如何寻找不随波逐流且alpha能力强的基金

　　这是一篇迟到的公众号，但是我相信即使现在发也还来得及。

　　事情起因是春节后身边许多朋友问我今年怎么买基金？我的观点是：不要去人多的地方，无论是低估成长策略、中观行业配置、低波红利策略、还是逆向投资策略，反正尽量不要买抱团股扎堆的基金，目前为止我还是这个观点。

　　然后有朋友接着问，那什么样的基金符合不扎堆不抱团？ 今天就介绍几个我常用的跟踪基金从众与否、扎堆与否的指标。

　　1、基金相对茅指数beta   

　　如果用茅指数简单粗暴地代表抱团股，那最朴素的方法就是考察基金净值走势和茅指数走势的相关性。用基金过去一段时间的收益率对茅指数收益率作一元线性回归得到基金相对茅指数的beta系数。如下图，基金A和茅指数的相关性显然大于基金B，从最新一期重仓股来看，基金A的重仓股也更贴近茅指数成分股。

　　2、基金的网络中心度

　　第二个维度是衡量基金的网络中心度，该方法《机构投资者（基金）交易行为传染性研究》介绍过，这里简单说明下。

　　首先，根据基金季报披露的重仓股数据构建基金网络，若两基金持有同一股票比例超过5%（4%和6%也行） 则认识该两只基金存在联系。如下图为一个含有11只基金构成的简单网络，重仓持有相同股票的基金间用直线连接。（根据重仓持有股票比例不同，连接线的粗细也可以不同，即所谓的加权网络）

　　为了描述基金的网络广度和深度，此处引入一些常见指标：

　　degree_centrality（n）：节点（此处代表某个基金）的度，即某节点连接的其他节点数。默认情况下会进行归一化，其值表达为节点度d（n）除以n-1（其中n-1就是归一化使用的常量）。该值越高，说明节点和其他节点连接越多；

　　closeness_centrality（n）：节点的距离系数，即某节点到其他所有节点的最短路径之和的倒数，这里还乘以n-1进行归一化。该值越大表示节点到其他节点的距离越近，连接越紧密；

　　betweenness_centrality（n）： 节点的中介系数

　　其中个g_pq表示节点p与节点q之间连接的全部路径数，g_pq（nj）代表基金p与基金q路径中包含基金j的路径数量，该指标含义为：对网络中任意一对基金p、q，它们所有的直接或间接联系中，必须要经过节点j的比例，反映了节点 j在传递信息中的重要性，该指标越高说明通过基金j建立的联系越多，基金j重要性越高，除以（（n-1）（n-2）/2）用于归一化；

　　由上述定义可以看出，closeness_centrality、betweenness_centrality（n）以及degree_centrality等指标能较好的反映节点（即基金）在网络信息传递中的重要性或同网络中其他节点的相关性。本文即基于上述三个指标计算基金的网络中心度。符合逻辑的解释是：如果基金的上述三个指标越高，说明基金的重仓股越和其他基金类似，其持股越主流。

　　上述三个指标都经过了标准化，取值范围（0，1），因此简单平均后可代表基金的平均网络中心度，然后对2018Q1~2020Q1 共13期数据取平均。下图是两只基金的网络结构图，其中基金A的指标得分为0.99、基金B的指标得分为0.06。很显然，因为重仓持有相同股票而跟基金A关联的基金数量远远大于基金B，基金A的网络结构图一度让我产生了密集恐惧症。。。。

　　同样可以观察一下两只基金的重仓股情况，基金A的重仓股几乎都是耳熟能详的龙头股，显然基金B的重仓股要非主流得多。

　　3、基金的从众效应

　　第三个维度是考察基金的羊群效应指标，其实也在之前一篇文章《国内公募基金的羊群效应研究》中详细介绍过，首先计算基金定期报告披露的全部持股相对上期变化（由于需要全部持股的变化比例，所以此处用了中报、年报的数据）：

　　此处P_i，t为本期重仓股股价，H_i_j，t是本期基金j持有股票i数量并经过分红转增调整，H_i_j，t-1是上期基金j持有股票i数量，Marketvalue_j，t是本期末经过管理费调整的基金平均净资产。

　　Delta_h_i_j，t是基金j的调整后持股i比例变化，Delta_H_i_n，t是除基金j以外的全市场基金的调整后持股i比例变化的规模加权平均，即规模更大的基金，其对股票i的加减仓变化权重更大。

　　接着每一期对单个基金进行横截面回归，方程如下。这里β系数越大且越显著，说明基金的从众效应越明显，反之则反然。

　　4、基金的alpha能力

　　前面几个指标主要用于挖掘非抱团非随波逐流的基金，但一个很有可能的结果是，基金重仓了一堆无人问津的冷门股票，虽然非抱团但由于基本面不好也不涨甚至踩雷买到垃圾股票。因此有必要再评估一下基金的选股能力或者alpha获取能力，我们希望找到那些不抱团但也有个股挖掘能力的基金。

　　衡量基金alpha能力的方法有很多，从简单的CAPM到FF3再到FF5因子模型，都可以从某个角度衡量基金的alpha能力。本文采用更苛刻的方法，即barra因子剥离后的alpha：

　　这里f_i是29个行业因子收益率、f_s是10个风格因子收益率、f_c是国家因子收益率，通常就是市场表征指数。使用2018Q1~2020Q1的日频数据，每个月底根据过去60个交易日做滚动回归求alpha，最后再从时间序列角度求alpha平均代表基金18年以来的平均选股能力。

　　最后我们基于上述4个维度筛选基金，目标是选取抱团指标综合得分越低越好（几个抱团指标的权重可以自行设置，比如我特别厌恶相对茅指数的暴露程度，因此给了更高的权重）、alpha越高越好，也就是下图中左上角区域的基金。

　　具体标的我就不列出了，可以私下讨论。

　　最后告诉大家一个秘密：还有5天就要回来上班了！！慌不慌？？！！所以这个假期该出去浪的浪（发这篇文章的时候，本人已经走在去山里的路上）、该娱乐的娱乐，实在不知道干啥就在家好好看我的公众号吧！！！祝大家节日快乐！！！

　　本文作者：九号线，来源：九号线，原文标题：《如何寻找不随波逐流且alpha能力强的基金》

扫二维码，注册即可领取6.xx%理财券>>

免责声明：自媒体综合提供的内容均源自自媒体，版权归原作者所有，转载请联系原作者并获许可。文章观点仅代表作者本人，不代表新浪立场。若内容涉及投资建议，仅供参考勿作为投资依据。投资有风险，入市需谨慎。

海量资讯、精准解读，尽在新浪财经APP

责任编辑：李园