基金经理评价小软件使用与分析实例

林晓明 S0570516010001

SFC No. BPY421 研究员

黄晓彬S0570516070001 研究员

刘依苇 S0570119090123 联系人

告发布时间：2021年4月29日

摘要

基金经理能力持续性强于基金业绩持续性，基金经理评价小软件助力选基

国内外学者和研究人员在实证研究中大多得到了基金经理投资能力存在持续性，但基金业绩持续性相对较差的结论，因此先选基金经理再选基金的投资思路或更加有效。我们以基金经理作为研究对象，开发了一套基金经理研究小软件，从选股择时能力、风险收益属性、换手率、投资风格和行业投资偏好等多个角度为投资人直观提供基金经理画像，并提供多指标综合打分定量筛选基金经理的功能。我们还通过rankIC和IR对软件中多个可回测基金经理业绩指标的有效性进行了检验，发现基于T-M模型的选股能力指标稳定有效，Sharpe和Calmar仅在短期有效且有效性不稳定。

基金经理能力持续性强于基金业绩持续性，根据基金经理选基或更有效

海外学者和研究人员大多认为基金经理投资能力存在持续性，过去数十年间海外顶刊论文和研究 告通过各种实证方法和衡量工具，证实基金经理的投资管理能力存在长期持续性，但基金业绩持续性存在与否尚未得到一致结论。基于国内数据的研究也大多得到了基金经理具有业绩持续性，但基金业绩持续性较差的结论，研究人员通过横截面回归、交叉积比率法、Hurst指数等多种计量工具，对国内基金业绩持续性进行了检验，结论均为国内证券投资基金业绩持续性不显著或难以稳定存在。综上，先选基金经理再选基金的投资思路或更加有效。

基金经理评价小软件通过多项指标对基金经理进行较为全面的多维度研究

由于基金经理能力持续性较强，我们以基金经理作为研究对象，以华泰金工基金研究体系作为分析框架，以沉淀下来的研究成果作为分析工具，开发了一套基金经理研究小软件。第一个小软件从选股择时能力、风险收益属性、换手率、投资风格和行业投资偏好等多个角度，为投资人提供直观清晰的基金经理画像，便于投资人通过基金经理的综合实力、投资风格及擅长领域，来筛选与自身投资偏好相匹配的基金产品。第二个小软件的主要功能则是通过多指标综合打分来定量筛选基金经理。

基金经理评价指标中选股能力稳定有效，Sharpe和Calmar短期有效

我们对软件中多个可回测业绩指标的有效性进行了检验，主要检验方法为滚动计算因子信息系数rankIC和信息比率IR并与阈值对比，再滚动测试各有效因子的最佳形成期和最佳持有期。检测结果显示，T-M模型计算出的选股能力指标以及Alpha指标是较为稳定的正向选基指标，其中选股能力指标有效性更强且更稳定，过去1-2年数据计算出的选股能力指标，能够有效选出未来1-2年内收益较高的基金经理。Sharpe和Calmar两个指标仅在短期有效，形成期超过9个月、持有期超过12个月，则指标或失效。

风险提示： 告中涉及到的具体基金产品不代表任何投资意见，请投资者谨慎、理性地看待；基金经理业绩由基金历史业绩得到，基金历史业绩与市场环境相关，不能完全代表未来业绩；基金经理评价指标有效性测试结果仅能说明其在统计意义下较大概率有效，不代表该指标在每个时点均有效；海外基金业绩持续性规律直接引自知名期刊论文，该规律或不适用于中国市场，且有失效的可能。

正文

基金经理能力持续性强于基金业绩持续性，选基不如选基金经理

基金经理的投资管理能力存在较强持续性

过去数十年间，海外学界关于基金经理投资能力是否存在持续性的问题，给出的大多是肯定的答复。Christopherson(1998)以Jensen alpha为基金经理管理能力的评价指标，使用横截面回归的方法对1979-1990年间的273名基金管理人进行考察，发现基金管理人存在显著的业绩持续性，且更集中于表现不佳的群体中。

