基金经理调研能力与投资业绩

1、内容目录 HYPERLINK l _TOC_250016 从基金经理去调研谈起 4 HYPERLINK l _TOC_250015 投资者关系活动信息 5 HYPERLINK l _TOC_250014 基金公司调研行为 6 HYPERLINK l _TOC_250013 基金经理调研因子 8 HYPERLINK l _TOC_250012 基金经理调研数量因子 9 HYPERLINK l _TOC_250011 基金经理调研数量因子表现 9 HYPERLINK l _TOC_250010 基金经理调研质量因子 10 HYPERLINK l _TOC_250009 基金经理调研质量因子表现 1

2、2 HYPERLINK l _TOC_250008 基金经理调研质量因子的改进 12 HYPERLINK l _TOC_250007 改进后基金经理调研质量因子的表现 14 HYPERLINK l _TOC_250006 基金经理调研因子的特质 16 HYPERLINK l _TOC_250005 FOF 精选组合 19 HYPERLINK l _TOC_250004 综合选基因子构建 19 HYPERLINK l _TOC_250003 FOF 精选组合构建 20 HYPERLINK l _TOC_250002 总结与展望 22 HYPERLINK l _TOC_250001 参考文献 23

3、 HYPERLINK l _TOC_250000 附录选基因子简介 24国信证券投资评级 26分析师承诺 26风险提示 26证券投资咨询业务的说明 26图表目录图 1：基金经理调研样本与基金持仓之间关系 4图 2：分年度调研事件数量以及调研股票数量 5图 3：按机构类型分类调研事件占比 6图 4：按调研类型分类调研事件占比 6图 5：不同月份基金公司参与调研人数 7图 6：基金经理调研占比 7图 7：按机构类型分类调研事件效应 8图 8：调研数量因子构造示意图 9图 9：调研数量因子 RankIC 表现 9图 10：调研数量因子分组测试结果 9图 11：调研质量因子构造示意图 10图 12：调

4、研质量因子 RankIC 表现 12图 13：调研质量因子分组测试结果 12图 14：基金经理调研质量因子覆盖度 13图 15：调研质量因子结构改进示意图 14图 16：改进后基金经理调研质量因子 RankIC 表现 14图 17：改进后基金经理调研质量因子分组测试结果 14图 18：改进后基金经理调研质量因子 top50 组合表现 15图 19：基金经理调研因子覆盖度 16图 20：选基因子测试 17图 21：综合选基因子历史 RankIC 序列 20图 22：综合选基因子十档分组测试结果 20图 23：FOF 精选组合历史表现 21表 1：调研数量因子敏感性测试 10表 2：改进后基金经理

5、调研质量因子敏感性测试 15表 3：选基因子库 17表 4：因子相关系数 18表 5：因子 RankIC 相关系数 18表 6：基金经理调研因子 Fama-Macbeth 回归检验 19表 7：FOF 精选组合分年度收益表现 21表 8：FOF 精选组合超额收益的参数敏感性测试 22我们在之前的 FOF 系列专题报告中所构建的选基因子，致力于从基金业绩的内驱力入手，如基金经理的隐形交易能力、业绩前瞻能力等，寻找优秀基金。我们通过分析和捕捉基金经理的交易行为以及持仓特征，对基金的业绩进行定量的预测，从而对优秀基金进行筛选。本篇报告我们依旧继续探寻基金经理的行为模式，并从中挖掘对基金未来业绩具有预

6、测性的相关信息。从基金经理去调研谈起随着市场中股票数量的逐渐增多，基金经理越来越难以覆盖到所有的股票。因此，基金经理需要将有限的精力投入到更值得关注的标的上面。参与上市公司调研活动是基金经理投资工作中重要的构成部分，正因为一个人的精力是有限的，所以被基金经理选择调研的公司也正是基金经理潜在感兴趣的公司。这些公司的股票是否能够成为市场中表现优异的股票，则可以一定程度的反映基金经理的调研能力。那么，基金经理所调研的股票与基金经理的持仓之间到底是一个什么样的关系呢？我们使用基金半年报以及年报对应的完整持仓，考察在半年报或者年报对应的时间点过去半年内，基金经理调研过的股票出现在这位基金经理所管理的基金

7、持仓中的占比，以及基金持仓的股票中这位基金经理在过去半年内有过调研的样本占比。图 1：基金经理调研样本与基金持仓之间关系30.70%29.57%28.51%29.36%27.39%23.53%24.27%23.22%2020.75%21.32%19.15%17.58%.74%26.55%27.58%35% 2.5%30%25%20%2.0%1.5%15%1.0%10%5%0.5%0%0.0%调研样本中持仓股票占比持仓股票中调研样本占比（右轴）资料来源: Wind，整理从图 1 中可以看出，在基金经理亲自调研的样本中，过去半年内调研过的样本在持仓的股票中（归一化后权重大于 1%）的占比平均是 2

8、4.68%，在上述持仓的股票中过去半年内调研过的样本占比平均为 1.02%。也就是说基金经理参与调研过的样本有接近 1/4 的比例是在持仓中的样本。与此同时，持仓中的样本有 1%左右是过去半年调研过的。由于公募基金不需要每天披露持仓信息，只可在定期时点（季度末）通过公开信息获取到公募基金的部分或者全部持仓。而调研数据更新及时，因此调研数据具有信息可被及时获取的优势。此外，调研数据相对于公募基金的定期报告中的内容可以提供额外的信息，这些信息与基金经理的投资活动相关，构成对基金经理综合评价的补充。投资者关系活动信息投资者关系工作是指公司通过信息披露与交流，加强与投资者及潜在投资者之间的沟通，增进投

