基金经理调研能力与投资业绩.docx

《基金经理调研能力与投资业绩.docx》由会员分享，可在线阅读，更多相关《基金经理调研能力与投资业绩.docx（27页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、内容目录从基金经理去调研谈起4投资者关系活动信息5基金公司调研行为6基金经理调研因子8基金经理调研数量因子9基金经理调研数量因子表现9基金经理调研质量因子 10基金经理调研质量因子表现 12基金经理调研质量因子的改进 12改进后基金经理调研质量因子的表现 14基金经理调研因子的特质基金经理调研因子的特质16FOF精选组合19综合选基因子构建19FOF精选组合构建20总结与展望22附录一选基因子简介24国信证券投资评级 26分析师承诺26风险提不26证券投资咨询业务的说明26在每一个调研的时间点，将该时点截面上剔除上市不满120交易日新股后 的股票池，计算调研日之后20交易日的夏普率减去调研日之

2、前20交易日 的夏普率得到调研前后夏普差，为该股票的打分因子。具体公式为：调研前后夏普差=夏普率-夏普率7+20T-20假设调研前后夏普差越大，那么说明基金经理调研的时点以及股票的选择都比拟 准确。2 .股票打分因子的截面中性化：在第一步中得到每一个调研日截面上所有股票池的股票打分因子，为实现 不同市值规模、不同行业以及时间序列上各个股票因子的可比性，我们需 要将调研前后夏普差因子进行截面上市值以及行业中性化。这里市值取对 数总市值，行业取中信一级行业分类形成的0-1哑变量。rawsig 6in(totcap)LN(totcap) +Indi + i我们通过上面回归的方式，对原始因子进行行业市

3、值中性化处理。其中， rawsig为原始因子、LN(totcap)为对数总市值以及/几山为中信一级行业分 类的0-1哑变量。为保证回归方程的稳健性，在进行回归之前，需要将原 始因子以及对数总市值进行缩尾标准化处理。MAD (Median Absolute Deviation绝对中位差去极值法)：这里采用与标 准差缩尾相类似的方法，只不过MAD去极值法更不易受到因子取值分布 的影响。具体操作如下：首先计算因子的中位数MAD = medianQsig - sigmedian)将因子取值在sigmedtcm 3,K-MADf sigmedian + 3K-MAD区间内的因 子值保持不变。将因子取值大

4、于sigmediQ九+ 3KM/。的局部保存因子间 距均匀映射到sigmedian + 3K-MAD, sigmedian + 3.5KMAD区间内, 同理，将因子取值小于sigmedim - 3-KMZD的局部保存因子间距均匀映 射到 3.5KMADf sigmedian 一 3KM4D区间内。这里的K值 为比例因子常量，K的取值取决于因子的分布类型，对于正态分布型数据而 言，K 右 1.483o这样做去极值处理的好处是不会将缩尾前因子的极值局部集中在两端，而 会在保持因子顺序的前提下对因子的极值局部进行处理。因子标准化:我们对缩尾后的因子计算Z-Score来对因子进行标准化处理， 使得标准

5、化后的因子均值为0,标准差为1。即：sig 我们取回归后的残差作为中性化后的因子，同样对中性化后的因子进行 MAD缩尾和标准化处理。3 .计算基金经理调研质量因子:将所有回溯期内基金经理调研过股票的中性化后因子得分对每一个基金经理取 平均值得到基金经理调研质量因子，然后将这个因子映射到基金经理在管的全 部基金产品上。值得注意的是，如果一只基金由多个基金经理管理，那么该基 金的调研质量因子是所有管理该产品的基金经理得分的平均值。基金经理调研质量因子表现前面我们结合实际案例，从逻辑的角度出发解释并构造了基金经理调研质量因 子。那么这个因子是否对基金未来的业绩具有预测性？下面我们就来检验因子 与基金

