*基金经理，*基金经理文集
*基金经理，*基金经理文集
本文目录一览：
步入2022下半程，老娘舅的TOP30明星基金经理榜迎来了年内的第三次发布。
回顾二季度初，股市日成交额大幅下滑，北向资金大举抛售，新发主动基金规模大幅缩水……
在一片悲观的市场情绪中，我们再一次优化了明星基金经理榜单，经由基金公司提名、主理人提名、定量指标三方结合，更换了共计10位基金经理。（点此回顾二季度TOP30基金经理榜单）
10位新晋基金经理中，还出现了一些业绩特别出色的选手。比如，凭借着对于制造行业的*把控，陈良栋（明星TOP30）管理的长城久富A在二季度涨幅为15.36%；凭借着对于农业板块的布局和挖掘，财通基金沈犁（新锐TOP10）从4月27日的*点反弹近31%。
除此之外，一直在榜单中出现的基金经理也有业绩拔尖的选手，比如易方达新能源“扫地僧”祁禾（明星TOP30），在单季度创造了24.17%的收益。
立足当下，随着“中报行情”风雨欲来，经历两个月反弹的市场似乎又处于一个十字路口，三季度还有哪些基金经理值得我们配置呢？
我们将通过两张基金经理榜单，在本篇文章的结尾给出答案。
二季度榜单业绩回顾
在公布榜单之前，我们先回顾下此前的两张榜单在二季度的整体表现。
收益方面，TOP30明星基金经理榜单上的产品在二季度平均涨幅9.15%，TOP10新锐基金经理榜单上的产品二季度平均涨幅7.48%，均高于全市场主动基金6.21%的平均涨幅。
*回撤方面，两张榜单上的产品*回撤均落后于市场平均水平。
（数据来源CHOICE，2022.4.1至2022.6.30）
两张榜单上，二季度业绩*的是易方达基金的祁禾（TOP30），由他管理的易方达环保主题涨幅为24.17%。
该基金主要布局新能源，将该基金自祁禾任职以来的表现与中证新能源指数做比较的结果如下。
（数据来源CHOICE，2017.12.25至2022.6.30）
从统计来看，祁禾自任职以来管理基金的走势长期稳压中证新能源指数，这充分体现了主动基金经理的价值。而在统计的完整18个季度内，涨幅超过中证新能涨幅概率更是超过80%，表现十分稳定。
（数据来源CHOICE，2017.12.25至2022.6.30）
不仅如此，在做到基金收益远超同期指数的同时，祁禾的回撤控制同样大幅好于指数。在5年多的时间内，基金的动态回撤几乎都小于同期指数！
（数据来源CHOICE，2017.12.25至2022.6.30）
收益防守一把抓，祁禾不愧“易方达扫地僧”之名！
回顾整个二季度，新能源作为主线的反弹非常亮眼，但传统的白酒赛道也再度雄起，数据统计显示，中证白酒指数二季度涨幅高约27%，大A久违地出现了一场“宁茅共舞”的好戏。因为重仓了白酒，吴越管理的嘉实消费精选A以17.67%的涨幅位列两榜第二，并且，*回撤不到5%。
如果要评选二季度*的持有体验产品，那么这个产品非吴越管理的嘉实消费精选A莫属。
注：了解祁禾，请点击《【Fund群英汇】业绩4年翻3倍，他才是新能源赛道的“扫地僧”？》阅读。
了解吴越，请点击《【明星TOP30】7年年化26%以上，竟然有人能做好行业轮动？》阅读。
三季度榜单披露
基于对市场风格的考量以及某些硬性条件的筛选（比如基金经理年限超限），老娘舅的三季度TOP30明星基金经理榜与TOP10新锐基金经理榜有所调整。
TOP30明星基金经理榜调换了7人，各有风格，独具特色。
比如，华商基金的周海栋，尤为擅长周期行业投资，他管理的华商新趋势混合近7年涨幅287.8%，在同期所有主动基金中位列第7；（数据来源CHOICE，截至2022.6.30）
