如果你也对基金有兴趣，希望可以耐心看完这篇文章。

其实我一直都是想研究基金的，但是实在是能力还不够，现在做不到想做的东西（开发一个APP/网站/小程序），功能是：帮你筛选出市场上综合评分最高的基金（因子当然也是也精选过的，不会和现在市面上的一样），并且按照行业、风格归类，然后每天更新核心数据（除了各大网站已有的净值、持仓股等常见数据外，还有最新回撤[用来对比历史最高回撤]、重仓股的技术面分析、重仓股的估值数据更新等等）

在我的认知里，有以下4中途径去选择基金：

1、从基金本身出发，根据其历史数据去选择优质基金；

2、从基金经理出发，根据基金经理的强弱去选择其管理的优质基金；

3、从行业赛道出发，根据赛道去选择强的基金经理以及相应优质基金；

4、从持仓股出发，根据精选个股去选择强的基金经理和相应优质基金；

下面这个图是目前已经准备好的数据，先看一看能不能玩出什么花样吧。

基金经理组合构建的实证研究

兼顾因子的有效性和因子间的相关性，本报告筛选了选股AlphaIR、机构投资者占比、最大回撤率、波动率和管理份额5个基金经理因子加权构建复合因子。

利用基金经理过去一年期数据构建的复合因子的RankIC均值为0.233，标准差仅为0.113，胜率为100%；利用基金经理过去三年期数据构建的复合因子的RankIC均值为0.239，标准差仅为0.136，胜率为98.33%。同时，基于复合因子构建的基金经理组合业绩表现优异，相对市场平均业绩年化超额稳定在6%以上，年度业绩排名基本位于同类基金的前30%-40%分位点内。可见，本报告构建的基金经理因子评价体系能很好地预测基金经理未来一年业绩排名。

特别的，由于跳槽等原因会使得基金经理存在空窗期，在此期间没有正在管理的产品，使得基金经理指数是不连续的。此时有两种处理方法：一种是认为基金经理业绩是不变的，即用零值去补充基金经理指数；另一种是认为基金经理业绩是市场平均业绩，即可用主动权益类基金指数（例如：中证偏股型基金指数，930950.CSI）去补充基金经理指数。本报告主要采用的是第二种方法，原因是主动偏股型基金的仓位都较高，基金业绩与市场涨跌相关性较高，用市场平均业绩补充可以有效平滑指数曲线，使得基金经理指数能更加真实反应基金经理管理能力。

以基金经理A为例，其在2006年至2015年上半年在基金公司A管理产品，并在15年牛市高点离职；熊市的暴跌阶段处于空窗期，直至15年末才在基金公司B重新管理产品。从基金经理A指数上来看，如果不对空窗期修正，会认为基金经理完美躲避了15年股灾，基金经理指数表现非常优异；而事实上主动偏股型基金由于存在最低仓位限制（不低于60%），如果基金经理此时仍然管理产品的话净值大概率会随着市场同步下跌。因此，我们可以使用中证偏股型基金指数（930950.CSI）来补充基金经理空窗期的业绩，进而使得基金经理指数更贴合实际。

基金经理因子库。考虑到基金经理的可用信息和投资行为，我们将从简历信息、从业信息、业绩表现、风险控制等10个维度构造了基金经理因子库，共包含36个具体因子，相关因子的构建方式如下表所示。其中，基金经理性别、学历、年龄(分档)、任职年限(分档)等会对因子进行分类研究的是分类变量因子，而年龄、任职年限、任职年化回报、选股Alpha等为数值变量因子。由于分类因子与数值因子存在差异，在因子处理、检验和应用上分别进行操作。

为了便于后期因子的合成，我们需要对数值因子值进行规范化处理，主要包括去极值、标准化等过程。

根据因子库中的计算公式可知，数值因子主要基于基金经理指数、季报、半年报（或年报）信息构建。其中，由于基金经理指数数据可以实时获取，相关因子可以在每月末利用最新数据计算，例如业绩表现、风险控制、选股能力等类因子；而季报数据会在季度结束之日起15个工作日内披露，相关因子需要在季度结束的下个月末才能用最新报告数据计算，例如管理规模、持股仓位和持股集中度等因子；半年报（或年报）数据会在季度结束之日起60个工作日（或90个工作日）内披露，相关因子需要在季度结束的2个月（或3个月）末才能用最新报告数据计算，例如换手率、机构投资者占比等因子。因此，针对涉及到季报、半年报（或年报）的因子，我们会在每月末利用能拿到的最新数据进行构建。