9、资者对公司的了解和认同，提升公司治理水平，以实现公司整体利益最大化和保护投资者合法权益的重要工作。根据中国证监会上市公司与投资者关系工作指引、上海证券交易所股票上市规则以及深圳证券交易所上市公司规范运作指引（2020 年修订）（以下简称上市公司规范运作指引）等规定，公司关于投资者接待的情况汇报，原则上会于接待日当天或之后两个交易日内进行备案并公布。其中，上市公司规范运作指引中第 7.17 条明确指出：上市公司在业绩说明会、分析师会议、路演等投资者关系活动结束后二个交易日内，应当编制投资者关系活动记录表，并将该表及活动过程中所使用的演示文稿、提供的文档等附件（如有）及时在本所互动易刊载，同时在公

10、司网站（如有）刊载。在投资者关系活动记录表中需要公布的信息主要有：投资者关系活动类别、参与单位名称以及人员姓名、时间、地点、上市公司接待人员姓名以及投资者关系活动的主要内容介绍等。中国证券监督管理委员会于 2005 年 7 月 11 日发布了上市公司与投资者关系工作指引，第八条指出根据法律、法规和证券监管部门、证券交易所规定应进行披露的信息必须于第一时间在公司信息披露指定报纸和指定网站公布。我们获取该数据主要源于 Wind 数据库，此数据库中关于调研数据开始记录的起始日期为 2011 年，但在这一年中调研事件只有两例记录在数据库中，因此我们从 2012 年开始进行统计。图 2：分年度调研事件数

11、量以及调研股票数量10000 180090008000700060005000400016001400120010008006004003000201220132014201520162017201820192020200调研事件数量调研股票数（右轴）资料来源: Wind，整理从数据上面可以看出 2017 年之后调研事件发生的数量开始降低，同时各个机构调研的股票数量也开始集中。2020 年调研事件发生的数量有所回升，同时调研的股票数量也创出新高。从参与投资者关系活动的机构类型来看，前三大机构类型分别为证券公司、基金公司以及投资公司，分别占比为 24.45%、21.87%以及 21.85%，共占

12、比 68.16%，是机构调研的主力军。其中投资公司以私募机构为主体。图 3：按机构类型分类调研事件占比图 4：按调研类型分类调研事件占比 投资公司, 21.85%其他, 31.85%证券公司, 24.45%基金公司, 21.87%路演活动, 1.76%现场参观, 2.53%分析师会议, 3.53%业绩说明会,4.93%其他, 16.06%特定对象调研, 71.19% 资料来源: Wind，整理资料来源: Wind，整理从开展投资者关系活动的调研类型来看，占比最高的调研开展方式为特定对象调研，占比 71.19%。一般来讲，上市公司会根据证券法、上市公司信息披露管理办法等相关法律、 法规的规定，结

13、合公司的实际情况做出说明，特定对象包括但不限于：（一）从事证券分析、咨询及其他证券服务业的机构、个人及其关联人；（二）从事证券投资的机构、个人及其关联人； （三）新闻媒体和新闻从业人员及其关联人； （四）持有公司总股本 5%以上股份的股东及其关联人；（五）上市公司或监管部门认定的其他机构或个人。特定对象调研就是只针对这类对象的定向调研活动。从上面的统计我们也可以看出，在机构调研的主力军中，调研机构占比最高的为证券公司，而这其中不可忽略的另一大机构主体便是基金公司调研。通常我们关注的重点都是券商分析师的调研结果，但当我们谈到基金选择的时候，我们则可以将目光聚焦到基金公司，尤其是基金经理的调研行为

14、。基金公司调研行为在上文的的统计中，我们是从投资者关系活动的事件总体的视角进行的统计分析。在这部分，我们将聚焦在基金公司这个群体。由于上市公司规范运作指引中第 7.4 条指出：上市公司应当尽量避免在年度报告、半年度报告披露前三十日内接受投资者现场调研、媒体采访等。因此，是否不同月份的基金公司调研样本量会有较大的差异？为了考察基金公司的调研行为，我们统计了不同月份，基金公司参与上市公司调研的人数。从图 5 可以看出，基金公司在每年的 3、5、8 以及 11 月份参与调研人数较多，这些时间点正是上市公司财报披露后的真空期，也是基金公司调研需求最旺盛的时候。图 5：不同月份基金公司参与调研人数858

15、814800649607547528521492479484417900800700600500400300123456789101112资料来源: Wind，整理从图 6 统计可以看出，在基金公司调研的样本中基金经理亲自参与调研样本的平均占比为 19.50%，并且从 2014 年开始，基金经理亲自参与上市公司调研的比例逐年递增，可以看出基金经理对于去上市公司调研这一事件的重视程度有所增加。图 6：基金经理调研占比40%35%30%37%29%25%18%16%13%10%8%25%20%15%10%5%0%20132014201520162017201820192020基金经理调研占比 平均