Klaas P. Baks（2002）利用四因子模型（Carhart（1997）），对1992-1999年间的2086只基金进行横截面回归，得到各期的超额收益Alpha，再利用当期Alpha和同一基金经理的前一期Alpha做横截面回归，得出基金业绩存在持续性的结论。

国内权益类基金经理变更较为频繁，基金业绩持续性较差

基于国内数据的研究也大多得到了基金业绩持续性较差的结论。学界研究人员通过横截面回归（倪苏云等（2002））、交叉积比率法（杨义灿等（2003））、Hurst指数（陈磊等（2011））等多种计量工具，对国内基金业绩持续性进行了检验，结论均为国内证券投资基金业绩不存在显著的持续性，或是仅在季度或半年度的维度上存在持续性，随着时间推移，基金业绩持续性迅速下降。

国内权益类基金业绩持续性同样不能与基金经理业绩持续性划等 。我们统计了国内公募基金市场中全部普通股票型、偏股混合型和灵活配置型基金的基金经理从任职到离任的时长（统计范围不包括当前仍处于任职期间的基金经理），发现基金经理平均任职年限为2.21年，中位数为1.79年，大部分基金经理的任期长度在1年到2.5年，可见国内基金经理变动较为频繁。我们还对历史上各个月份内发生基金经理变动的权益类基金个数进行了统计，并将其在权益类基金中的占比一同绘制在了右下图表中，每月平均有3.44%的权益类基金发生基金经理变动，占比最高的2005年3月，有13%的权益类基金更换了基金经理。因此，国内基金业绩持续性较差并不代表国内基金经理业绩不具有持续性。

当前学界对于国内基金经理业绩持续性的相关研究数量较少，但其中绝大多数论文均证实基金经理的业绩存在较强持续性。汤震宇和林树（2009）通过2003年到2008年的季度数据构建“赢家-输家”组合，发现形成期中的赢家组合基金经理，在检验期中的超额收益显著高于输家组合，说明基金经理业绩具有一定的持续性。石寄华等则（2015）发现基金经理业绩存在显著的短期持续性和较弱的中期持续性。

根据基金经理历史表现筛选基金的思路或更加有效

总结前人的研究表明，基金经理的能力具有较强持续性，而国内基金的基金经理常有变动。因此根据基金经理历史表现来筛选基金的思路，或优于基于基金历史业绩选基。因此，我们以基金经理作为研究对象，以华泰金工基金研究体系作为分析框架，以沉淀下来的研究成果作为分析工具，开发了一套基金经理研究小软件。

小软件的主要目的是从选股择时能力、风险收益属性、换手率、投资风格和行业投资偏好等多个角度，为投资人提供直观清晰的基金经理画像，便于投资人通过基金经理的综合实力、投资风格及擅长领域，来筛选与自身投资偏好相匹配的基金产品。在下一章节中，我们将对小软件的使用方法、开发细节、指标计算方法等依次进行介绍。

评价小软件：综合定性和定量指标对基金经理做多维度研究

数据预处理：选取当前有在管基金的基金经理，编码区分同名基金经理

在小软件中，我们以Wind中有管理记录的权益类基金经理作为研究对象，从Wind中调取范围内基金经理的全部管理记录，依此开展后续研究。由于基金经理存在重名的情况、同一基金经理也可能会在不同的基金公司任职，我们难以简单依据基金经理名称和基金公司名称来精准区分不同的基金经理。

为了更精准地追踪基金经理业绩表现，我们通过基金管理记录处理和人工核对的方式，为每位基金经理生成独有的基金经理编码，利用基金经理编码对每位基金经理任期内数据进行整合，从而避免基金经理重名带来的统计误差。

在通过编码解决基金经理重名可能带来的潜在问题后，我们基于基金业绩数据、历史持仓数据和基金经理公开信息，生成多项定性、定量指标及持仓 告，对基金经理的整体实力及能力圈进行分项研究和整体展示。小软件中的统计数据起始于2000年1月1日，终止于2021年3月31日，统计范围内共有近3000位权益类基金经理，权益类基金管理记录超过9500条。接下来我们将对小软件界面及使用方法进行展示，并依次对业绩评价指标的计算原理和计算方法进行具体介绍。

