『風險模型應用之歸因分析』以「長信量化先鋒混合」為例

本文基於優礦風險模型,深入分析市場明星公募基金「長信量化先鋒混合」。

1、風險模型簡介

簡單來講,風險模型是預測組合風險大小(標準差)的模型,但其作用遠不僅於此

風險模型給我們提供了一套標準化的分析研究框架,這套框架立足於實踐,用眾多風險因子來解釋股票的收益來源,比如我們常聽到的市值、估值等屬於風格因子,銀行、非銀金融等屬於行業因子

所以,我們可以用這些風險因子來分解組合的收益,比如某個組合今天漲了1%,那麼這其中0.2%可能來自於市值因子、0.1%來自於銀行等等

這樣我們就可以將組合的收益分解為優礦風險模型的39個風險因子(10個風格+28個行業+1個國家因子)收益和特有收益,而這一點是僅僅通過累計收益率曲線來評估一個組合所達不到的

那麼這麼做的好處是什麼呢?下面的例子將會具體闡述

2、歸因分析

如上對風險模型的介紹主要站在歸因分析的角度,因為本文主要介紹風險模型在歸因方面的實踐,所以在開始實例前,先簡單介紹下歸因分析

歸因分析,就是詳細分解組合收益的方法,這裡的組合是非常廣的概念,並不只限於股票,還包括大類資產

分解的一個核心點就是出發點,由此可以得到兩種常用的歸因方法

    • brinson歸因:將組合超額收益分解為選擇收益、擇時收益和交叉收益,使用場景非常廣
    • 風險模型歸因:將組合超額收益分解為和對應風險模型對應一致的一些風險因子上,依賴於風險模型

3、實例分析

本文實例選取的是長信基金管理有限公司的長信量化先鋒混合,選取的原因是該基金在過去幾年內業績表現非常有益,另外該基金在剛剛過去的2016年中排名居前,應該來說做FOF的對這個市場明星產品絕對不陌生

但是,在最近三個月,尤其是4月份以來的市場調整中,該基金表現不佳,累計跑輸同期滬深300已經10%左右,業績出現了很大的波動性

下面的內容,將結合優礦風險模型,對長信量化先鋒A做深入的歸因分析,一方面介紹了優礦風險模型使用方法和實踐案例,另一方面,也是更重要的,介紹風險模型可以給我們帶來那些實實在在的價值

3.1、長信量化先鋒混合簡介

一款偏股型的混合型基金,成立於2010年11月18日,截止2017年5月19日,區間年化總收益高達22.35%

  • 基金對標基準為:0.75 X 滬深300指數收益率 + 0.25 X 中證綜合債券指數收益率

整體來看,該基金在收益上的表現算是非常搶眼,尤其是在2016年,其名列公募量化類基金NO.1

如下列示了其歷史業績表現

3.2、基於brinson歸因分析

由於該基金有明確的業績基準,所以我們可以對其進行標準的brinson歸因分析,將其收益來源分解為選擇收益、擇時收益和交叉收益

但就本例子而言,這一點似乎沒有必要,因為該基金對權益的配置一直是高於75%(基準是75%權益),而且對權益的配置比例相對來說還比較穩定,基本在85%左右的水平,所以我大膽猜測,這些偏股混合型基金合同里列示的基準是不是統一寫好的,而投資經理也不太關心權益的比例究竟是75%還是80%,只要不把一個偏債的混合搞成偏股的混合就行

通過對官網產品的介紹來看,其除了配置股票外,基本都是現金,對應的科目是銀行存款和結算備付金,主要應對平時申贖流動性的需求,這一點也合乎邏輯

雖然這裡不進行標準的brinson歸因分析,但簡單直觀的分析還是有必要的

如上所示,表中列示了每半年基金中各大類資產佔比情況,很直觀看到以下幾點

  • 20141231權益配置比例達到歷史新高,而在隨後的半年中出現的是A股難得的大牛市
  • 20150630權益比例降低至74%,而在此之後出現了A股難得的大熊市

單從以上兩點可以看出,基金經理對這輪牛熊市的把握非常不錯的,從上面的歷史業績圖也看出,其超額收益主要也就來自於這一輪牛熊市

3.3、基於風險模型歸因分析:主動權重/主動暴露

如上,brinson簡單看出來了投資經理在擇時上具備一定的能力,但基金的主要收益來源還是相對基準的超額收益,通聯旗下優礦的兄弟產品魔方(MOF)計算了具體的brinson分解數值,該基金年化主動收益為16.83%,其中只有0.65%來自於擇時,另外的16.18%則全部來源於管理能力,或者叫跑贏滬深300基準的能力