16、占比资料来源: Wind，整理基金经理调研的事件不仅仅可以提供除基金持仓信息的额外信息，还可以体现出一部分基金经理调研行为的独特性。从前面的统计可以看出，在所有的调研事件中占比最高的是证券公司的调研，也就是券商分析师的调研事件。而券商分析师通常调研结束后会撰写研究报告进行说明。如果在基金经理的所有调研样本中，有基金经理独自进行调研的事件，那么这种调研的信息则代表着基金经理的独特的调研行为。这部分的增量信息是券商分析师也没有覆盖到的，也就是说这部分信息无法通过券商分析师的研报获取。我们前面提到基金公司调研以及券商分析师调研占全部调研事件的比例接近 50%，那么这两类群体的调研质量如何呢？在股票市

17、场中调研事件能够带来的事件收益又是怎么样的呢？为检验上面的问题，我们在每个月月末后第一个交易日将当月所有参与调研的群体按照机构类型进行分类，分别为基金公司调研、券商调研、投资公司调研以及其他类型机构调研者四类。将每个类型的机构所调研的股票作为股票池等权买入，查看在这个时间点向前、向后各 60 个交易日的时间里，这个股票池整体相对中证全指（000985.CSI）的超额收益。从图 7 可以看出，基金公司调研后一个季度的季均超额收益是所有参与调研机构中最高的，调研的股票池季均超额收益率为 2.62%，券商调研的股票池季均超额收益率为 2.06%。但是，无论是哪一类机构在调研后，股票未来一个季度都有显

18、著的超额收益。也就是说从调研事件的角度来看，股票在被调研之后往往呈现出一定时间的超额表现。图 7：按机构类型分类调研事件效应9.0%8.0%7.0%6.0%5.0%4.0%3.0%2.0%1.0%0.0%-60-56-52-48-44-40-36-32-28-24-20-16-12-8-404812162024283236404448525660-1.0%基金公司调研券商调研投资公司调研其他群体调研资料来源: Wind，整理从前文的论述中我们可以看到，基金经理的调研行为可以反映到基金经理的投资行为上，同时基金经理调研的占比也在逐年提升。下面我们尝试对基金经理的调研能力进行定量的刻画。我们将从基

19、金经理调研数量以及基金经理调研质量两个方面进行考察。基金经理调研因子这一节我们将尝试使用基金经理的调研信息对基金经理所管理的基金产品未来业绩进行预测。一方面考察基金经理参与上市公司调研事件的数量，是不是基金经理参与调研的次数越多，基金经理掌握的公司基本面信息越多，基金经理所管理的基金产品未来业绩越好？另一方面考察基金经理调研的质量，是不是基金经理调研的质量越高，基金产品未来的业绩越好？基金经理调研数量因子在每个月末我们考察过去三年基金经理参与调研的数量，如果调研数量越多，说明基金经理掌握的公司基本面信息越多。同时，如果基金经理自己在回溯期内一次调研都没有参与，那么我们使用同一公司基金经理调研数

20、量的均值作为这个基金经理的调研数量打分。对于同一个基金存在多个基金经理同时管理的情况，我们采用所有在管基金经理调研数量因子的均值进行打分。图 8：调研数量因子构造示意图调研股票3调研股票1调研股票4调研股票2回溯周期（三年）资料来源: 整理基金经理调研数量因子表现从逻辑上面来说，基金经理调研数量因子检验的是基金经理参与上市公司调研的积极度，调研数量越多，基金经理掌握的公司基本面信息越多。下面我们检验这个因子对于基金未来的业绩的预测性。从图 9 可以看出基金经理调研数量因子与未来基金业绩具有正向相关关系。使用调研数量因子预测未来 3 个月的基金收益率计算 RankIC 值，基金经理调研数量因子的

21、 RankIC 历史均值为 3.42%，标准差为 6.42%，年化 RankICIR 值为 1.06，月度 RankIC 胜率为 69.62%。图 9：调研数量因子 RankIC 表现图 10：调研数量因子分组测试结果 20% 40.4% 0.33%15%310%25%10%0-5%-1-10%-2-15%-30.3%0.2%0.1%0.0%-0.1%-0.2%0.00% -0.01%-0.07%-0.22%RankIC累计IC（右轴）-0.3% 12345T日 资料来源: Wind，整理资料来源: Wind，整理从因子五档分组测试结果来看，基金经理调研数量因子的分组线性性效果明显，基金未来一

22、个季度的收益率随着调研数量的增加也呈现递增的统计特征。第五组（基金经理调研数量最多组）的季均超额收益率为 0.33%，第一组（基金经理调研数量最少组）的季均超额收益率为-0.22%。下面对于基金经理调研数量因子进行预测周期的敏感性测试：表 1：调研数量因子敏感性测试预测月份数因子 RankIC因子 ICIR五档多空年化超额收益33.42%1.062.17%43.70%0.991.82%53.80%0.921.56%63.81%0.881.41%73.91%0.821.78%84.04%0.781.53%94.23%0.771.74%104.29%0.741.35%114.51%0.781.44

23、%124.71%0.781.39%资料来源: Wind，整理从表 1 的敏感性测试结果可以看出，基金经理调研数量因子对于预测周期变化的敏感性较低。因子对于基金未来收益率的预测时间区间从 3 个月（一个季度）到 7 个月检验的因子 ICIR 均大于 0.8，且变化缓慢。五档分组的多空年化超额收益也呈现出缓慢变化的趋势，这说明基金经理调研数量因子对于预测周期变化的稳定性较强。基金经理调研质量因子前文我们构建了基金经理调研数量因子，可以看到从因子表现上来看基金经理调研数量因子具有一定预测性。除了对基金经理的调研次数进行考察，我们还将试图通过构造基金经理调研质量因子来度量基金经理的调研能力。由于基金经