财通基金的金梓才，精于科技投资，但他并没有落于窠臼，而是用行业轮动的方式*布局风口上的优质行业，今年年初成功踩准旅游、消费等风口，是大盘反弹前少有的收益为正的基金经理；
还有“调研狂魔”陆彬，这位2020年股票型基金业绩*得主，原本为管理年限3年以下的新锐TOP10基金经理。因为在三季度已经突破3年任期限制，于是晋升TOP30明星基金经理榜单。
本次新锐TOP10新调入的3位基金经理，都以新能源投资见长，风格比较集中。其中的代表，是信达澳亚基金的李博。
在本轮新能源的反弹中，李博管理的信澳新能源精选以66.7%的涨幅独占鳌头，技惊四座！（数据来源CHOICE，2022.4.26至2022.6.30）。
当然，被调出的基金经理并非不*，而是榜单名额有限。我们在经过风险收益、投资风格、行业的综合评估后，偏向于选择更适合当前阶段市场风格的基金经理上榜。
最后，正式向大家公布二季度TOP30明星基金经理榜单与TOP10新锐基金经理榜单：
明星基金经理TOP30
新锐基金经理TOP10
风险提示：基金投资有风险，投资需谨慎。本文中的任何观点、分析及预测仅供参考，不构成对阅读者任何形式的投资建议。
03月11日讯 国泰金鹿混合型证券投资基金（简称：国泰金鹿混合，代码020018）03月08日净值下跌2.71%，引起投资者关注。当前基金单位净值为1.1334元，累计净值为1.5933元。
国泰金鹿混合基金成立以来收益163.34%，今年以来收益13.23%，近一月收益8.60%，近一年收益16.27%，近三年收益23.05%。
本基金成立以来分红0次，累计分红金额0亿元。目前该基金开放申购。
基金经理为李海，自2019年01月15日管理该基金，任职期内收益13.12%。
小林 小林lc 2022-01-04 23:09
大家好，今天我们接着昨天的讲，
第5名，周蔚文，周蔚文和董承非一样，都是中国20多年公募基金，历史上，能超越两轮牛熊市，还能同时买实现，15%以上的基金经理。那周蔚文，是1973年出生，硕士学历，毕业于北京大学，
管理学科和工程专业，毕业之后呢，也是从研究员开始干起，2006年开始担任基金经理。周蔚文目前在广大基金有14只，其中代表作是，中欧新蓝筹混合。周蔚文2015年管理至今，六年时间累计收益158%，
第四名，曹名长，上海财经大学，硕士毕业。2015年加入到中欧基金，担任基金经理，在投资圈儿，格雷厄姆的价值投资理念，可以说是无人不知，无人不晓，也常常被基金经理拿来论道，
可是真正落实到投资上的人，其实挺少的，尤其是，当市场不在风口儿的时候，坚守的人那就更少了。曹名长是价值风格里面，业绩*的经理，大家公认，是公募基金的价值一哥，也是少数，
一直在坚守价值投资的经历，13年如一日，坚持风格不动摇，尤其是近几年啊，他的那种风格，其实不在市场的风口上，在这种情况下，坚守其实是很难的。曹名长目前在管理的基金，有八只，其中代表作是，中欧潜力价值，曹名长2015年管理至今，六年时间累计收益105%。
第三名 张坤，中国公募基金界的巴菲特，信仰有两种，一种是饭圈文化的余信，另外一种呢，就是深入骨髓的虔（前）诚，的信奉，国内信奉巴菲特的基金经理，可以说是抓一大把，
但最虔诚的信徒，一定是张坤儿，践行*的也一定是张坤。张坤在，大学学习生物医学工程期间，他就热爱投资，当他读到巴菲特的书之后呢，就深受启发，毕业之后，就加入到，易方达基金工作，算是巴菲特引导下，踏入到公募基金的，
2008年加入易方达基金，开始做研究员，2012年正式开启，他的基金经理之路，目前他管理的基金有四只，其中代表作就是，易方达蓝筹精选，2018年管理至今，三年时间累计收益156%，