6、未来真实业绩表现的关系。下面我们考察基金经理调研质量因子在普通股票型和偏股混合型基金池中的表 现。在对因子进行考察时，我们计算因子取值与未来三个月基金收益率的相关 性，统计RankIC均值和RankICIR值，同时计算因子分组测试超额收益率中位 数。图13 :调研质量因子分组测试结果图12 :调研质量因子RankIC表现RankIC 累计IC （右轴）资料来源:Wind,整理0.5%0.4%0.3%0.2%0.1%0.0%-0.1%-0.2%-0.3%0.43%资料来源:Wind,整理自2014年以来，从图12可以看出，基金经理调研质量因子与未来基金业绩呈 现出较为稳定的正向相关关系。我们通过

7、计算每个月因子值与接下来3个月的 基金收益率的RankIC值，可以发现，基金经理调研质量因子的RankIC历史均 值为5.34%,标准差为6.47%,年化RankICIR值为1.65,月度RankIC胜率 为 82.28%o图13显示，基金经理调研质量因子分组测试的头部效应明显，随着基金经理调 研质量因子取值的增加，基金未来一个季度的收益率也呈现递增的统计特征。 第五组（基金经理调研质量最高组）的季均超额收益率为0.43%,第一组（基 金经理调研质量最低组）的季均超额收益率为-0.19%。基金经理调研质量因子的改进我们可以看到前面所构建的基金经理调研质量因子的表现比拟稳定，因子分组 的头部效应

8、十清楚显。但是由于我们仅使用基金经理亲自调研的样本对指标进 行的构建，因此样本的覆盖度比拟有限。尽管对于覆盖度之内的基金业绩具有 较强的预测性，但是在实际使用中，难免会遇到缺失值较多的情况而对多因子 模型的使用场景带来更多不确定性。图14 ：基金经理调研质量因子覆盖度基金经理调研准确度因子覆盖度 基金经理调研准确度因子覆盖度均值资料来源:Wind,整理我们从图14也可以看出，这个因子对于整体基金池的覆盖度并不高，长期平均 覆盖度为45.76%。其中，覆盖度最高的时候到达52.58%,在2016年底至2017 年度到达这一峰值，覆盖度最低的时候为38.16%,出现在2020年初，而在这 之后覆盖

9、度又有进一步提升。我们思考这样一个逻辑：在基金经理的日常投资活动中，除了亲自参与调研上 市公司之外，在同一个基金公司的基金经理也会倾向于相互提供自己的投资理 念以及调研结果。这些内部的提供也会对基金经理的投资决策会形成影响。同 时，如果同公司的基金经理也普遍调研质量较高，那么对于没有参与调研的基 金经理来说，提供的信息参考价值也较高。因此，我们尝试对基金经理调研因子做出以下优化：对基金公司调研事件进行 分类，同时对不同的分类给予不同的权重。其中，基金经理亲自调研的事件权 重为1,基金经理自己没有参与，但是同一个基金公司其他基金经理参与了调 研的事件权重为0.8o此外，对于基金经理来说，除了同一

10、基金公司基金经理的调研信息提供，同一 个基金公司的研究员去参与调研的信息也会对基金经理构成参考建议。通常研 究员参与上市公司调研活动之后，会向基金经理进行汇报。尽管相比拟基金经 理亲自调研，以及同基金公司的基金经理调研的影响程度更低，基金经理的投 资决策也会受到相应的影响。同时，如果同基金公司研究员的调研质量相对较 高，那么他们所汇报的基金经理也会受益于此。再者，如果过去一段时间在基金经理出席的上市公司调研活动中，有一同参与 的券商分析师，那么基金经理与这些分析师之间可能会建立一个长效的信息共 享机制，券商分析师也会将自己调研过的股票对基金经理进行推荐。因此，基 金经理也会受到这些分析师调研质