24、理的精力是有限的，其所选择的调研样本是经过一定筛选之后的样本，这些样本的表现或许可以体现出其对股票的预判能力。下面我们尝试对基金经理调研质量因子进行构建，并检验基金经理调研质量因子的表现。上市公司投资者活动信息披露的及时性，使得我们可以对基金经理的调研行为做较为密切的跟踪。因此我们每个月都可以构建出一个基金经理调研质量因子。具体而言，基金调研质量因子的计算方法如下：确定回溯调研事件的时间窗口：为体现基金经理的调研能力，我们倾向于选用较长的回溯时间窗口。具体而言，每个月回溯过去三年的时间，查看对应基金经理的所有调研事件。为剔除极端样本的影响，这里剔除在回溯窗口期内调研次数少于 3 次的基金经理。

25、月度计算因子使用时间跨度的对应关系如图 11 所示。图 11：调研质量因子构造示意图调研前后夏普差 调研股票1 调研股票3调研股票4调研股票2 T日资料来源: 整理在每一个调研的时间点，将该时点截面上剔除上市不满 120 交易日新股后的股票池，计算调研日之后 20 交易日的夏普率减去调研日之前 20 交易日的夏普率得到调研前后夏普差，为该股票的打分因子。具体公式为：调研前后夏普差 = 夏普率 夏普率+2020若调研前后夏普差越大，则表明基金经理调研的时点以及股票的选择都比较准确。股票打分因子的截面中性化：在第一步中得到每一个调研日截面上所有股票池的股票打分因子，为实现不同市值规模、不同行业以及

26、时间序列上各个股票因子的可比性，我们需要将调研前后夏普差因子进行截面上市值以及行业中性化。这里市值取对数总市值，行业取中信一级行业分类形成的 0-1 哑变量。 ln()() + + 我们通过上面回归的方式，对原始因子进行行业市值中性化处理。其中， 为原始因子、()为对数总市值以及 为中信一级行业分类的 0-1 哑变量。为保证回归方程的稳健性，在进行回归之前，需要将原始因子以及对数总市值进行缩尾标准化处理。MAD（Median Absolute Deviation 绝对中位差去极值法）：这里采用与标准差缩尾相类似的方法，只不过 MAD 去极值法更不易受到因子取值分布的影响。具体操作如下：首先计算

27、因子的中位数 = (| |)将因子取值在 3 , + 3 区间内的因子值保持不变。将因子取值大于 + 3 的部分保留因子间距均匀映射到 + 3 , + 3.5 区间内，同理，将因子取值小于 3 的部分保留因子间距均匀映射到 3.5 , 3 区间内。这里的值为比例因子常量，的取值取决于因子的分布类型，对于正态分布型数据而言， 1.483。这样做去极值处理的好处是不会将缩尾前因子的极值部分集中在两端，而会在保持因子顺序的前提下对因子的极值部分进行处理。因子标准化：我们对缩尾后的因子计算 Z-Score 来对因子进行标准化处理，使得标准化后的因子均值为 0，标准差为 1。即： = ()()我们取回归

28、后的残差作为中性化后的因子，同样对中性化后的因子进行MAD 缩尾和标准化处理。计算基金经理调研质量因子：将所有回溯期内基金经理调研过股票的中性化后因子得分对每一个基金经理取平均值得到基金经理调研质量因子，然后将这个因子映射到基金经理在管的全部基金产品上。值得注意的是，如果一只基金由多个基金经理管理，那么该基金的调研质量因子是所有管理该产品的基金经理得分的平均值。基金经理调研质量因子表现前面我们结合实际案例，从逻辑的角度出发解释并构造了基金经理调研质量因子。那么这个因子是否对基金未来的业绩具有预测性？下面我们就来检验因子与基金未来真实业绩表现的关系。下面我们考察基金经理调研质量因子在普通股票型和

29、偏股混合型基金池中的表现。在对因子进行考察时，我们计算因子取值与未来三个月基金收益率的相关性，统计 RankIC 均值和 RankICIR 值，同时计算因子分组测试超额收益率中位数。图 12：调研质量因子 RankIC 表现图 13：调研质量因子分组测试结果 20% 50.5% 0.43%15%10%5%0%-5%-10%40.4%320.3%10.2%0-10.1%-20.0%-30.00%0.00%-15% -4-0.1%-0.2% -0.15%-0.19%-0.3% RankIC累计IC（右轴）12345 资料来源: Wind，整理资料来源: Wind，整理自 2014 年以来，从图 1

30、2 可以看出，基金经理调研质量因子与未来基金业绩呈现出较为稳定的正向相关关系。我们通过计算每个月因子值与接下来 3 个月的基金收益率的 RankIC 值，可以发现，基金经理调研质量因子的 RankIC 历史均值为 5.34%，标准差为 6.47%，年化 RankICIR 值为 1.65，月度 RankIC 胜率为 82.28%。图 13 显示，基金经理调研质量因子分组测试的头部效应明显，随着基金经理调研质量因子取值的增加，基金未来一个季度的收益率也呈现递增的统计特征。第五组（基金经理调研质量最高组）的季均超额收益率为 0.43%，第一组（基金经理调研质量最低组）的季均超额收益率为-0.19%。