通过定性定量指标展示基金经理业绩等，基于历史持仓研究风格行业贡献

基金经理研究小软件需在电脑上运行，操作较为简单，仅需要输入基金经理名称及其所属基金公司全称，并选择近一年/近三年/全部作为统计时长后点击搜索键，即可获取所选基金经理的综合评价图表，包括四张图和一个表格。

右上角表格为基金经理历史管理基金及在管基金列表，即使基金经理所任职的基金公司有所更换，列表中也会包含其在此前基金公司中的管理记录。表格中列名包括基金代码、基金名称、管理期间规模增长（亿元）、管理期间超额收益（%）和现任基金经理等多项重要信息。

此外，该表格还有两种互动方式。如果我们希望知道某一条基金管理记录的各项指标情况，则可单击表格中该项管理记录，获取针对该基金的定量评价图表、风格分解图表和行业分解图表。如果我们希望通过其中某几条管理记录来重新合成基金经理总评，则可按住电脑上的Ctrl键，多选表格中的管理记录进行合成，此时则可获得由复选记录合成的基金经理定量评价指标图表。其余图表统计项目较多，我们接下来将依次对其进行介绍。

基金经理定性描述：通过管理年限、管理规模、管理基金数和获奖次数衡量市场认可度

左上角基金经理定性描述图表，是我们站在2021年3月31日的时点获取相关统计数据构建的图表。其中包括五个统计指标：基金经理年限、基金经理获奖次数、在管基金总规模、在任基金数和任职基金数。第一个基金经理年限指标通常能够从侧面反映基金经理的实力。一般来说，管理年限较长的基金经理通常经历过不止一个市场周期，在各种市场环境下均有应对的经验。此外，基金公司存在末位淘汰机制，基金经理也面临着很大的业绩压力，管理年限较长的基金经理通常具有优异的历史业绩，例如富国基金朱少醒、国海富兰克林徐荔蓉、中欧基金曹名长、中欧基金周蔚文、兴全基金董承非、景顺长城刘彦春等。

其余指标的含义则较为直观：基金经理获奖次数指的是基金经理获取金基金奖、金牛基金奖和明星基金奖的次数，衡量的是整个市场对于基金经理的认可程度；在管基金总规模衡量的是投资人对基金经理的认可程度；在任基金数和任职基金数则同时反映基金公司和投资者对基金经理的认可度。在基金经理研究小软件的界面中，我们将上述五个指标绘制在了同一个蛛 图中，蛛 图的坐标代表所选基金经理的该项指标在全部基金经理中的排名百分比。例如，某位基金经理的年限接近6年，超过了76%的同类基金经理，获奖次数为9次，超过98%的基金经理，该基金经理各项指标的蛛 图如上图表所示。

基金经理历史业绩定量评价：多项指标综合刻画基金经理投资管理能力

基金经理历史业绩本质上是其所管基金的历史业绩，因此研究基金经理历史业绩的指标与所管基金业绩评价指标挂钩，其中包含四大类共12个指标：

1. 第一类是经典风险收益指标，包括年化超额收益、年化波动率和最大回撤；

2. 第二类是经调整后收益指标，包括夏普比率、Calmar比率和调整规模超额收益率；

3. 第三类是量化业绩评价指标，包括选股能力、择时能力和风格稳定性等（为保证模型的实际意义，我们不对管理时长少于60天的基金计算这几项指标）；

4. 第四类是操作风格相关指标，包括平均投资集中度、平均重仓股占比、平均持仓换手率。

通过计算，我们可以得到每只基金在基金经理任期内的表现，随后我们以基金经理管理时长为权重，对统计期内各条基金管理记录的各项指标分别进行加权合成，计算公式如下：

此处我们没有采用管理规模加权的原因是：管理规模本身就与基金业绩相关，基金历史业绩越好，越受投资者青睐，基金规模越大，规模增速越快。为了验证这一点，我们统计了2020年权益类基金收益率排名，将其分别与2020年12月31日基金规模排名、2020年基金规模增幅排名、2020年基金规模增长比例排名进行横截面回归，结果发现三个回归的贝塔系数均显著为正；收益率与三个规模序列之间的秩相关系数也均大于0.3，属于中等相关，因此基金历史业绩越好，管理规模越大。