11、量的影响。而从逻辑链条来讲，同一基金公司研究员的调研信息，以及过去曾经一起参与 调研的券商分析师的调研信息那么对基金经理的决策来说链条更远，影响也越来 越小，过程也会比拟复杂，因此需要给更低一些的权重。这里尝试再加入同一基金公司研究员以及券商分析师的调研事件。从优先级来 看：1 .基金经理亲自调研的事件，为最优样本，权重为1;.基金经理自己没有参与，但是同一个基金公司其他基金经理参与了调研的 事件权重为0.8；2 .基金公司中没有基金经理参与，但是该公司的研究员参与了调研的事件权 重为0.4；.过去一年中曾经一起参与过调研的分析师的调研事件的权重为0.2。图15 :调研质量因子结构改进示意图8

12、0%20%80%20%资料来源：整理在加入了同一基金公司基金经理调研、同一基金公司研究员调研以及过去一年 曾经一起调研过的券商分析师调研的补充信息之后，对于基金公司的调研样本 空间到达完备。同时，针对不同信息的可参考性以及对基金经理的投资决策的 影响程度进行了不同的权重配比。改进后基金经理调研质量因子的表现下面对改进后的基金经理调研质量因子进行测试。图16 :改进后基金经理调研质量因子RankIC表现图17 :改进后基金经理调研质量因子分组测试结果15%10%5%0%5%15%10%5%0%5%00.4%2 0.3%10.2%00.1%-10%-15%RankIC 累计IC （右轴）资料来源:

13、Wind,整理0.0%-0.1%-0.2%-0.3%资料来源:Wind,整理从图16可以看出，在加入了更多信息之后，我们的基金经理调研质量因子预测 的稳定性得到了进一步的提升。全样本期内，调研质量因子的RankIC值为 4.30%,而RankIC的标准差为4.24%,同时RankICIR进一步提升至2.02,RankIC 胜率为 82.28%。图17中的分组测试结果可以看出因子的头部效应十清楚显，且分组线性性质明 显。图中显示第五组（调研质量最高组）的季均超额收益率为0.44%,第一组 （调研质量最低组）的季均超额收益率为-0.22%。调研质量因子的分组多空年化超额收益率为2.62%o图18

14、:改进后基金经理调研质量因子top50组合表现4.01.354.01.350.50.9533卡 黄/产N龄声,甲挈益人 校 史校 校 e石、取、心、心综合调研准确度因子top50组合股票及偏股基金中位数 相对强弱（右轴）综合调研准确度因子top50组合股票及偏股基金中位数 相对强弱（右轴）资料来源:Wind,整理我们在每个季度末选取改进后基金经理调研质量因子得分最高的50只基金进 行等权构建基金组合，同时测试该组合（未经扣费）与普通股票以及偏股混合 型基金业绩中位数的表现比照。如图18所示，改进后基金经理调研质量因子得分最高的50只基金所组成的基 金组合可以稳定跑赢基准基金池的业绩中位数，组合

15、年化收益率为20%,同时 期股票和偏股型基金中位数的年化收益率为15.36%,组合相对股票及偏股基金 业绩中位数的年化超额收益率为4.64%o从上面的优化过程可以看出，因子逻辑的完备性得到了完善，同时因子的表现 进行了一定程度的提升。预测月份数因子RankIC因子ICIR五档多空年化超额收益34.24%2.022.62%45.14%2.192.33%55.62%2.222.34%65.85%2.142.45%75.80%1.932.31%85.97%1.822.44%96.13%1.792.18%106.04%1.731.69%115.82%1.601.45%125.51%1.351.39%表

16、2 :改进后基金经理调研质量因子敏感性测试资料来源:Wind,整理我们对改进后基金经理调研质量因子的预测月份进行了敏感性测试，可以看到 调研质量因子对于基金未来收益率的预测区间从3个月（一个季度）到6个月（半年）因子的ICIR均大于2,预测效果非常显著。其中ICIR最高的预测区 间为基金未来5个月的收益率。从五档的多空年化超额收益率来看，最高的预测区间为预测未来3个月的基金 收益，同时，对于预测区间小于10个月的区间长度而言，五档分组的多空年化 收益均大于2%o因此，我们将最终版本的基金经理调研质量因子作为基金经理调研因子。接下 来我们对这个因子的特征以及特质进行分析。基金经理调研因子的特质前