31、基金经理调研质量因子的改进我们可以看到前面所构建的基金经理调研质量因子的表现比较稳定，因子分组的头部效应十分明显。但是由于我们仅使用基金经理亲自调研的样本对指标进行的构建，因此样本的覆盖度比较有限。尽管对于覆盖度之内的基金业绩具有较强的预测性，但是在实际使用中，难免会遇到缺失值较多的情况而对多因子模型的使用场景带来更多不确定性。图 14：基金经理调研质量因子覆盖度60% 55% 50%45%40%35%30%基金经理调研准确度因子覆盖度 基金经理调研准确度因子覆盖度均值资料来源: Wind，整理我们从图 14 也可以看出，这个因子对于整体基金池的覆盖度并不高，长期平均覆盖度为 45.76%。其

32、中，覆盖度最高的时候达到 52.58%，在 2016 年底至 2017年度达到这一峰值，覆盖度最低的时候为 38.16%，出现在 2020 年初，而在这之后覆盖度又有进一步提升。我们思考这样一个逻辑：在基金经理的日常投资活动中，除了亲自参与调研上市公司之外，在同一个基金公司的基金经理也会倾向于相互分享自己的投资理念以及调研结果。这些内部的分享也会对基金经理的投资决策会形成影响。同时，如果同公司的基金经理也普遍调研质量较高，那么对于没有参与调研的基金经理来说，提供的信息参考价值也较高。因此，我们尝试对基金经理调研因子做出以下优化：对基金公司调研事件进行分类，同时对不同的分类给予不同的权重。其中，

33、基金经理亲自调研的事件权重为 1，基金经理自己没有参与，但是同一个基金公司其他基金经理参与了调研的事件权重为 0.8。此外，对于基金经理来说，除了同一基金公司基金经理的调研信息分享，同一个基金公司的研究员去参与调研的信息也会对基金经理构成参考建议。通常研究员参与上市公司调研活动之后，会向基金经理进行汇报。尽管相比较基金经理亲自调研，以及同基金公司的基金经理调研的影响程度更低，基金经理的投资决策也会受到相应的影响。同时，如果同基金公司研究员的调研质量相对较高，那么他们所汇报的基金经理也会受益于此。再者，如果过去一段时间在基金经理出席的上市公司调研活动中，有一同参与的券商分析师，那么基金经理与这些

34、分析师之间可能会建立一个长效的信息共享机制，券商分析师也会将自己调研过的股票对基金经理进行推荐。因此，基金经理也会受到这些分析师调研质量的影响。而从逻辑链条来讲，同一基金公司研究员的调研信息，以及过去曾经一起参与调研的券商分析师的调研信息则对基金经理的决策来说链条更远，影响也越来越小，过程也会比较复杂，因此需要给更低一些的权重。这里尝试再加入同一基金公司研究员以及券商分析师的调研事件。从优先级来看：基金经理亲自调研的事件，为最优样本，权重为 1；基金经理自己没有参与，但是同一个基金公司其他基金经理参与了调研的事件权重为 0.8；基金公司中没有基金经理参与，但是该公司的研究员参与了调研的事件权重

35、为 0.4；过去一年中曾经一起参与过调研的分析师的调研事件的权重为 0.2。图 15：调研质量因子结构改进示意图同公司基金经理调研一起调研过的分析师调研 基金经理亲自调研同公司研究员调研资料来源: 整理在加入了同一基金公司基金经理调研、同一基金公司研究员调研以及过去一年曾经一起调研过的券商分析师调研的补充信息之后，对于基金公司的调研样本空间达到完备。同时，针对不同信息的可参考性以及对基金经理的投资决策的影响程度进行了不同的权重配比。改进后基金经理调研质量因子的表现下面对改进后的基金经理调研质量因子进行测试。图 16：改进后基金经理调研质量因子 RankIC 表现图 17：改进后基金经理调研质量

36、因子分组测试结果 20% 40.5%0.4%0.3%0.44%15% 310%25%10%0-5%-10.00%-0.02%0.2%-10% -2-15% -30.1%0.0%-0.1%-0.2%-0.22%-0.18%RankIC累计IC（右轴）-0.3% 12345 资料来源: Wind，整理资料来源: Wind，整理从图 16 可以看出，在加入了更多信息之后，我们的基金经理调研质量因子预测的稳定性得到了进一步的提升。全样本期内，调研质量因子的 RankIC 值为 4.30%，而 RankIC 的标准差为 4.24%，同时 RankICIR 进一步提升至 2.02，RankIC 胜率为 8

37、2.28%。图 17 中的分组测试结果可以看出因子的头部效应十分明显，且分组线性性质明显。图中显示第五组（调研质量最高组）的季均超额收益率为 0.44%，第一组（调研质量最低组）的季均超额收益率为-0.22%。调研质量因子的分组多空年化超额收益率为 2.62%。图 18：改进后基金经理调研质量因子 top50 组合表现4.0 1.353.5 1.303.0 2.5 2.0 1.5 1.251.201.151.101.051.0 1.000.50.95综合调研准确度因子top50组合股票及偏股基金中位数相对强弱（右轴）资料来源: Wind，整理我们在每个季度末选取改进后基金经理调研质量因子得分最