假设一位基金经理管理A、B、C三只基金，A基金历史表现很好，B和C基金历史表现较差，根据以上统计规律，基金A的规模有较大概率显著大于B和C基金。如果我们用基金历史管理规模来对各项管理记录进行加权，则历史表现较好的基金A会分走较多的权重，从而在一定程度上掩盖住B和C业绩中隐含的风险因素。因此，我们选择与基金业绩无明显相关性的管理记录时长作为较为客观的加权依据，将统计期内的全部基金管理记录合成为基金经理的整体评价指标，并将其放在同期基金经理中计算排名百分比，绘制为类似下方的蛛 图。此外，如前所述，用户还可以通过小软件，自选多条基金管理记录重新合成基金经理管理记录，此处不再赘述。

以上就是基金经理各项评价指标的合成方法，接下来我们将对各指标的计算方法依次进行介绍。

年化超额收益率

收益率是最常用的收益衡量指标，但考虑到不同基金经理任职期间市场环境不尽相同，不同类型权益基金仓位水平也差别较大，我们选择采用超额收益率而非收益率作为评价指标。我们利用沪深300指数与中债新综合财富指数，按不同的比例，为不同类别权益基金构建不同的业绩比较基准：普通股票型基金的比较基准采用90%股指和10%债指收益率来合成；偏股混合型基金比较基准采用70%股指和30%债指收益率来合成；灵活配置型基金基准采用50%股指和50%债指收益率来合成。

通过上述比较基准得到超额收益率后，我们将收益率进行年化处理，以消除任期长短差异对计算结果造成的影响，最终得到年化超额收益率。

年化波动率和最大回撤

波动率衡量的是一段时期内的基金净值（或收益率）的不确定性，最大回撤衡量的是基金面临的极端风险。我们以日度数据计算各项基金管理记录的波动率和最大回撤，并将波动率进行年化处理。

规模调整后的年化超额收益率

早在2013年就有学者研究主动管理类基金是否能兼顾收益与规模的问题。Lubos Pastor、Robert F. Stambaugh和Lucian A. Taylor在《Scale and Skill in Active Management》中，以美国1979-2011年间3126只股票型共同基金为样本，探究基金规模与基金经理业绩之间的相互作用。研究发现，基金规模增加会带来管理难度的增加和调仓灵活性的降低，从而损失部分超额收益。因此我们依照海外顶刊论文Measuring skill in the mutual fund industry（Berk和Van Binsbergen（2015））中的做法，构建了“Value Added”指标，同时将基金经理的规模和业绩纳入考虑，指标计算公式如下：

其中，α为已经计算出的年化超额收益率，scale为该基金在对应基金经理任期结束时的规模净值。出于直观角度，我们将这个指标称为“规模调整年化超额收益”。从本质上来说，它衡量的是基金经理每年能从市场中获取多少元的财富，根据论文中实证结果，该指标在长期内持续性较强，能够较好地反映基金经理投资能力。

夏普比率

夏普比率（Sharpe Ratio）由威廉·夏普于1990年提出，可衡量投资组合每承担一单位风险所产生的风险补偿。夏普比率越大，表明在承担同等风险的情况下，基金获得的风险补偿（收益）越多，该基金的绩效越好。夏普比率计算公式为：

其中E(α)为投资组合的期间平均收益率，σ为投资组合的期间收益率标准差，rf为无风险收益率。

Calmar比率

Calmar比率（Calmar ratio或Drawdown ratio）衡量的是单位最大回撤表示的风险带来的基金收益。一般来说，Calmar比率越大的基金，基金经理对极端风险的控制能力越好，抗风险能力更强。最大回撤也能从侧面反映基金的投资和风险控制思路以及基金经理的风险控制能力。例如泓德基金王克玉，其基金年化超额收益超过84.7%的权益类基金经理，旗下各只基金的历史最大回撤也低于60%-70%的权益类基金，Calmar比率在全部基金经理中排名前5%，可见这位基金经理比较看重产品回撤，且具有较强的风险控制能力。