17、面我们对基金公司调研这一事件进行了梳理和分析，并结合基金经理亲自调 研、同基金公司基金经理调研以及同基金公司研究员调研这三类事件对基金经 理投资决策的影响程度进行了权重分配，最终形成了基金经理调研因子并进行 了测试，无论是RankIC还是分组测试结果均显示基金经理调研因子对基金未 来业绩的预测性表现极为稳健。而关于基金经理调研因子的相关特质我们将在 这一节中进行讨论和分析。于上一节中，我们提到了最初只用基金经理亲自调研的样本所构造出来的因子 在普通股票以及偏股混合型基金池中的覆盖度并不高，平均只有45.76%的覆盖 度。而在经过因子结构的改进之后，使得基金经理调研因子的覆盖度有了非常 显著的提

18、升。图19 :基金经理调研因子覆盖度基金经理调研质量因子覆盖度基金经理调研质量因子覆盖度均值资料来源:Wind,整理从图19可以看出基金经理调研因子相较之前只用基金经理亲自调研样本所构 造的因子覆盖度有了非常显著的改善，由原来平均45.76%的覆盖度增加至 91.23%o我们对一些常见选基因子进行梳理，构成我们的选基因子库，下面我们就基金 经理调研因子与这些因子库中因子的关系进行测试和分析。首先，我们对因子库中的选基因子进行一个简单的介绍，详细的构造方法可参见本文附录局部:表3:选基因子库类别因子名称因子计算方式收益类因子TM-FF超额收益基金业绩的夏普率过去240个交易日市场收益率、市场收益

19、率平方项 以及Fama-French三因子回归的截距项过去240个交易日基金业绩的夏普率规模基金规模基金的季度报告中可以通过期末基金资产净值直 接获取，这里我们取合并规模机构关注度机构关注度在基金半年报以及年报中的基金份额持有人信息 中获取，这里我们取合并占比隐形交易能力隐形交易能力基金定期报告期后的三个月内，基金真实收益率相 比披露持仓组合收益率的超额信息比前瞻能力（详细构造可参考我们 于2020年10月30日发布的专 题报告FOF系列专题之二： 基金经理前瞻能力与基金业 绩）前瞻权重占比前瞻数量占比基金定期报告中持仓公布时点后，且上市公司盈余 公告日后10天内分析师撰写报告超预期的标的在

20、基金持仓中的权重占比基金定期报告中持仓公布时点后，且上市公司盈余 公告日后10天内分析师撰写报告超预期的标的在 基金持仓中的数量占比基金员工信心从业人员持有占比在基金半年报以及年报中的基金管理人的从业人 员持有占比，这里我们取合并占比资料来源：整理在表3中我们简单介绍了选基因子库中的因子，其中前瞻能力因子的详细构造 可参考我们于2020年10月30日发布的专题报告FOF系列专题之二：基金 经理前瞻能力与基金业绩，下面我们针对这些因子进行选基效果测试。图20 :选基因子测试资料来源:Wind,整理因子名称多空年化收益率RankIC均值RankIC IRRankIC胜率十档分组收益类因子8.84%

21、13.40%1.4474.05%,基金规模-3.52%-6.58%-1.2823.66%-一机构关注度1.68%3.94%0.9468.70%隐形交易能力8.29%9.93%1.7683.97%!-前瞻能力6.41%9.19%0.9961.83%基金员工信心3.54%5.99%1.7381.68%如图20所示，我们测试了所有选基因子库中因子的收益表现。其中，多空年化 收益率为对选基因子的取值由小到大进行十档分组后，使用第十档（因子值最 大组）基金组合的年化收益率减去第一档基金组合（因子值最小组）所得的多 空年化收益率。表4中显示的是我们对基金经理调研因子与上述选基因子库中因子之间截面相 关性的