38、高的 50 只基金进行等权构建基金组合，同时测试该组合（未经扣费）与普通股票以及偏股混合型基金业绩中位数的表现对比。如图 18 所示，改进后基金经理调研质量因子得分最高的 50 只基金所组成的基金组合可以稳定跑赢基准基金池的业绩中位数，组合年化收益率为 20%，同时期股票和偏股型基金中位数的年化收益率为 15.36%，组合相对股票及偏股基金业绩中位数的年化超额收益率为 4.64%。从上面的优化过程可以看出，因子逻辑的完备性得到了完善，同时因子的表现进行了一定程度的提升。表 2：改进后基金经理调研质量因子敏感性测试预测月份数因子 RankIC因子 ICIR五档多空年化超额收益34.24%2.02

39、2.62%45.14%2.192.33%55.62%2.222.34%65.85%2.142.45%75.80%1.932.31%85.97%1.822.44%96.13%1.792.18%106.04%1.731.69%115.82%1.601.45%125.51%1.351.39%资料来源: Wind，整理我们对改进后基金经理调研质量因子的预测月份进行了敏感性测试，可以看到 调研质量因子对于基金未来收益率的预测区间从 3 个月（一个季度）到 6 个月（半年）因子的 ICIR 均大于 2，预测效果非常显著。其中 ICIR 最高的预测区间为基金未来 5 个月的收益率。从五档的多空年化超额收益率

40、来看，最高的预测区间为预测未来 3 个月的基金收益，同时，对于预测区间小于 10 个月的区间长度而言，五档分组的多空年化收益均大于 2%。因此，我们将最终版本的基金经理调研质量因子作为基金经理调研因子。接下来我们对这个因子的特征以及特质进行分析。基金经理调研因子的特质前面我们对基金公司调研这一事件进行了梳理和分析，并结合基金经理亲自调研、同基金公司基金经理调研以及同基金公司研究员调研这三类事件对基金经理投资决策的影响程度进行了权重分配，最终形成了基金经理调研因子并进行了测试，无论是 RankIC 还是分组测试结果均显示基金经理调研因子对基金未来业绩的预测性表现极为稳健。而关于基金经理调研因子的

41、相关特质我们将在这一节中进行讨论和分析。于上一节中，我们提到了最初只用基金经理亲自调研的样本所构造出来的因子在普通股票以及偏股混合型基金池中的覆盖度并不高，平均只有 45.76%的覆盖度。而在经过因子结构的改进之后，使得基金经理调研因子的覆盖度有了非常显著的提升。图 19：基金经理调研因子覆盖度95% 94% 93%92%91%90%89%88%87%86%85%基金经理调研质量因子覆盖度 基金经理调研质量因子覆盖度均值资料来源: Wind，整理从图 19 可以看出基金经理调研因子相较之前只用基金经理亲自调研样本所构造的因子覆盖度有了非常显著的改善，由原来平均 45.76%的覆盖度增加至 91

42、.23%。我们对一些常见选基因子进行梳理，构成我们的选基因子库，下面我们就基金经理调研因子与这些因子库中因子的关系进行测试和分析。首先，我们对因子库中的选基因子进行一个简单的介绍，详细的构造方法可参见本文附录部分：表 3：选基因子库类别因子名称因子计算方式TM-FF 超额收益过去 240 个交易日市场收益率、市场收益率平方项收益类因子以及 Fama-French 三因子回归的截距项基金业绩的夏普率过去 240 个交易日基金业绩的夏普率规模基金规模基金的季度报告中可以通过期末基金资产净值直接获取，这里我们取合并规模机构关注度机构关注度在基金半年报以及年报中的基金份额持有人信息中获取，这里我们取合

43、并占比隐形交易能力隐形交易能力基金定期报告期后的三个月内，基金真实收益率相比披露持仓组合收益率的超额信息比前瞻能力（详细构造可参考我们于 2020 年 10 月 30 日发布的专题报告FOF 系列专题之二：基金经理前瞻能力与基金业绩）前瞻权重占比前瞻数量占比基金定期报告中持仓公布时点后，且上市公司盈余公告日后 10 天内分析师撰写报告超预期的标的在基金持仓中的权重占比基金定期报告中持仓公布时点后，且上市公司盈余公告日后 10 天内分析师撰写报告超预期的标的在基金持仓中的数量占比基金员工信心从业人员持有占比在基金半年报以及年报中的基金管理人的从业人员持有占比，这里我们取合并占比资料来源: 整理在

44、表 3 中我们简单介绍了选基因子库中的因子，其中前瞻能力因子的详细构造可参考我们于 2020 年 10 月 30 日发布的专题报告FOF 系列专题之二：基金经理前瞻能力与基金业绩，下面我们针对这些因子进行选基效果测试。图 20：选基因子测试因子名称多空年化收益率RankIC均值RankICIRRankIC胜率十档分组收益类因子8.84%13.40%1.4474.05%基金规模-3.52%-6.58%-1.2823.66%机构关注度1.68%3.94%0.9468.70%隐形交易能力8.29%9.93%1.7683.97%前瞻能力6.41%9.19%0.9961.83%基金员工信心3.54%5.