选股能力、择时能力

软件中采用T-M模型来测量基金的选股和择时能力。该模型认为Jensen Alpha模型中的β存在时变性，且与市场走势相关：当市场趋势上涨时，基金经理将会提高基金组合与市场组合之间的相关性β以跟随市场；而当市场趋势下跌时，基金组合将会降低相关性β以控制回撤。在这种合理假设下，β就变为了关于市场组合收益率R_M的一次函数：

风格稳定性

风格稳定性指标本质上是权益类基金在某一时期内投资组合风格的波动情况。我们首先选取一段区间，采用净值法估算基金各风格暴露度。在计算时，为避免多重共线性带来的较大误差，我们将基金复权单位净值相对业绩比较基准的日度超额收益作为因变量，将大盘价值、大盘成长、小盘价值、小盘成长四类规模风格指数相对沪深300的超额收益作为自变量，对每只基金以60天为窗口进行滚动回归测算。

在回归时我们还会增加一些约束，使得回归系数为正且回归系数之和约等于1，最终得到基金在60日区间内的风格暴露度，随后我们滚动求得每个60天内基金在各个风格上的暴露度，对暴露度序列计算波动率，则得到风格波动率指标。风格波动率越高，基金风格漂移幅度越大，基金风格稳定性越低；反之风格波动率越低，基金风格稳定性越高。

平均投资集中度

投资集中度是指基金重仓股占该股流通股比例的加权平均，能够衡量基金股票投资的集中度，我们采用前十大重仓股的总仓位来计算基金的投资集中度。平均投资集中度则是在基金经理任期内，所有中 和年 中披露的投资集中度的算术均值。当基金经理对自己选出的重仓股票具有较大信心时会提高投资集中度，但高集中度的投资组合也会带来风险不够分散、非系统性风险较高的问题。该指标见仁见智，并无明确的优劣之分，仅用来衡量基金经理的操作风格和投资理念。

平均重仓股占比

重仓股占比是指该基金的前N大重仓股市值占全部股票投资市值比，平均重仓股占比则是在基金经理任期内，该基金所有中 和年 披露的重仓股占比的算术平均值。平均投资集中度展现了权益类基金相对于整体投资组合而言对股票资产的偏好程度，而平均重仓股占比则体现了权益类资产的重仓股相对于股票资产的偏好程度。由于基金 告常披露前十大重仓股市值占全部股票投资市值比，因此，该指标统计前十大重仓股占比。平均重仓股占比越小，基金的投资风格越稳定，收益波动率越小，投资风险越小，在模型中排名越高。

平均持仓换手率

持仓换手率是指基金在 告期中买入卖出股票数量占整体股票投资市值的比率，平均持仓换手率则是在基金经理任期内，各期持仓换手率的算数平均值。第t期重仓股占比ST_t的计算公式为：

这个指标的计算结果仍是见仁见智，指标高低并无明显优劣之分，仅指示基金经理的管理风格。如果基金经理在平均换手率较低的情况下获得较高的业绩水平，则说明基金经理偏向选股类基金经理：擅长价值投资，偏好精选个股长期持有，且对自己的投资组合抱有较大信心。例如易方达基金张坤、中欧基金曹名长、博时基金过钧、兴证全球基金董承非和乔迁，以及前文中提到的泓德基金王克玉，历史收益率和选股择时能力均排名前列，且换手率低于90%左右的基金经理。

而在高换手率下取得较高收益的基金经理，则说明基金经理短期择时能力较强：更擅长相对短期的趋势判断，能够从行业和风格的轮动中通过波段操作获取短线收益，能够相对精准地把握市场的短期方向。例如华安基金的饶晓鹏和胡宜斌，历史收益率和选股择时能力均在同类基金经理中排名前列，且换手率处于中等偏高的水平。

规模风格分解和行业风格分解：直接观测基金经理的配置能力以及能力范围

除了两张蛛 图外，基金经理研究小软件界面中还包含两张组合图表，一张为基金规模风格分解图，一张为基金行业风格分解图。两张图均以基金而非基金经理为研究对象，基金持仓数据而非净值数据计算，准确度相对更高。