因子有效性检验分析——分类因子。针对管理过主动偏股型基金（普通股票型基金+偏股混合型基金）的基金经理，我们将在2009-2019年11月间测算所有基金经理分类因子的有效性，即研究不同类期望收益的差异性。

结论：虽然高学历、拥有证书、曾任卖方分析师、任职年限长等因子对基金经理未来业绩有一定区分度，但超额收益并不高，单纯依靠这些因子筛选基金经理并不能够获得较高的收益表现，更多的可以作为辅助性指标。

因子有效性检验分析——数值因子。针对管理过主动偏股型基金（普通股票型基金+偏股混合型基金）的基金经理，我们将在2009-2019年11月间测算所有基金经理数值因子的有效性，即在每月末计算基金经理当期因子值与未来一年业绩的RankIC值，并统计RankIC均值、RankIC标准差、RankIC_IR值、RankIC胜率等。

基金经理因子评价体系，上文我们分别对分类因子和数值因子进行了有效性检验，发现诸多与基金经理未来业绩存在相关性的因子。因此，我们从基本信息、盈利能力、盈利稳定、风险控制、盈利质量、选股能力、管理规模、机构偏好等8个维度构建基金经理因子评价体系。如下图所示。

可以看到：

在基本信息维度，我们选择了基金经理的学历背景、任职年限、工作经历、操作风格等因子，认为具有学历越高（硕士、博士）、拥有一些证书（CPA、CFA等）、任职年限越长（2年以上）、曾任卖方分析师、换手率适中等特性的基金经理未来业绩相对较好。特别的，这些因子对业绩的区分度并不特别高，单纯依靠这些因子筛选基金经理并不能够获得较高的收益表现，更多的可以作为辅助性指标；

在盈利能力维度，我们选择了绝对收益、超额收益等因子，认为过去绝对收益和超额收益越高（前30%分位点内）的基金经理未来业绩相对较好；

在盈利稳定维度，我们选择了业绩稳定性、超额收益稳定性等因子，认为绝对收益和超额收益越稳定（前30%分位点内）的基金经理未来业绩相对较好；

在风险控制维度，我们选择了最大回撤率和波动率等因子，认为过去风险控制越好（后30%分位点内）的基金经理未来业绩相对较好，同时注意风险控制因子仅限在震荡市和牛市中，在连续下跌后反弹行情中不适用；

在盈利质量维度，我们选择了夏普比率、信息比率、詹森系数等因子，认为过去盈利质量越好（前40%分位点内）的基金经理未来业绩相对较好；

在选股能力维度，我们选择了选股Alpha和选股AlphaIR等因子，认为过去选股能力越高越稳定（前50%分位点内）的基金经理未来业绩相对较好；

在管理规模维度，我们选择了管理规模和管理份额等因子，认为过去规模和份额越小（后40%分位点内）的基金经理未来业绩相对较好，同时注意基金经理管理规模应该在3亿元以上；

在机构偏好维度，我们选择了机构投资者占比等因子，认为过去管理基金的机构投资者占比越高（前40%分位点内）的基金经理未来业绩相对较好。

基金经理复合因子的构建。在上文中我们从八个维度构建了基金经理因子评价体系，但是一些维度因子间的相关性较高，尤其是由基金经理指数衍生出的盈利能力、盈利稳定、盈利质量和选股能力等类因子。如何利用相关性较高的因子进行加权复合，不仅无法提升复合因子的有效性，反而会带来冗余信息的叠加。因此，参考此前我们基金视角因子体系报告《20190912天风证券-基金研究：FOF组合的收益模型：长周期因子的构建与应用》，我们在此处同样选择5个有效且低相关性的基金经理因子，分别为选股AlphaIR、机构投资者占比、最大回撤率、波动率和管理份额。

此外，我们在上文的分析中发现，最大回撤率和波动率因子在局部反向比较明显，例如在2008年末、2009年初、2018年末等阶段。主要原因在于短期市场暴跌基金反应不足，业绩优异的基金也可能出现较大的回撤和波动。我们利用20日移动平均线（MA20）与120日移动平均线（MA120）间的距离判断市场趋势，当均线距离超过3%时，认为市场处于向上趋势；当均线距离低于-3%时，认为市场处于向下趋势；否则，认为市场处于震荡市。当市场连续5个月均为下跌趋势时，则认为当前市场处于暴跌阶段。所以，当处于暴跌阶段末期，我们不建议配置最大回撤率和波动率因子，即对该因子权重置零。

考虑到基金经理任职年限也会影响到基金经理未来业绩，兼顾基金经理数量，我们选择利用过去一年期和三年期的数据构建复合因子，并开展相应的基金经理组合研究。

…………