如何有“信心”的选择基金？基于FCS方法的公募基金筛选——可转债型基金为例

分析师：张青（执业证书编号：S0890516100001）

研究助理：孙书娜

报告发布日期：2022年9月21日

投资要点：

◆基金筛选是资产配置中非常重要一个环节。当前基金市场品类繁多、风格多样，叠加投顾业务和FOF业务的快速发展，基金遴选的重要性逐步凸显。然而传统的基金筛选方法由于指标选取过于主观以及未能充分考虑基金业绩的可预测性和可持续性等弊端，无法合理地在众多基金产品中确定最终的标的配置。

◆利用置信度筛选出“基金置信组合”的方法或可在一定程度上克服传统基金筛选方法的弊端。该方法通过一系列的基金间成对比较，在每轮比较中依次淘汰一只与其他所有基金相比预测性或业绩表现“最差”的基金，直到在统计学的置信水平上不再能筛选出比其他任何进入备选的基金更差的基金为止。具体操作上，先使用风险因子和基金净值数据得到本期预测和下期实际的风险调整后收益，在此基础上计算基金之间的绩效比较指标。接下来，对列表内的基金使用等价检验来检验两只基金的业绩预期是否有显著差异，并与通过自举方式计算的统计量临界值进行比对，剔除统计值明显小于临界值的基金，重复以上过程直到被纳入基金置信集中的基金集合中不再含有比其他基金表现更差的标的。

◆通过构建等权组合，选择合适的业绩基准，对FCS基金集合的业绩与基准组合业绩做对比，以此判断FCS方法的有效性。考虑到可转债市场的发展与可转债型基金的数量及持仓特征，我们选取2017年一季度至2022年二季度可转债基金数据构建样本池，并于每个季末根据最新披露的资产配置情况进行更新。由于FCS模型需要过去两年的历史数据计算基金的风险调整后alpha，我们将构建组合的开始日期设定为2019-12-31，对组合2020年以来的表现进行评估，并分别通过与广义可转债基金整体和满两年的可转债基金整体进行业绩对比来评估FCS方法的有效性。

◆系统性风险是基金收益的重要来源，可通过多因子模型对基金收益进行拆解。结果显示，业绩归因的八因子模型可对基金收益进行高度拟合，且可转债型基金样本对股票因子的暴露度相较于债券因子普遍偏低。债券因子中，久期因子和信用利差因子是债券基金最主要的暴露值，绝大多数月份不同基金在久期因子上的暴露度都较为集中；期限结构因子在不同基金中暴露度多为正值但都偏低，且横截面及时序暴露度差异较小，可以看出基金经理在期限结构的配置与调整策略方面较为一致。对信用利差因子和评级利差因子而言，纯债型基金在这两个因子上的暴露分歧较大，体现了不同基金经理在信用下沉策略的运用上存在一定差异。

◆利用置信度筛选基金置信组合的方法拥有较高性价比，尤其在市场出现大幅下跌时优势更为明显，即在一定程度上做到了“低风险高收益”。无论是否考虑交易费用，FCS方法构建的组合的累计收益率曲线一直位于基准组合的累计收益率曲线之上，即FCS组合可以获取较基准组合更优的收益，且除极端市场行情外，FCS组合的累计收益率曲线一直呈现稳步上升的趋势，即该组合可获得比较稳定的回报收益。同时，随着时间线的拉长，FCS组合与基准组合的累计收益差逐步扩大。FCS组合在收益表现更好的同时具有更低的波动与回撤，因此Sharpe比率和Calmar比率均高于基准组合，稳健性及性价比都更高。

◆风险提示：以上数据均基于历史回测，注意历史数据与实际数据之间的差异，请谨慎使用。

1. 简介

2. 基金遴选FCS方法

2.1. FCS方法原理

2.2. FCS算法设计

2.3. 风险因子选择

2.3.1. 债基Campisi归因因子

2.3.2. 股基Carhart四因子

2.3.3. 风险因子相关性

3. FCS方法历史回测

3.1. 可转债型基金定义

3.2. 回测设计

3.3. 数据选取

3.4. 回测结果

3.4.1. 业绩归因模型的有效性和 alpha 分析

3.4.2. FCS组合绩效评估

4. 结论

海量资讯、精准解读，尽在新浪财经APP