第二名，刘格菘，响当当的公募一哥，2019年公募基金业绩排名啊，广发基金独揽前三，而前三的基金经理人？都是刘格菘，一个词儿来描述当年的场景，就是垄断。刘格菘，2005年中国人民银行研究生部，经济学博士，毕业之后呢，
在中国人民银行的工作了三年。主要的工作呢，就是对宏观数据跟踪，和研究比较。这期间他培养了，较为出色的一个宏观视野，习惯于从宏观视角去思考问题。刘格松目前在管理的基金呢，有九只，其中代表作是，广发小盘成长混合，2017年管理至今啊，四年的时间累计收益190%
第一名，朱少醒，中国公募基金历史上，* 一位十年，十倍的基金经理人，媒体是这么评价朱少醒的，颜值报表，业绩报表，但为人低调到尘埃里。朱少醒呢，是1973年出生，博士学历啊，
低调，就是朱少，一个标签儿。在他19年的从业生涯，当中，极少对外公开交流。公募基金的历史有20多年了，实现十倍收益，只有18只基金，铁打的营盘流水的兵，这么多年以来啊，很多基金，不知道换了多少位基金经理了，但唯独，、
富国天惠除外，15年以来，都是朱少醒在管理，期间，他经历了两轮儿大的牛熊市，你不乏经历了，像2008年2015年这样的大股灾，到今天他的，累计收益是2015%，平均的年化收益率23%，跟股神巴菲特，可以说是不分伯仲了！
好了！今天我们就先讲到这里！记得关注我！
在数据存储与分析技术快速发展的今天，数量化方法对投资领域的渗透超越历史任何时期。大量的创新性方法被提出并得到应用，以数据和模型为核心的现代投资方法体系已见雏形。在组合风险预测领域，线性风险模型方法不断在理论框架内升级完善，成为组合管理者所采用的风险预测主流方法。
在海外，风险模型方法被学术界和投资界广泛研究和讨论，并已形成相对完善与成熟的系统生态，而国内目前对合适的因子、参数与方法还未达成完全一致。本文旨在梳理风险模型理论和方法，并在A股市场进行验证，以期对风险模型和相关投资策略做相应的解析和验证。
一、风险模型方法的基本情况
一
风险模型方法的产生背景
风险模型的产生与投资者对投资的认知发展密不可分，是特定投资框架下的产物，并服务于该理论框架下的投资应用。投资理论对于收益与风险的认知发展是风险模型诞生的先决条件，所带来的风险预测需求是推动风险模型产生的直接动力。
表1Risk Model方法重要时间表
Risk Model的出现并非偶然，是Markowitz、Sharpe等搭建的分析体系的必然需要。收益与风险被放置在组合构建的核心位置，性价比成为衡量投资组合是否优异的基础指标，对未来风险的预测成为一个最为重要的问题。CAPM模型使投资者认识到证券收益与其所承受的特定风险相关联，更衍生出多因子分析方法，研究验证股票收益和风险可由少量共同因素所驱动和解释，风险模型雏形初现。
二
RISK MODEL方法的应用场景
风险模型主要作用是提供证券的风险预测与业绩归因。在此过程中，风险模型需要对股票收益建立因子模型，对组合过去历史的收益来源进行归因，依据统计方法和经验对股票未来风险形成推断与预测。
图1 Risk Model的主要应用场景
1、投资组合优化
组合优化是风险模型最核心的应用。在指数增强策略中，通常突出Alpha因子的同时，需要将跟踪误差锁定在一定的范围内，而这是风险模型最为擅长的部分。在主动量化策略中，如何*化预期收益，减少不必要的风险暴露，实现收益风险*配比，同样需要风险模型的组合优化功能。
2、组合业绩归因
风险预测主要面向未来，而组合业绩归因是面向过去。业绩归因在基金公司的运营、风险的监控存在集中应用。在基金评价和内控合规性要求愈加严格的背景下，业绩归因也将会是市场的重要需求领域。