45、99%1.7381.68%资料来源: Wind，整理如图 20 所示，我们测试了所有选基因子库中因子的收益表现。其中，多空年化收益率为对选基因子的取值由小到大进行十档分组后，使用第十档（因子值最大组）基金组合的年化收益率减去第一档基金组合（因子值最小组）所得的多空年化收益率。表 4 中显示的是我们对基金经理调研因子与上述选基因子库中因子之间截面相关性的测试结果。可以看到，基金经理调研因子与其余选基因子的秩相关性普遍较低，长期相关性在 0 附近。这说明基金经理调研因子与全部选基因子都有着极低的相关性。因此，这意味着该因子能提供上述选基因子中所不能提供的增量信息。表 4：因子相关系数收益类因子基金

46、规模机构关注度隐形交易能力前瞻能力基金员工信心调研因子收益类因子1.000.000.120.410.260.120.05基金规模1.00-0.01-0.100.03-0.23-0.03机构关注度1.000.07-0.020.220.04隐形交易能力1.000.000.100.03前瞻能力1.00-0.02-0.02基金员工信心1.000.00调研因子1.00资料来源: Wind，整理在检验因子的相关关系时，我们除了使用因子值之间的相关性进行检验外，往往更关心因子的表现之间的相关性（这里我们使用 Spearman 秩相关系数）。这其中的一个方法是对各个因子的 RankIC 时间序列进行相关性检验

47、。如果检验结果显示各个因子的 RankIC 值之间的相关性较低，那么说明因子的表现之间的关联性较低，这在我们尝试将因子加入到已有因子池的时候，是一个重要的参考条件。如表 5 所示，我们可以看出基金经理调研因子与其余选基因子的 RankIC 相关性都非常低。其中，与基金经理调研因子相关性绝对值最高的是基金规模因子， RankIC 相关性为-0.18。表 5：因子 RankIC 相关系数收益类因子基金规模机构关注度隐形交易能力前瞻能力基金员工信心调研因子收益类因子1.000.10-0.130.450.63-0.190.09基金规模1.00-0.26-0.150.34-0.25-0.21机构关注度1

48、.000.16-0.410.190.11隐形交易能力1.000.020.040.08前瞻能力1.00-0.52-0.04基金员工信心1.000.08调研因子1.00资料来源: Wind，整理通过上面的因子间相关系数测试，我们可以看出基金经理调研因子无论是因子值还是因子的表现，都与我们选基因子之间的相关性极低。因此，可以为我们的选基体系提供新的补充。表 6：基金经理调研因子 Fama-Macbeth 回归检验收益类因子基金规模机构关注度隐形交易能力前瞻能力基金员工信心基金经理调研因子回归系数0.20%-0.31%0.00%0.36%0.60%0.23%0.19%T 值1.22-5.87-0.08

49、3.934.585.855.02资料来源: Wind，整理除了从因子相关性的角度来检验因子的特质， 我们还可以使用经典的 Fama-Macbeth 回归检验因子与已有因子之间的关系。Fama-Macbeth 回归检验法的做法是使用基金未来一期（这里我们使用未来一个季度）的基金收益率与新进因子以及已有全部因子进行回归，检验新进因子的系数以及系数的 T 值。具体操作如下： = 11 + 22 + 33 + + 其中，1、2、为已有因子，这里的已有因子包括收益类因子、基金规模、机构关注度、隐形交易能力、前瞻能力以及基金员工信心因子， 为新进因子，这里为基金经理调研因子。1、2、以及为各个因子前系数。

50、从表 6 的测试结果可以看出基金经理调研因子在剥离了控制变量因子之后的溢价依然是十分显著的。其系数的统计 T 值为 5.02，这表明基金经理调研因子尽管剥离了已有选基因子所包含的信息，依然对未来基金收益具有显著的预测效果。从上面的测试可以看出，尽管我们的选基因子库中的因子都已具有稳定的基金收益预测能力，但是，基金经理调研因子在剥离了这些因子的影响后，依然具有非常好的选基效果。由此可见，基金经理调研因子不仅作为单因子对于基金未来的收益率有着极强的预测性，同时，还对已有的选基因子体系提供了新鲜的血液。FOF 精选组合本节我们对前文介绍的基金调研因子和其他常见的选基因子进行合成，构建综合选基因子，然

51、后使用综合选基因子的得分对 FOF 组合进行构建，力求能稳定战胜股票和偏股型基金中位数。综合选基因子构建前文我们构建并检验了基于基金公司调研数据所构造的基金经理调研因子，同时我们梳理了一些常见的选基因子。从前文的统计和测试中我们可以看出，无论选基因子还是本文新提出的基金经理调研因子，都对基金未来的业绩具有非常显著的预测性。因此我们将收益类因子、基金规模、机构关注度、隐形交易能力、前瞻能力、基金员工信心以及基金经理调研因子合计 7 个大类因子等权重合成，构建综合选基因子。下面我们测算综合选基因子对基金未来三个月收益率的预测能力，需要注意的是，我们为了排除仓位的影响，因子测试的样本空间选定为上市满

52、 15 个月的股票和偏股型基金，且只保留初始基金（若存在 C/E/H/O 等类别，只保留 A 类基金）。图 21：综合选基因子历史 RankIC 序列图 22：综合选基因子十档分组测试结果 40% 142.0% 1.57%0.95%0.56%0.43% -0.10% -0.06%-0.26%-0.68% -0.64%30%111.5%20%10%71.0%40.5%0%-10%-20%0-4 -70.0%-0.5%-1.0%RankIC累计IC（右轴）-1.5%-2.0% -1.78%12345678910 资料来源: Wind，整理资料来源: Wind，整理如图 21 所示，综合选基因子表现