所以我們的重點還是來關係權益部分超額收益的來源,接下來的分析則把權益部分作為單獨的一個產品,按照優礦風險模型的框架,詳細分解其超額收益的來源,然後結合適當的主觀判斷,看看這個超額收益在未來是否具有持續性

下圖,可以清晰展示整個的分析框架

    • 配置收益:主要說明的是混合基金中因權益比例變化而帶來的超過基準的收益,但由於長信量化先鋒混合權益比例變動不大,實際基準相對模糊,所以這一塊真實帶來的超額收益不多
    • 管理收益:這是我們分析的重點,詳細分析投資經理在權益這一塊是如何大幅跑贏基準的,按照歸因分析框架,我們又可以將其細分為行業收益、風格收益和alpha收益,一般來說,行業收益和風格收益的未來可持續性遠不及alpha收益

先從主動權重入手

在每一期末,我們可以得到基金的詳細持倉,假設權益部分各股票權重為h,因子暴露矩陣為X,那麼組合對風險因子的暴露為X′h

上述中X可以通過優礦風險模型(DataAPI.RMExposureDayGet)來獲取,如下我們可以獲取到20170517這一天對應的風險暴露矩陣

若將基金持倉h減去同期基準(比如滬深300)中各股票h,便可以得到主動持倉,那麼公式計算出來的便是組合的主動暴露/主動權重

將歷史各期主動暴露取平均,便得到了該基金在投資區間內整體的投資風格,如下面兩圖所示,從風格和行業來展示基金的主動暴露情況

對上圖總結幾點

  • 在風格上,長信量化先鋒混合對小市值有非常嚴重的暴露,值高達-2.6,和1%的顯著性水平相當,也就是說該基金持股平均對數市值位於全市場對數市值0.5%分位的水平,有點可怕,不禁讓我想到了小市值ST組合之類的策略
  • 其餘主動暴露比較多的是盈利質量(EARNYILD)、估值(BTOP)和流動性因子(LIQUIDTY),也就是說基金所選的股票多半都是估值偏高、交易還比較活躍的小票
  • 在行業主動暴露上,組合相比滬深300嚴重低配了銀行(Bank)和非銀金融(NonBankFinan),從實際比例來看,好像壓根就沒買金融大藍籌股(銀行在滬深300中佔比也就大概19%,對銀行的主動暴露達-17%)
  • 另外,基金對機械設備、電子、化工有一定的偏好(風格和行業分類中英文對照說明請參見專業版優礦風險模型介面文檔)

通過如上分析,我們也大致能夠清楚組合的詳細情況,從歷史表現來看,組合表現確實是從2015年1月開始亮眼的,在2016年中優異的表現開始成為明星基金

需要說明的是,雖然我們的分析客觀公正,但由於持倉數據頻率較低(半年度),分析的結果也不一定全面,這個時候就需要結合歸因分析的結果和投資經理進行交流、訪談等主觀方面的判斷,以挖掘模型背後的東西

比如,在2016年,該基金全年漲10.52%,而全年各大股指均大幅下跌達10%以上,這麼好的業績肯定也有其他方面的因素,比如宏觀擇時控制倉位(前面簡單分析發現該投資經理對這波牛熊市節奏把握很好)、行業偏好(化工、機械設備)、波段操作能力(從業績走勢上看,該投資經理抓反彈能力不錯)等其他因素

3.4、基於風險模型歸因分析:主動收益

如上的主動暴露已經非常非常直觀的展示了基金的風格/行業傾向,更進一步的,我們可以在主動暴露基礎上計算基金的主動收益,可以將收益來源按照風險模型框架進行分解

假設f為factor return,β為上面計算的主動暴露,u為特有風險,那麼組合收益可以分解為風險因子收益(f′β)和特有部分收益(u′h)

上式中,factor return可以通過DataAPI.RMFactorRetDayGet獲取,u可以通過DataAPI.RMSpecificRetDayGet獲取

這裡需要說明的是,歸因分析的一個前提假設是組合在區間內不發生調倉,這一點和該基金的實際情況不太一致,因為公募每半年公布一次完成持倉,在這半年期間肯定會發生倉位的變化等,所以我們這裡分析出來的主動收益在絕對數值大小上可能和真實主動收益有一點偏差,但由於公募也不太可能出現較大倉位的變換,而且投資風格也相對穩定,所以主動收益分解到各因子上的相對大小還是非常具有參考價值的

下面,我們將詳細分析組合權益部分自成立以來、2016年全年、2017年至今三個區間段上的主動收益分解情況

成立以來:

2016年全年:

2017年至今:

說明幾點

  • 上述三個圖中,橫軸前十個為風格因子,最後一個sret為特有收益,也就是alpha收益,其餘中間的為行業因子和country因子
  • 分析圖1,基金絕大部分收益來自於市值相關因子(85%+20%),包括SIZE和SIZENL,也具有一定的alpha收益(20%),因為組合偏小盤,所以在估值、盈利質量因子上有一定的負收益,這裡的結果和前面主動暴露是一致的
  • 分析圖2,因為該基金成名於2016年,所以就單獨將2016年全年拿出來分析,可以看到絕大部分收益來源也是市直相關因子(約30%),alpha收益僅為4%,另外,基金在盈利質量上損失了12%的收益,但整體來看,組合還是取得了不錯的超額收益
  • 分析圖3,自2017以來,市值相關發生了逆轉,小盤股行情變為大盤股行情,於是乎組合的業績發生變臉,長期以來正的主動收益變為負的主動收益,尤其是市值相關因子,帶來了10%以上的負收益,另外由於組合偏小盤,在盈利質量上也有6%的損失,整體來看,分解結果和該基金今年以來的實際表現非常一致

3.6、案例總結

我們從標準的brinson歸因分析方法入手,對長信量化先鋒混合在股債配置上做了簡單的收益分解,將其分解為配置收益和管理收益(選股收益)

隨後對大部分收益來源的管理收益進行了基於優礦風險模型的歸因分析,將超額收益進一步分解為風格收益、行業收益和alpha收益

從主動暴露/主動權重、主動收益兩個角度綜合衡量了基金股票端的特點,發現基金配置了大量的低市值、高估值、高流動性的股票,基金表現出來的超額收益很大一部分要來自於市值相關因子(SIZE和SIZENL),有一定的alpha收益,但今年以來alpha收益消失

  • 探討1:該基金是否值得配置?從事後來看,該基金今年表現不佳不要原因在於小市值行情的逆轉,IPO超發、證監會對殼資源、概念炒作的嚴厲打擊都對小市值不利,那麼未來小市值是否能夠逆轉回來呢?又或者說我們在年初配置該基金之前已經知道該基金的收益來源,是否還會有足夠的勇氣來配置偏小盤股的長信量化呢?
  • 探討2:從股債配置角度來說,該基金經理對這輪牛熊市的節奏把握非常好,對權益類倉位的控制非常好,尤其善於抓小盤股的反彈行情,這一點是非常值得肯定的,但現有行情下我們對還不錯的反彈行情有多大的信心呢?

如前面所有分析,風險模型並不是來預測未來收益的神器,它更大的作用在於幫助我們理解收益、解釋收益,看得更清楚才能走得更遠,好比西醫,在一套理論體系下分析清楚了病因,才能對症下藥治療

4、風險模型其他作用

  • 歸因分析:如本文所示,我們可以清楚的知道組合收益和風險的來源
  • 因子提純:和歸因分析對應,我們可以利用風險模型提純我們研究好的因子,這樣因子得到的收益才是特有收益,也就是alpha收益,而這個收益也是最具有可持續性的,優礦中的neutralize函數就是幫助大家做因子提純
  • 組合優化:構建好因子後,我們需要綜合考慮風險和收益,利用二次優化求解最優組合,這其中的組合風險就是利用風險模型計算出來的
  • 其他:比如利用風險模型中間產物factor return來做行業/風格監控,或者風格輪動策略等

優礦現有的風險模型介面截圖列示如下

5、有態度的廣告

  • 說明1:推薦對象主要為做FOF投資的
  • 說明2:產品名稱為魔方MOF,通聯旗下優礦的兄弟產品,簡單來講就是,優礦研究出來的策略都可以放到魔方上面進行更詳盡的歸因分析,包括但不限於本帖中的所有分析內容
  • 說明3:該產品還可以按照一定的演算法進行基金產品的最優配置,科學合理
  • 針對本文的案例「長信量化先鋒混合」在該產品中有完整的歸因分析,下面簡單截圖展示界面,有興趣的夥伴可以通過文末申請鏈接和我們取得聯繫

6、功能預告

鑒於市場上越來越多的人和機構開始關注資產配置,做FOF的越來越多,而且如本文示例,風險模型在做FOF時具有的獨特價值,本月底,優礦平台FOF策略研究功能即將上線,感謝礦友關注。

作者:jiang.wei 原文鏈接: 風險模型應用之歸因分析:以「長信量化先鋒混合」為例

通聯魔方申請鏈接:通聯魔方-一站式資產管理服務平台

優礦風險模型申請鏈接:優礦pro 專業版申請試用


推薦閱讀:

趨勢交易者推薦書單
開港股賬戶,哪些券商比較好?
為什麼港股的定增價格可以折讓這麼多?
有錢有勢的機構,在買啥...
你認為炒股是心理上的博弈,還是技術上的博弈?

TAG:量化 | 股票 | 基金 |