二、RISK MODEL的理论架构和构建过程
一
RISK MODEL方法的理论基础
Grinold和Kahn对风险模型做出了重要的贡献，其风险模型的核心可以总结为三点：1）股票收益主要受少数几个因子的驱动；2）股票收益与风险因子暴露之间的关系是线性的；3）因子风险特征与特质风险特征存在稳定性，可以根据历史的特征推测未来。
基于历史的个股收益及因子暴露，通过线性回归估计出历史因子收益，利用统计方法预测出因子收益未来的协方差阵，用于投资组合未来风险的评估。
图2Risk Model的基本思想
二
RISK MODEL方法的构建流程
借鉴部分市场机构的经验，将RiskModel构建流程分为六步：因子选择、数据预处理、因子暴露计算、因子收益估计、因子协方差预测及特质风险预测。每个步骤涉及诸多精细化处理，精确度和稳定性决定了整个模型建立的质量和高度。
1、因子选择
选择哪些因子来解释收益，是构建风险模型的第一步，虽然可采用数量化的规则用于指导，但更多的是不断通过模型更新和迭代修正。因子选择的目标是通过少量风险因子实现绝大部分组合收益的解释，以使个股特定性风险尽量少且不相关，模型尽量稳定。因此，解释性、稳定性和直观经济金融逻辑是因子筛选的重要标准。
图3 PB风险因子的时间序列相关性
2、数据预处理
数据预处理是整个模型最关键的环节之一，只有准确与完备的数据才能做出好的模型。对线性模型而言，异常值和缺失值的处理显得极为重要。异常值可使模型偏离绝大多数的样本，缺失值则会使部分股票难以得到估计。需要明确的是，有时候异常值并不一定是这个数据出现了错误，而是其存在会导致模型不稳定。
根据以往经验，对异常值的处理一般可采用删除或降低回归权重的方法，删除意味着不把该只股票的信息带入模型的构建，降低回归权重则意味着降低该只股票信息的重要性。
对缺失值的处理则会相对简单一点，一般会认为其他指标十分相近的股票，也会具有相似的特定指标，有三种处理方式：一是基于其他指标估计相应缺失的指标；二是基于聚类的结果，使用相应类中的平均数或者中位数估计缺失的指标；三是删除，一般不会这么选择，因为其将直接导致相应股票缺少风险估计。
3、因子暴露计算
风格因子暴露需要保证具有统一的量纲及相近的分布，而每个因子可由多个指标构成。
首先，计算每个指标的标准化分数，使其具有均值为0，标准差为1的数据特性。风险模型所有的风险衡量都以基准指数为基础，基准指数的风险暴露需被设定为0。所以，在标准化所采用的均值是自由流通市值加权的均值。
其次，根据因子类内指标权重，加权得到因子数据，相应权重的设定是经济金融逻辑判断与模型迭代的结果。
最后，将计算得到的因子暴露数据进行标准化。因子暴露数据将会具有自由流通市值加权为0，标准差为1的性质。
对于行业因子暴露的数据处理则会采用离散型的方式。首先，确定使用行业分类，不同国家和市场往往适用的行业分类并不统一；其次，对于单行业经营的公司，其行业暴露即为1，对于跨行业经营的公司，将对多个行业进行暴露，并且和为1。
4、因子收益模型估计
明确因子暴露数据之后，最重要的环节是对整个模型的构建与估计，市场上使用的主流模型将个股收益划分为市场收益、风格因子超额收益、行业超额收益及特质收益。
此外，因为不同规模股票对应的特质风险是明显不同的，根据诸多海外文献建议，特质风险与公司规模（总市值）平方根倒数成正比，在回归时，个股的回归权重经常会被设置为总市值平方根。
5、因子收益协方差阵预测