22、测试结果。可以看到，基金经理调研因子与其余选基因子的秩相关性普 遍较低，长期相关性在0附近。这说明基金经理调研因子与全部选基因子都有 着极低的相关性。因此，这意味着该因子能提供上述选基因子中所不能提供的 增量信息。表4：因子相关系数资料来源:Wind,整理收益类因 子基金规模机构关注 度隐形交易 能力前瞻能力基金员工 信心调研因子收益类因 子1.000.000.120.410.260.120.05基金规模1.00-0.01-0.100.03-0.23-0.03机构关注 度1.000.07-0.020.220.04隐形交易 能力1.000.000.100.03前瞻能力1.00-0.02-0.02

23、基金员工 信心1.000.00调研因子1.00在检验因子的相关关系时，我们除了使用因子值之间的相关性进行检验外，往 往更关心因子的表现之间的相关性（这里我们使用Spearman秩相关系数）。这 其中的一个方法是对各个因子的RankIC时间序列进行相关性检验。如果检验 结果显示各个因子的RankIC值之间的相关性较低，那么说明因子的表现之间 的关联性较低，这在我们尝试将因子加入到已有因子池的时候，是一个重要的 参考条件。如表5所示，我们可以看出基金经理调研因子与其余选基因子的RankIC相关 性都非常低。其中，与基金经理调研因子相关性绝对值最高的是基金规模因子， RankIC相关性为。18。表5

24、 :因子RankIC相关系数资料来源:Wind,整理收益类因 子基金规模机构关注 度隐形交易 能力前瞻能力基金员工 信心调研因子收益类因 子1.000.10-0.130.450.63-0.190.09基金规模1.00-0.26-0.150.34-0.25-0.21机构关注 度1.000.16-0.410.190.11隐形交易 能力1.000.020.040.08前瞻能力1.00-0.52-0.04基金员工 信心1.000.08调研因子1.00通过上面的因子间相关系数测试，我们可以看出基金经理调研因子无论是因子 值还是因子的表现，都与我们选基因子之间的相关性极低。因此，可以为我们 的选基体系提供

25、新的补充。表6 :基金经理调研因子Fama-Macbeth回归检验资料来源:Wind,整理收益类因子基金规模机构关注度隐形交易能力前瞻能力基金员工信心基金经理调研因子回归系数0.20%-0.31%0.00%0.36%0.60%0.23%0.19%T值1.22-5.87-0.083.934.585.855.02除了从因子相关性的角度来检验因子的特质，我们还可以使用经典的 Fama-Macbeth回归检验因子与已有因子之间的关系。Fama-Macbeth回归检 验法的做法是使用基金未来一期（这里我们使用未来一个季度）的基金收益率 与新进因子以及已有全部因子进行回归，检验新进因子的系数以及系数的T值

26、。 具体操作如下：Ret = Bifl + B2f2 + B3f3 + + pnewfnew其中，fi左为已有因子，这里的已有因子包括收益类因子、基金规模、机构关注度、隐形交易能力、前瞻能力以及基金员工信心因子，九阳为新 进因子，这里为基金经理调研因子。氏、伤阮以及医诩为各个因子前系数。从表6的测试结果可以看出基金经理调研因子在剥离了控制变量因子之后的溢 价依然是十分显著的。其系数的统计T值为5.02,这说明基金经理调研因子尽 管剥离了已有选基因子所包含的信息，依然对未来基金收益具有显著的预测效 果。从上面的测试可以看出，尽管我们的选基因子库中的因子都已具有稳定的基金 收益预测能力，但是，基金

