基金择时模型 模型的参数 接下来，我们开始构建基金收益的预测模型。 首先，我们假定对于某一类的市场风格，在过去类似风格中表现较好的基金未来也将表现较好。根据这一点我们建立了市场风格偏离度指标，并根据线性回归的方式建立预测模型。其中模型的数据范围如下： 基金范围：Wind分类中的所有普通股票型基金与偏股混合型基金(考虑了基金的历史分类与基金清算情况)，共计2399只基金。如无特别说明，下文中“基金”、“主动偏股基金”均指这部分基金。由于模型的建立需要足够长的历史区间，我们主要针对上述基金中存续时间较长、具有日频收益序列的基金。 时间范围：2010年1月4日至2022年7月26日，共计3052个交易日。 数据频率：日频。 模型的自变量：上文提到，我们用两部分内容反映市场的风格状态。 1)第一部分为市场风格偏离度或市场风格绝对偏离度。 其中市场风格偏离度包括短期风格因子收益相对长期收益中枢的偏离，其数值表示偏离程度大小，正负则表示偏离方向。而市场风格绝对偏离度指标为市场风格偏离度指标的绝对值，仅表示短期相对长期收益的偏离程度。 我们基于风格因子的纯因子收益率，用类似移动均线理论的方式，使用风格因子的短期收益减去长期收益中枢，并将其作为该风格因子市场风格的偏离度。具体而言： 风格因子i的短期收益=过去n期风格因子i的纯因子收益率。 风格因子i长期收益中枢=过去m期风格因子i的短期收益均值。 风格因子i的偏离度=风格因子i的短期收益-风格因子i长期收益中枢。 风格因子i的绝对偏离度=|风格因子i的短期收益-风格因子i长期收益中枢|。 其中n相对较小，m相对较大。 2)第二部分为风格因子的历史分位数，我们使用标准化时间序列排序的方式计算市场风格的历史分位数。将各个时间截面上全体A股的原始风格因子值进行去极值处理后，取全体股票因子值的平均值，作为每一期的市场风格因子值。再对过去m期市场风格因子值进行Z-score处理，即可得到市场各时点，各风格因子的标准化时间序列排序。 模型的因变量：由于基金的交易费率通常随持有期而变动，而1个月的持有期是最常见的基金交易费率变动的档位。故我们使用未来25个交易日的总收益率作为因变量。即当前时点可获得当日的基金收盘价(净值)，则按次日收盘价买入，并持有25个交易日后的总收益率。 训练集与测试集的划分：线性回归的模型在回归的区间中往往有着非常亮眼的表现，但在该区间之外则表现平平。这是过拟合导致的结果。为应对这一问题，对数据划分训练集与测试集是最常见的处理方式之一。我们采取不同的训练集与测试集的划分方式进行模型的测算。 1)选取数据范围内，日频收益序列数量大于1000的基金,共计811只，按比例划分训练集与测试集。如将基金的前70%的数据作为训练集，后30%的数据作为测试集。需要注意的是，由于数据为日频数据，训练集最后26条数据的因变量，即基金未来收益率序列包含了测试集时间区间内的未来数据，故实际的训练集我们剔除了最后30条数据，后面的训练集与测试集的划分中我们也剔除了训练集最后30条数据，之后将不再赘述。 2)选取数据范围内，日频收益序列数量大于某一固定值的基金，并将该基金的达到这一固定值之前的数据作为训练集，之后的所有数据作为测试集。 模型的评价指标：由于模型在训练集中的表现往往非常亮眼，我们使用测试集检验模型对未来收益的预测效果。择时策略中最为重要的是找到与未来收益相关性较高的序列。故如果预测值与未来收益有较高的相关性，则可以认为模型的预测效果较好，进而可以进行下一步的基金择时策略构建。 使用市场风格偏离度指标构建模型预测效果较差 由于基金经理擅长的投资风格不同，市场风格的切换有可能对基金的收益产生预测效果。倘若在以往的某个市场环境中，基金的未来表现较好。那么当类似的市场环境重新出现时，基金能否复制之前的辉煌呢？为测试这一点，我们建立了市场风格的偏离度指标来衡量市场的风格状态，并计算该指标对基金收益的预测效果。 除风格因子收益率外，风格因子本身也是市场风格的重要指标。如常用的PE、PB历史分位数等，往往反映了市场整体的盈利与估值情况。我们使用标准化时间序列排序的方式计算市场风格的历史分位数。将各个时间截面上全体A股的原始风格因子值进行去极值处理后，取全体股票因子值的平均值，作为每一期的市场风格因子值。 再对过去m期进行Z-score处理，即可得到市场各时点，各风格因子的标准化时间序列排序。 下图展示了部分因子的净值序列与模型中的自变量序列。 对于时间序列的预测，最重要的是找到一个与未来收益相关性较高的指标序列。 我们在通过划分了训练集与测试集后，以测试集中预测值与实际值的相关性作为模型的评价指标。 然而，使用风格偏离度的模型的预测效果并不理想。我们选取数据范围内，日频收益序列数量大于1000基金，共计811只。将基金的前70%的数据作为训练集，后30%的数据作为测试集，测试不同参数下模型的预测效果。测试结果发现，多数情况下，811只基金的预测收益与实际收益的平均相关系数均小于0.1。同时，多数情况下相关系数甚至为负。负的相关系数表明模型在训练集和测试集的表现结果大相径庭，所以无论相关系数绝对值多高，负的相关系数都是模型在测试集失效的表现。该模型的预测效果并不理想。 使用市场风格绝对偏离度构建模型预测效果较强 市场风格的变动方向是难以预测的，仅凭过去的风格偏离信息可能对基金经理形成误导。基金经理的能力在于正确应对已发生的市场的风格改变而不仅仅是预测风格变动的方向。故而过去信息中重要的并非变动方向，而是变动程度。为了验证基金经理应对风格切换的能力是否具有延续性，我们进行了下面的研究。 我们使用风格绝对偏离度指标替换掉风格偏离度指标，并使分位数指标保持不变，构建模型的自变量。其中部分自变量示例如下。 我们仍旧选取数据范围内，日频收益序列数量大于1000的基金,共计811只，将基金的前70%的数据作为训练集，后30%的数据作为测试集。 可以看出，当n处于[80,100]，m处于[240,360]时，811只基金的预测收