因子收益协方差阵估计是对因子收益风险未来的外延性预测。主要解决思路来自Menchero，Morozov和Shepard（2008）的方法，基本想法是：1）更接近的数据具有更高的信息价值；2）相关系数要比方差更加稳定，具有更长的记忆性。
首先，为保证预测的可用性与稳定性，多使用日频收益数据对月频率风险进行预测，由于因子日度收益率会存在一定自相关性，需要使用Newey-West方法进行协方差的估计与调整。
其次，为凸显近期数据具有更高价值的特点，一般使用半衰期给不同时期的数据价值进行赋权。
基于此方法计算出相应的协方差矩阵，并给出相关系数与方差的估计值。
第三，在得到初步协方差矩阵估计后，还需进行特征因子（Eigenfactor）方差调整。Muller（1993）指出依据风险模型估计*投资组合的方差会出现明显的低估，Shepard（2009）给出偏差的数量化证明，在正态性、平稳性的假设下，风险模型估计*组合的方差会小于真实的方差，这部分低估主要来自于模型的过度拟合。
Menchero，Wangand Orr（2011） 对该类问题进行了系统的修正和讨论，通过引入特征因子（Eigenfactors）以辅助判断低估的幅度。（具体的讨论可参考文集）
最后，之前的每一步修正，其实都是针对横截面方向上的修正，当出现金融危机等特殊时期，使用过去一段时间的信息来估计方差会出现明显的低估。因此，在时间序列方向上也需对估计的波动做一个修正。基本的思路即是观察近期的风险数据与预测数据的高低估程度，如在时间序列上有系统性偏差，则对其进行修正。
经过时间序列上的调整后，对于风险的评估将会更加准确和稳定，保障截面与时间序列上均无系统性偏误。
6、个股特质风险预测
模型一般默认特质风险互不相关，故只存在个股的方差预测问题。具体可分为三步：基于模型残差给出特质风险的初步估计，基于市值分组进行贝叶斯修正和基于时间序列调整估计。
首先，基于残差给出个股特质风险的估计，但对于明显存在瑕疵的股票进行修正。
其次，由于特质风险存在明显的均值回复效应，可采用贝叶斯方法利用先验信息将其估计值向均值靠拢，符合均值回复的效应。
最后，与因子风险的时间序列修正一样，特质风险也需要对时间序列方向上进行调整，以使其估计更加匹配金融危机时的情况。
至此，在完成特质风险的预测之后，最终得到了每个因子的协方差矩阵估计及每个个股的特质风险估计，可用于对投资组合未来风险进行预测。
三、RISK MODEL方法在A股的实证分析
为探讨Risk Model方法在A股市场的有效性，选取2016年以来的数据进行建模与分析，为便于比较，本文所选择的因子以市场机构普遍使用的模型基本一致，剔除部分解释性较弱的指标。
表2 Risk Model选用因子与指标
一
A股市场RISK MODEL的实证
采用中证全指为样本空间，对异常值进行剔除处理，整体实证结果反映出中美市场的差异。
1、横截面拟合优度不高，市值组合收益接近全指
依据因子数据对中证全指的日收益进行建模，整个拟合优度处于30％的平均水平，同时存在较大波动性，这与A股市场特质性、情绪性因素影响更大有一定关系。拟合优度与模型的应用效果并不等同，仅会限制可优化的程度。在对特质性风险合理估计的情况下，依然可实现相当于随机权重的收益风险比的提升，在发达市场拟合优度大致处于40％水平。
图4 Risk Model对A股的收益解释能力
图5 Risk Model市场组合与中证全指收益
Risk Model所回归出的市场组合与中证全指走势非常接近，侧面说明中证全指特质风险分散良好，模型预测没有对所有股票形成明显的方向性的漂移。