27、经理调研因子在剥离了这些因子的影响后，依然具 有非常好的选基效果。由此可见，基金经理调研因子不仅作为单因子对于基金 未来的收益率有着极强的预测性，同时，还对已有的选基因子体系提供了新鲜 的血液。FOF精选组合本节我们对前文介绍的基金调研因子和其他常见的选基因子进行合成，构建综 合选基因子，然后使用综合选基因子的得分对FOF组合进行构建，力求能稳定 战胜股票和偏股型基金中位数。综合选基因子构建前文我们构建并检验了基于基金公司调研数据所构造的基金经理调研因子，同 时我们梳理了一些常见的选基因子。从前文的统计和测试中我们可以看出，无 论选基因子还是本文新提出的基金经理调研因子，都对基金未来的业绩具有

28、非 常显著的预测性。因此我们将收益类因子、基金规模、机构关注度、隐形交易 能力、前瞻能力、基金员工信心以及基金经理调研因子合计7个大类因子等权 重合成，构建综合选基因子。下面我们测算综合选基因子对基金未来三个月收益率的预测能力，需要注意的 是，我们为了排除仓位的影响，因子测试的样本空间选定为上市满15个月的股 票和偏股型基金，且只保存初始基金（假设存在C/E/H/O等类别，只保存A类基 金）。图22 :综合选基因子十档分组测试结果图21 :综合选基因子历史RankIC序列资料来源:Wind,整理2.0%1.5%1.0%0.5%0.0%-0.5%-1.0%-1.5%-2.0%1.57%-1.78

29、%如图21所示，综合选基因子表现非常稳健，因子的RankIC均值为15.72%, 年化 RankICIR 为 2.72, RankIC 的胜率为 90.24%。从十档分组来看，因子单调性也非常不错，多头组合季均超额1.57%,空头组 合季均超额-1.78%,多空组合季均超额3.34%。由此可见，综合选基因子对基 金未来收益率具有非常稳定显著的预测能力。FOF精选组合构建下面我们利用综合选基因子来构建FOF组合，具体的组合构建流程如下： 调仓方式：为防止路径依赖，将资金等权分成三份，每个季度使用一份资 金季度调仓。 选基样本空间：在调仓时点时满足如下条件：1、上市或者转型超过15个月的普通股票型

30、与偏股混合型基金；2、只保存初始基金（假设存在C/E/H/O等类别，只保存A类基金）；3、基金合计规模在2亿至100亿之间；4、剔除调仓时点暂停申购或暂停大额申购的样本。 选基步骤：在定期调仓时点，在选基样本空间中选择20只综合选基因子得 分最高的基金等权构建组合。 交易费率：申购费率为万一，赎回费率为千五。 申赎限制：在调仓时点，暂停申购或暂停大额申购的基金不调入，暂停赎 回的基金那么保存不调出。 业绩基准：每个月取股票和偏股型基金收益率的中位数作为基准收益率。按照上述流程构建的国信金工FOF精选组合历史表现稳定，2010年以来相对 股票和偏股型基金中位数的超额收益稳定攀升。具体走势如图23

31、o图1: 图2 ： 图3 ： 图4 ： 图5 ： 图6 ： 图7 : 图8 ： 图9 ： 图10 图11 图12 图13 图14 图15 图16 图17 图18 图19 图20 图21图22 图23表1 ： 表2 : 表3 : 表4 ： 表5 ： 表6 ： 表7 : 表8 ：图表目录基金经理调研样本与基金持仓之间关系4分年度调研事件数量以及调研股票数量5按机构类型分类调研事件占比6按调研类型分类调研事件占比6不同月份基金公司参与调研人数7基金经理调研占比7按机构类型分类调研事件效应8调研数量因子构造示意图9调研数量因子RanklC表现 9调研数量因子分组测试结果9调研质量因子构造示意图10调研