在处理底层数据时，我们对每条基金管理记录，调取基金经理任期内该基金的全部成分股（包括港股及退市股票）的代码、权重、所属中信一级行业分类、所属Wind规模风格分类以及统计期间收益率，计算每期基金在各个行业/风格上的仓位，以及各行业/风格的股票为基金带来的绝对收益率。将基金经理任期内仓位取平均、贡献度求和，最终得到了规模风格分解和行业风格分解图。

通过这两张图表，可以直观看到各个基金经理在管理各只基金时所偏好的风格和行业，还可以通过各个行业/风格为基金带来的贡献，观测该基金踩中了哪些行业的行情、擅长哪些行业内部的选股。

例如兴证全球基金的董承非和泓德基金的王克玉就属于行业配置较为均衡的基金经理，下方两张图表分别展示了董承非管理的兴全新视野（001511.OF），以及王克玉管理的泓德优势领航（002808.OF）两只基金的行业历史平均仓位及行业历史总贡献，可以发现两位基金经理的行业配置较为分散，各个行业均有涉及，没有一个行业的平均仓位超过10%。此外，两只基金在绝大部分行业上都录得了可观的正收益，行业内部选股能力较为出色。

例如林晶管理的华夏创新前沿（002980.OF）则有明显的行业偏重，医药行业和计算机行业历史平均仓位均超过20%，电子行业历史平均仓位超过12%，电新和传媒行业超过5%，其余行业权重均不到5%。此基金历史业绩同样排名前列，但行业配置思路明显异于前述两位基金经理。

通过小软件自主构建选基多因子策略，筛选出符合目标特征的基金经理

除基金经理研究小软件外，我们还开发了通过多指标选择基金经理的小软件。用户可以在小软件中，为自己关注的评价指标分配不同的权重，当右上角显示的各因子权重之和显示为100后选择统计时长，软件将自动按照输入的权重，筛选出总排名前30的基金经理并进行展示。

可选因子包括基金经理从业时长、从业年限、在管规模、获奖次数、任职基金数等外部指标，与所管理基金业绩相关的风险收益指标，选股择时能力和风格稳定性等量化分析指标，以及投资集中度、重仓股占比和持仓换手率等操作风格指标。在构建多因子体系时，我们考虑到不同指标之间量纲和数量级均有较大差别，因此对各项指标进行标准化处理。首先我们将所选因子按照实际含义进行排名，随后对其排名求Z分数进行标准化处理，将其作为各位基金经理在该项因子上的得分。随后软件按照输入的权重，对各项因子得分加权求得总分并进行排序。上图表即展示了50%获奖次数+50%选股能力排序结果，其中多为业内顶尖基金经理。

经典评价指标中选股能力稳定有效，Sharpe和Calmar短期有效

在本章节中，我们以基金经理为单位，对软件中涉及到的多个业绩指标进行检验，测试其是否能够筛选出综合能力更强、预期收益更高的基金经理。我们将首先通过信息系数（IC）和信息比率（IR），对因子有效性及因子稳定性进行测试，再滚动测试各有效因子的最佳形成期和最佳持有期。

选股能力和Alpha为稳定的正向选基指标，择时能力为负向选基指标

信息系数（IC）代表所选指标预测基金经理未来收益的能力。假设指标计算窗口（形成期）为T_Factor，收益计算窗口（持有期）为T_Return，调仓日为T，则IC计算方法为：

1、在T-T_Factor到T的指标计算窗口（形成期）内，计算每位基金经理所选指标值，并进行排名。

2、在T到T+T_Return的收益计算窗口（持有期）内，计算每个基金经理指数的总收益，并进行排名。

3、计算前两步所得排名的相关系数作为该期的rankIC（为简化表述，后面均以IC指代此处计算出的rankIC）。

4、滚动调仓日T，计算每一期的因子IC，并计算各期均值，得到因子平均IC。

通常当因子平均IC的绝对值大于0.05时，说明该因子对基金经理收益率有预测作用，能够选出实力较强的基金经理。

信息比率（IR）代表所选指标预测能力的稳定性。计算方法为多期IC的均值除以多期IC的标准差。通常当因子IR大于0.5时，说明该因子能够较稳定地预测基金经理未来获取收益的能力。我们将综合考虑IC和IR，对所选因子的有效性进行评价。