53、非常稳健，因子的 RankIC 均值为 15.72%，年化 RankICIR 为 2.72，RankIC 的胜率为 90.24%。从十档分组来看，因子单调性也非常不错，多头组合季均超额 1.57%，空头组合季均超额-1.78%，多空组合季均超额 3.34%。由此可见，综合选基因子对基金未来收益率具有非常稳定显著的预测能力。FOF 精选组合构建下面我们利用综合选基因子来构建 FOF 组合，具体的组合构建流程如下：调仓方式：为避免路径依赖，将资金等权分成三份，每个季度使用一份资金季度调仓。选基样本空间：在调仓时点时满足如下条件：1、上市或者转型超过 15 个月的普通股票型与偏股混合型基金；2、只保

54、留初始基金（若存在 C/E/H/O 等类别，只保留 A 类基金）；3、基金合计规模在 2 亿至 100 亿之间；4、剔除调仓时点暂停申购或暂停大额申购的样本。选基步骤：在定期调仓时点，在选基样本空间中选择 20 只综合选基因子得分最高的基金等权构建组合。交易费率：申购费率为万一，赎回费率为千五。申赎限制：在调仓时点，暂停申购或暂停大额申购的基金不调入，暂停赎回的基金则保留不调出。业绩基准：每个月取股票和偏股型基金收益率的中位数作为基准收益率。按照上述流程构建的国信金工 FOF 精选组合历史表现稳定，2010 年以来相对股票和偏股型基金中位数的超额收益稳定攀升。具体走势如图 23。图 23：FO

55、F 精选组合历史表现7.0 2.26.0 2.05.0 1.84.0 1.63.0 1.42.0 1.21.0 1.00.00.8FOF精选组合股票及偏股基金中位数相对强弱（右轴）资料来源: Wind，整理2010 年以来，FOF 精选组合每年均可战胜当年股票和偏股型基金业绩的中位数，在股票及偏股基金中排名分位点平均为 32.96%。FOF 精选组合费后年化收益率为 15.59%，而基准组合同期年化收益率为 8.60%，实现了相对基准年化 7%的超额收益。年化换手率为 1.73 倍。表 7：FOF 精选组合分年度收益表现组合收益股票和偏股基金中位数在股票和偏股基金中分位数在股票和偏股基金中排名

56、201010.28%2.92%23.26%60/2572011-23.97%-24.11%48.05%148/30720128.05%4.67%31.50%109/345201321.85%14.70%28.72%114/396201428.85%22.58%35.12%151/429201552.54%46.03%38.66%184/4752016-8.49%-14.38%28.81%157/544201725.90%15.17%24.92%154/6172018-22.92%-24.42%40.59%274/674201955.80%46.66%29.27%228/778202078.02

57、%60.87%23.69%231/97420210331-2.53%-3.66%42.89%516/1202全样本期15.59%8.60%-资料来源: Wind，整理分年度的收益表现如表 7 所示， FOF 精选组合的调仓方式为将资金等权分为三份，对应季度调仓的三条路径进行投资。为检验组合对基金数量以及调仓路径的敏感性，表 8 中给出了不同基金数量、不同调仓路径下的组合年化超额收益率：表 8：FOF 精选组合超额收益的参数敏感性测试调仓时点选基个数1、4、7、10 月底调仓2、5、8、11 月底调仓3、6、9、12 月底调仓三条路径平均107.99%6.53%6.99%7.19%207.02%

58、7.28%6.67%7.00%306.12%6.79%6.19%6.37%405.76%6.13%5.43%5.78%505.58%5.79%4.96%5.45%资料来源: Wind，整理从表 8 可以看到，随着持有基金数量的减少，FOF 组合整体的年化超额收益呈现增加趋势。此外，对于给定的持基数量，不同路径下的组合收益保持相对稳定，这说明我们的 FOF 组合构建方法是稳定有效的。总结与展望从基金经理去调研谈起参与上市公司调研活动是基金经理投资工作中重要的构成部分，正因为一个人的精力是有限的，所以被基金经理选择调研的公司也正是基金经理潜在感兴趣的公司。这些公司的股票是否能够成为市场中表现优异的

59、股票，则可以一定程度的反映基金经理的调研能力。基金经理参与调研的股票未来一个季度有较为显著的超额收益，并且其中有接近 1/4 的比例出现在其未来的持仓中，因此基金经理的调研行为可能能为我们预测基金的投资业绩提供新的参考。基金经理调研数量因子基金经理调研次数越多，则基金经理掌握公司基本面信息越多，因此其管理的基金未来业绩可能更好。经测试，基金经理调研数量因子与未来基金业绩具有正向相关关系。基金经理调研数量因子的 RankIC 历史均值为 3.42%，年化 RankICIR 值为 1.06。基金经理调研质量因子不同基金经理调研能力有差别，调研能力越强的基金经理其未来业绩可能更好，为刻画基金经理的调

60、研能力，我们构建了基金经理调研质量因子。基金经理调研质量因子对基金未来业绩具有显著预测性，因子的 RankIC 值为 4.30%，年化 RankICIR 2.02。在剔除常见选基因子的影响后，因子依然表现出优秀的基金业绩预测能力。FOF 精选组合我们使用基金经理调研因子与常见选基因子相结合构建综合选基因子，因子的 RankIC 均值为 15.72%，年化 RankICIR 为 2.72，RankIC 的胜率为 90.24%。从十档分组来看，因子单调性也非常显著，多头组合季均超额 1.57%，空头组合季均超额-1.78%，多空组合季均超额 3.34%。我们根据综合选基因子打分来构建的 20 只基