32、质量因子RanklC表现 12调研质量因子分组测试结果12基金经理调研质量因子覆盖度13调研质量因子结构改进示意图 14改进后基金经理调研质量因子RanklC表现14改进后基金经理调研质量因子分组测试结果 14改进后基金经理调研质量因子top50组合表现15基金经理调研因子覆盖度16选基因子测试17综合选基因子历史RanklC序列 20综合选基因子十档分组测试结果20FOF精选组合历史表现21调研数量因子敏感性测试10改进后基金经理调研质量因子敏感性测试 15选基因子库17因子相关系数18因子RanklC相关系数 18基金经理调研因子Fama-Macbeth回归检验19FOF精选组合分年度收益

33、表现21FOF精选组合超额收益的参数敏感性测试22图23 : FOF精选组合历史表现资料来源:Wind,整理2010年以来，FOF精选组合每年均可战胜当年股票和偏股型基金业绩的中位 数，在股票及偏股基金中排名分位点平均为32.96%0 FOF精选组合费后年化 收益率为15.59%,而基准组合同期年化收益率为8.60%,实现了相对基准年 化7%的超额收益。年化换手率为1.73倍。表7 : FOF精选组合分年度收益表现资料来源:Wind,整理组合收益股票和偏股基金 中位数在股票和偏股基金中 分位数在股票和偏股基 金中排名201010.28%2.92%23.26%60/2572011-23.97%-

34、24.11%48.05%148/30720128.05%4.67%31.50%109/345201321.85%14.70%28.72%114/396201428.85%22.58%35.12%151/429201552.54%46.03%38.66%184/4752016-8.49%-14.38%28.81%157/544201725.90%15.17%24.92%154/6172018-22.92%-24.42%40.59%274/674201955.80%46.66%29.27%228/778202078.02%60.87%23.69%231/97420210331-2.53%-3.66

35、%42.89%516/1202全样本期15.59%8.60%-分年度的收益表现如表7所示，FOF精选组合的调仓方式为将资金等权分为 三份，对应季度调仓的三条路径进行投资。为检验组合对基金数量以及调仓路 径的敏感性，表8中给出了不同基金数量、不同调仓路径下的组合年化超额收 益率：表8 ： FOF精选组合超额收益的参数敏感性测试仓时点选基个救、1 4、7、10月底调仓25811月底调仓3、6、9、12月底调仓三条路径平均107.99%6.53%6.99%7.19%207.02%7.28%6.67%7.00%306.12%6.79%6.19%6.37%405.76%6.13%5.43%5.78%50

36、5.58%5.79%4.96%5.45%资料来源:Wind,整理从表8可以看到，随着持有基金数量的减少，FOF组合整体的年化超额收益呈 现增加趋势。此外，对于给定的持基数量，不同路径下的组合收益保持相对稳 定，这说明我们的FOF组合构建方法是稳定有效的。总结与展望从基金经理去调研谈起参与上市公司调研活动是基金经理投资工作中重要的构成局部，正因为一个人 的精力是有限的，所以被基金经理选择调研的公司也正是基金经理潜在感兴趣 的公司。这些公司的股票是否能够成为市场中表现优异的股票，那么可以一定程 度的反映基金经理的调研能力。基金经理参与调研的股票未来一个季度有较为 显著的超额收益，并且其中有接近1/

37、4的比例出现在其未来的持仓中，因此基 金经理的调研行为可能能为我们预测基金的投资业绩提供新的参考。基金经理调研数量因子基金经理调研次数越多，那么基金经理掌握公司基本面信息越多，因此其管理的 基金未来业绩可能更好。经测试，基金经理调研数量因子与未来基金业绩具有 正向相关关系。基金经理调研数量因子的RankIC历史均值为3.42%,年化 RankICIR 值为 1.06。基金经理调研质量因子不同基金经理调研能力有差异，调研能力越强的基金经理其未来业绩可能更好， 为刻画基金经理的调研能力，我们构建了基金经理调研质量因子。基金经理调 研质量因子对基金未来业绩具有显著预测性，因子的RankIC值为4.3