我们以Wind上的全部偏股型基金经理指数作为检测数据，以2010年1月1日到2021年3月31日作为回测区间，对超额收益、Alpha、选股能力、择时能力、波动率、最大回撤等可回测因子的IC值和IR值进行月度滚动回测，在回测时，我们还将调整可变参数，测试不同的指标计算时间窗口（形成期）及收益计算时间窗口（持有期）对结果是否存在影响。

从IC和IR来看，受测指标中最有效的指标为选股能力指标和Alpha指标。在不同的形成期和不同的持有期内，选股能力因子的平均IC值基本保持在0.05以上，IR值基本保持在0.3以上，在一半以上的回测中大于0.5，从数据上来看，此因子具有较强的选基有效性，且选基能力稳定性较强。

Alpha的计算原理类似选股能力因子，IC值也在大部分回测情景下高于0.05的有效阈值，具备一定的选基有效性，但其IC和IR值均低于选股能力因子。

超额收益指标仅在形成期较短（小于6个月）的情况下具备一定的选基有效性，且选基能力的稳定性略差。过去一段区间内较高的超额收益仅能为基金经理或基金带来短期动量效应，长期来看大部分基金经理很难将自身的超额收益排名维持在较高水平。Sharpe和Calmar比率同样仅在短期（半年）内有一定选基效果，且稳定性较差。

波动率和最大回撤排名较难为基金经理未来收益排名起到预测作用，二者本属于风险衡量指标而非收益指标，从逻辑来看这个结果也是较为合理的。而择时能力则始终是负向选基指标，择时能力强的基金未来收益反而更低。

选股能力指标中短期内有效性较强，Sharpe和Calmar仅在短期有效

在IC和IR的计算中，涉及到指标计算窗口（形成期）以及收益计算窗口（持有期）这两个预设的时间参数，选择不同的参数可能会导致计算结果大相径庭。计算窗口过短，则可能导致计算出的指标受到偶然因素影响较大，无法通过计算结果衡量基金经理的真实能力；窗口过长，则可能导致某些短期因子失效。

因此，我们采取“固定形成期T_Factor，遍历持有期T_Return”和“固定持有期T_Return，遍历形成期T_Factor”两种方法，测算所选指标在不同时间跨度下的有效性。

过去1-2年数据计算出的选股能力指标，能够有效选出未来1-2年内收益较高的基金经理

从IC和IR来看，当指标计算窗口（形成期）在12个月左右的时候回测效果最好，IC和IR值均达到峰值；24个月回测效果略差，IC值变化不大但IR值明显下降；在36个月的时候表现最差。也就是说选股能力是一个中短期指标，使用过去1年-2年数据计算出的选股能力指标有效性更强。

若采用过去1年作为形成期（指标计算时间窗口），只要持有期（收益计算时间窗口）超过6个月，选股能力指标长期稳定有效，IC和IR均超过阈值。选股能力指标最佳持有期同样是1年-2年，当持有期超过30个月，该指标选基效果逐渐开始减弱。

整体来看，选股能力指标能够有效且稳定有效地筛选出未来1-2年内预期收益较高的基金经理，用来计算选股能力指标的时间窗口在1-2年最佳。

我们以24个月作为选股能力指标形成期，以6个月作为持有期进行分层回测，分组1为选股能力最强组别，分组5为选股能力最弱组别。分月度收益来看，分组1在接近50%的月份内收益率最高，在大部分区间内净值高于其他组别，最终的收益率也最高。分市场环境来看，选股能力指标在震荡市及震荡上涨市中有效，在市场快速上涨的环境下选基效果较差。

Sharpe和Calmar属于短期指标，长期选基效果并不理想

从IC和IR来看，当Sharpe和Calmar的形成期（指标计算窗口）在9个月以内、且持有期（收益计算窗口）固定在12个月的时候回测效果较好，IC值超过有效阈值，但IR仍低于阈值；持有期在24个月和36个月时IC和IR均未超过阈值。也就是说Sharpe和Calmar是短期指标，使用过去9个月以内历史数据计算出的指标有效性更强。