2、因子收益诠释市场转变，因子偏好周期性变化
依据Risk Model回归出来的纯因子收益，可以提供观察整个市场的因子视角：
（1）市值因子（sizef）在2017年前一直处于反向状态，但在2017年后出现了明显的反转，并最终处于正向状态。同样呈现出反转特点的还包括贝塔因子和估值因子，投资者偏好对于这些属性始终处于一个多变的状态；
（2）风险因子（rvf），动量因子（momf），流动性因子（liqf）则呈现出稳定的反向状态，投资者对于它们的偏好在整个样本时期处于稳定，即偏好低风险、反转、低流动性的股票；
（3）成长因子（growf）在这段时期则处于一个波动上升的状态，意味着投资者还是偏好于成长性的股票，但经常呈现周期性变化。
图6 Risk Model各类型因子收益走势图
A股市场的因子收益展现出来的特征与美国市场存在明显差异，美国市场小市值、动量、低贝塔、高预期盈利的公司会获得更优的收益，而A股市场更倾向于反转、高成长、低风险、低流动性的股票，这些特点与两地市场的投资者、市场结构差异存在关联。
图7 美国市场因子收益的部分展示
（数据US Equity Model）
3、行业因子影响显著，风格因子表现平均
因为回归涉及到个股的权重，所以难以采用偏相关系数衡量因子解释度，故而选择T统计量（纯因子收益的显著性统计量）衡量每个因子的显著性水平，也可认为是对模型的重要性水平。
从实证结果看，最显著的统计量为行业类型因子，而风格因子的重要性则穿插其中，显著水平高低依次为杠杆因子、动量因子、成长因子、估值因子、市值因子、贝塔因子、风险因子、流动性因子，较优的因子收益与较优的解释性并不*一致。
图8 各因子显著性水平
二
Risk Model的应用
——指数增强基金收益分解和策略构建
指数增强型基金在近年来表现优异，受到广泛关注，不少基金规模都超过10亿元，个别的甚至超过100亿元，受制于当前市场有效性环境，指数增强型基金的优势或将持续。同时，Alpha多因子策略仍是基金公司实现指数增强的主要途径。
1、指数增强基金优异表现验证市场弱有效性
从指数增强型基金的表现来看，近几年平均有70％以上的指数增强型基金实现了超额收益，年化超额收益可达近10％，这与发达市场存在显著差异。
图9 指数增强型基金的历年表现
2、指数增强型基金的因子暴露
由于对沪深300指数增强的基金产品最多，规模*。同时，沪深300股票集中于大市值，风险模型预测更加准确，本文选择以沪深300为标的的指数增强型基金进行分析。
表3 沪深300指数增强型基金列表
由于基金半年报会披露所有的持股明细，而季报只披露前十大持股，所以采用半年报对其暴露进行分析，同时由于小规模基金受各类型因素影响较多，组合难以匹配目标，因此目前市场规模*的300增强产品---景顺长城沪深300产品为例进行分析，探讨增强型产品的风险暴露变化。
图10景顺长城沪深300半年因子暴露（vs 沪深300）
从其产品披露的持仓，估算出其对应的因子暴露情况，可观察到几个有意思的情况：（1）该产品对SIZE因子做了较为*的择时，2016年中时，持仓几乎是消除了SIZE的影响，但在2016年末、2017年都加强了SIZE因子的正向暴露，匹配了市场的走势；（2）该产品对Beta、PB、Leverage有持续稳定的风险敞口，一直倾向于选择低贝塔，低估值、高杠杆的公司；（3）该产品对于波动率、流动性、成长性、动量应用较少。
3、增强收益的解析和相关策略构建