38、0%,年 化RankICIR 2.02。在剔除常见选基因子的影响后，因子依然表现出优秀的基 金业绩预测能力。FOF精选组合我们使用基金经理调研因子与常见选基因子相结合构建综合选基因子，因子的 RankIC 均值为 15.72%,年化 RankICIR 为 2.72, RankIC 的胜率为 90.24%0 从十档分组来看，因子单调性也非常显著，多头组合季均超额1.57%,空头组 合季均超额-1.78%,多空组合季均超额3.34%。我们根据综合选基因子打分来构建的20只基金等权FOF精选组合，2010年以 来，FOF精选组合每年均可战胜当年股票和偏股型基金业绩的中位数，在股票 及偏股基金中排名分

39、位点平均为32.96%O FOF精选组合费后年化收益率为 15.59%,而基准组合同期年化收益率为8.60%,实现了相对基准年化7%的超 额收益。参考文献Allison2008Allison L. Evans. Portfolio Manager Ownership and Mutual Fund Performance. Financial Management 37.3(2008):513-534. Carhart1997 Carhart, Mark M. . ”On persistence in mutual fund performance. Journal of Finance 52

40、(1997). Chen2004 Chen, Joseph , H. Hong , and H. J. D. Kubik , Does Fund SizeErode Mutual Fund Performance? The Role of Liquidity and Organization. American Economic Review 94.5(2004):1276-1302. Fama1993 Fama, Eugene F., and Kenneth R. French. Common risk factorsin the returns on stocks and bonds. J

41、ournal of (1993). Fama2010 Fama, Eugene F , and K. R. French , Luck Versus Skill in theCross Section of Mutual Fund Returns. Social ence Electronic Publishing 65.5(2010):1915-1947. lndro1999 Indro, Daniel C., et al. Mutual fund performance: does fund sizematter?. Financial Analysts Journal 55.3 (199

42、9): 74-87. Kacperczyk2008 Kacperczyk, Marcin, Clemens Sialm, and Lu Zheng. Unobserved actions of mutual funds. The Review of Financial Studies 21.6 (2008):2379-2416. Liao2017 Liao, Li , X. Zhang , and Y. Zhang . Mutual fund managers* timingabilities.* Pacific-Basin Finance Journal 44.sep.(2017):80-9

43、6. Pan2015 Pan, Xuhui , K. Wang , and B. B. Zykaj . Does InstitutionalOwnership Predict Mutual Fund Performance? An Examination of Undiscovered Holdings within 13F Reports/* Social Science Electronic Publishing. Puckett2011 Puckett, Andy, and Xuemin Yan. The interim trading skills of institutional i

44、nvestors. The Journal of Finance 66.2 (2011): 601-633. Sharpe1966 Sharpe, William F. Mutual fund performance/ The Journal ofbusiness 39.1 (1966): 119-138. Treynor1966 Treynor, J. L, , and K. K. Mazuy . Can Mutual Funds Outguess the Market. Harvard business review 44.1(1966).附录选基因子简介TM-FF超额收益：Fama201

45、0使用Fama-French三因子以及Carhart四因 子Carhart1997 (FAMA三因子加MOM因子)对基金经理的投资能力与运 气进行分析，发现基金剔除影响因子之后的超额收益越高，未来的基金业绩越 好。Liao2017利用TM模型Treynor1966将二者进行结合，将基金收益 率剔除Fama-French三因子以及市场收益率平方项的影响，用回归的截距项来 预测基金未来收益，TM-FF回归方程如下：Rfunda + BiRmkt + 电/村 + (hSMB + 04HM L其中，R/wd表示基金收益率，Rmkt表示市场收益率，使用过去240个交易日 的基金日度收益率进行上述回归，取回归后的截距项的a作为因子值。基金业绩的夏普率：Sharpe 1966最早提出可以使用基金业绩的夏普率对基 金的表现进行衡量。我们使用基金日度公布的净值数据，计算基金夏普率