当持有期（收益计算窗口）在11个月以内的时候平均IC值较高，指标稳定性也相对较好，但IR仍未超过阈值。整体来看，Sharpe和Calmar指标为风险调整后收益指标，同时将收益和风险纳入考虑，而非单纯以高收益为目标选择基金经理。因此我们将收益率作为因子是否有效的判断标准时，两类因子并未展现出稳定的有效性。

风险提示

1、 告中涉及到的具体基金产品不代表任何投资意见，请投资者谨慎、理性地看待。

2、基金经理业绩由基金历史业绩得到，基金历史业绩与市场环境相关，不能完全代表未来业绩。

3、基金经理评价指标有效性测试结果仅能说明其在统计意义下较大概率有效，不代表该指标在每个时点均有效。

4、海外基金业绩持续性规律直接引自知名期刊论文，该规律或不适用于中国市场，且有失效的可能。

免责声明与评级说明

免责声明

林晓明

执业证书编 ：S0570516010001

华泰金融工程深度 告一览

金融周期系列研究（资产配置）

【华泰金工林晓明团队】2020年中国市场量化资产配置年度观点——周期归来、机会重生，顾短也兼长20200121

【华泰金工林晓明团队】量化资产配置2020年度观点——小周期争明日，大周期赢未来20200116

【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法

【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增，待趋势明朗把握或更大20191022

【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826

【华泰金工林晓明团队】如何有效判断真正的周期拐点？——定量测度实际周期长度提升市场拐点判准概率

【华泰金工林晓明团队】基钦周期的长度会缩短吗？——20190506

【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（下）

【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（上）

【华泰金工林晓明团队】周期轮动下的BL资产配置策略

【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究

【华泰金工林晓明团队】市场拐点的判断方法

【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略 告（上）

【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（四）——华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（三）——华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（二）——华泰金工周期系列研究

【华泰金工林晓明团队】周期三因子定价与资产配置模型（一）——华泰金工周期系列研究

【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索

【华泰金工林晓明团队】市场周期的量化分解

【华泰金工林晓明团队】周期研究对大类资产的预测观点

【华泰金工林晓明团队】金融经济系统周期的确定（下）——华泰金工周期系列研究

【华泰金工林晓明团队】金融经济系统周期的确定（上）——华泰金工周期系列研究

【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列

行业指数频谱分析及配置模型：市场的周期分析系列之三

【华泰金工林晓明团队】市场的频率——市场轮回，周期重生

【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探

周期起源

【华泰金工林晓明团队】金融经济周期的耗散结构观——华泰周期起源系列研究之十

【华泰金工林晓明团队】经济系统中有序市场结构的进化——华泰周期起源系列研究 告之九

【华泰金工林晓明团队】企业间力的产生、传播和作用效果——华泰周期起源系列研究之八

【华泰金工林晓明团队】耦合振子同步的藏本模型——华泰周期起源系列研究之七

【华泰金工林晓明团队】周期在供应链管理模型的实证——华泰周期起源系列研究之六

【华泰金工林晓明团队】不确定性与缓冲机制——华泰周期起源系列研究 告之五

【华泰金工林晓明团队】周期是矛盾双方稳定共存的结果——华泰周期起源系列研究之四

【华泰金工林晓明团队】周期是不确定性条件下的稳态——华泰周期起源系列研究之三

【华泰金工林晓明团队】周期趋同现象的动力学系统模型——华泰周期起源系列研究之二

【华泰金工林晓明团队】从微观同步到宏观周期——华泰周期起源系列研究 告之一

中观基本面轮动

【华泰金工林晓明团队】行业配置落地：指数增强篇——华泰中观基本面轮动系列之十

【华泰金工林晓明团队】行业配置策略：拥挤度视角——华泰中观基本面轮动系列之九

【华泰金工林晓明团队】行业配置策略：景气度视角——华泰中观基本面轮动系列之八

【华泰金工林晓明团队】行业配置策略：趋势追踪视角——华泰中观基本面轮动系列之七

【华泰金工林晓明团队】行业配置策略：宏观因子视角——华泰中观基本面轮动系列之六

【华泰金工林晓明团队】行业全景画像：投入产出表视角