公募基金具有定期的持仓披露制度，为分析和跟踪其投资逻辑提供了学习与研究的基础。在学习的技术上有两种选择，一种是基于持仓的精确数据，配置复制组合，这种方法的优势是精确，劣势是时效性比较差，只能半年调整一次持仓，并且调仓存在明显的滞后；另一种方法是根据净值表现去分析风险暴露，从而实现更为及时的跟踪。
验证第一种方法，配置与基金公布持仓完全一致的股票，以基金定期报告披露时间进行调仓。在早期，复制效果尚可，但随着基金对于风险和持仓的调整，差异开始显现。比如在2016Q4，持有的仍是对size暴露接近0的组合，而基金已经转向正向的size暴露，表现就开始出现明显的分歧，所以该种学习方法存在明显的滞后性，从实际来看操作可行性较差。
图11采用持仓复制方法的效果
验证第二种方法，依据基金净值表现推测其相应的风险暴露，利用Risk Model的稳健性和优化功能达到较优的跟踪或超越。将基金的净值超越RiskModel市场组合的超额收益对所有纯因子收益进行回归，依据模型输出的系数估计其所采用的因子暴露情况。
依据所回归出来的暴露，对沪深300 的成份股权重进行优化，在保持相同风险暴露时，追求偏差最小化（*可追求跟踪误差风险最小化，但其中涉及诸多复杂的风险预测方法，这里仅以简单的方法说明）。
从整体情况来看，学习效果会优于成份股方法，其对于基金组合调整的信息反映更加及时，同时风险暴露的贴合更加稳定，该方法在复制基金组合时会更加稳健。
图12 采用模型复制方法的效果
图13 2016年底估算的基金风险暴露变化
需要特别说明的是，对于增强型基金的跟踪，主要是学习和借鉴增强型基金经理对因子表现择时的智慧，轮动可能是发现新因子信号所驱动，相应方法的应用会存在一定主观性和产品设计上的障碍。因此，对于单只或少数几只产品的跟踪意义不大，而通过对特定群体的学习或更有参考和借鉴意义。与此同时，可依据自身观察的长期溢价因子与对组合的风险预测技术，实现完全被动化的因子溢价增强的方法。
图14 构建规则化增强型策略路径
四、总 结风险模型诞生与投资认知深入发展密不可分，它是收益-风险分析框架下的必然产物。风险模型的主要功能在于对证券风险的预测与解析，可应用在组合优化与业绩归因领域，在整个风险管理技术行业有重要影响力。
线性风险模型的核心逻辑有三点：1）股票收益主要主要受到少数几个风险因子所驱动；2）股票收益与风险因子暴露之间呈现线性关系；3）因子风险特征与特质风险特征存在稳定性，可根据历史推测未来。风险模型的基本流程可以分为三块，分别是因子收益与特质收益的估计，风险的外延性预测及组合风险的预测与优化。同时可分为6个步骤，即因子的选择、数据的预处理、因子暴露的计算、因子收益的模型估计、因子收益协方差阵的预测、个股特质风险的预测。
A股市场风险模型的拟合优度略低于海外发达市场，因子收益同样呈现出特色的一面。相较于美股偏好小市值、动量、低贝塔、高预期盈利的特点，A股市场更倾向于反转、高成长、低风险、低流动性的股票。另外，A股市场行业因子相较于风格因子更为显著，个股收益受行业影响更大。
指数增强型基金近年来表现优异，侧面验证了市场的弱有效性。增强型基金的因子暴露变化显著，从因子暴露的视角可以有效分析其收益来源。学习增强型基金的收益有两条途径，其一是根据其披露的成份股学习，其二是依据净值走势猜测其风险暴露敞口，并据此构建组合。从整体情况来看，第二种方法对基金调整暴露的信息反映更加及时，收益方面也更加稳健。未来，可根据因子系统性溢价的研究结果，利用风险模型的预测，形成特定主动风险下的完全规则化的溢价指数构建。
今天的内容先分享到这里了，读完本文《*基金经理》之后，是否是您想找的答案呢？想要了解更多*基金经理、020018相关的财经新闻请继续关注本站，是给小编*的鼓励。
