金工深度研究：主动权益基金标签体系构建与分析

1告金工华泰研究告金工华泰研究研究全文摘要我国公募基金市场快速扩容，基金筛选研究需求与日俱增。主动权益基金作为公募基金的重要类别产品，需要依托标签体系进行系统性评估。本文构建了基于基金业绩、持仓特征、基金经理能力、基金可投资性四个维度下的三级指标体系，形成了全面刻画主动权益基金的标签体系。基于此，我们可以主动权益基金标签体系构建与分析研究研究员SACNo.S0570516010001SFCNo.BPY421研究员SACNo.S0570520090004SFCNo.BRB322研究员SACNo.S0570521090002SFCNo.BSU078linxiaoming@+(86)75582080134zhangze@+(86)75582493656liuyiwei@+(86)75523950493全面细致分析各基金经理的标签特征，也可以依据标签进行基金的分类或筛全面细致分析各基金经理的标签特征，也可以依据标签进行基金的分类或筛选，丰富基金研究的层次。万亿元，其中FOF基金的总规模从2017年底创立之初的130亿元增长到2089.21亿元。基金市场的繁荣发展对基金评价与研究提出了更高要求。其中出绩优基金，我们需要搭建框架体系以进行主动权益型基金的系统化研究。针对主动权益基金，构建业绩、持仓、经理能力、可投资性四维指标体系基于基金业绩、持仓特征、基金经理能力、基金可投资性四个维度下的三级指标体系，我们对主动权益基金进行全方位评价。其中业绩指标基于收益、风险、风险调整后收益及业绩持续性四个角度构建；持仓特征包括基金投资行业与个股的集中度、行业轮动性、持股风格及对应的持股风格漂移程度，同时亦有刻画持仓数目变动的换手率、刻画重仓特征的抱团度与拥挤度，以及是否为行业主题基金的判断；基金经理能力指标重点考察基金经理的选股、择时、行业配置能力；基金可投资性指标包括基金规模、描述流动性的基金申赎情况以及基金的机构认可度等。风格因子、持仓集中度、变动程度对基金业绩的解释力排在前列通过对基金各指标的统计分析我们发现，绩优基金其实各有特色，各指标因子之间相关性整体较低。通过随机森林算法发现大小盘、成长价值风格因子与持仓集中程度、变动性等指标对基金业绩表现及持续性的解释力重要性较高，选股能力和机构持有比例具有一定择基效果。之后我们基于指标的内在逻辑做进一步合成，发现合成后风格因子、投资集中程度、持仓波动性等指标能够对卡玛比率与业绩持续性的优劣形成较好的区分。依据标签体系细致分析各基金经理特点基金标签体系可以观察各基金经理的特征，我们对三位基金经理进行示例性研究发现，目前的标签体系可以较好区分与识别不同风格、不同行业、不同操作特征的基金经理。除此以外，我们还发现高持股风格漂移度与高行业轮动性两个标签与绩优基金的重合度较高。风险提示：模型指标均根据历史数据总结，得到的历史规律可能失效。市场出现超预期波动，导致拥挤交易。本报告不涉及任何产品的推荐或建议。金工金工研究主动权益基金的投资标签体系简介 3我国基金数量与规模快速增长，基金研究筛选需求与日俱增 3主动权益型基金业绩分化大，简单策略难以前瞻性选出绩优基金 5构建主动权益基金的四维度、三层级标签体系 6基于业绩、持仓、基金经理与可投资性的三级指标体系 8基金业绩：基于收益、风险、业绩稳定性等角度构建 8收益：包括绝对收益与相对业绩基准的超额收益率 8风险：用波动率与最大回撤指标进行风险度量 8风险调整后收益：通过夏普比率与卡玛比率衡量 8Hurst持续性 9持仓分析：分析基金的行业、风格、换手率、重仓持仓等操作 10持仓行业：是否为行业主题型基金，以及基金的行业配置集中度与轮动性 10持股风格：包括投资风格、持股风格集中度、持股风格漂移度 10换手率：基于基金持仓资产及持股明细计算资产换手率与个股换手率 11 基金经理能力：通过择时、选股及行业配置能力衡量基金经理特征 12择时能力：通过C-L模型中收益风险溢价对市场风险溢价的暴露来计算 12 选股能力：通过动态行业配置指标AA与C-L模型中的alpha收益等权构建 14可投资性：包含基金规模、申赎状态及机构认可度 15主动权益基金标签的特征分析 16标签观察：不同标签特征的基金都可能成为绩优基金 16指标间的相关性：不同持仓风格的基金，其收益来源和对基金经理能力要求有别 18指标与基金业绩：持股风格、行业集中度对基金业绩解释力较高 18因子聚类与合成：合成后因子对卡玛比率与业绩持续性具有高区分度 22基金观察：依据标签体系细致分析各基金经理特征 25 附录：绩优基金的标签特征展示 282010年2011年2012年2013年2014年2015年2016年2017年2018年2019年2020年2021年2022年REITs0%2010年2011年2012年2013年2014年2015年2016年2017年2018年2019年2020年2021年2022年REITs0%他0%货币市场型基金3%股票型基金19%41%另类投资基金%随着我国基金市场的快速发展，对各类基金产品的评价与研究日趋重要。主动权益型基金的业绩表现与市场波动、管理人投资能力高度相关，因此产品之间的收益分化大，使用简单动量或者反转策略难以前瞻性地选出绩优基金。本文从业绩、持仓、基金经理个人能力与基金可投资性四大维度出发，构建主动权益基金的多级标签体系，全面系统化衡量基金业绩表现、基金经理的各项操作及市场反馈，帮助投资者和基金管理人快速有效的筛选目提高决策效率。我国基金数量与规模快速增长，基金研究筛选需求与日俱增近十年来我国基金市场快速扩容，基金规模与数量均稳步上升。截止2022年12月31日，市场上共有10492只基金，总规模达26.82万亿元，相比于2010年末增长十倍有余。从类型上看，目前市场上的已发行基金以混合型基金为主，占全市场总数量的41%，债券型和股票型基金次之。资产净值(万亿元)份额(亿份)基金个数(右轴)30253025205010,0008,0006,0004,0002,0000资料来源：Wind，华泰研究QDII基金2%FOF基金QDII基金2%债券型基债券型基金30%混合型基金混合型基金资料来源：Wind，华泰研究基金市场的繁荣发展扩大了投资者的选择范围，同时也为基金产品的评价与选择带来了一定的困难。随着FOF、MOM等产品的兴起，对基金评价体系的科学性和有效性提出了更高要求，如何更加专业地评价、筛选基金成为了FOF管理中的一项重要议题。自2017年9月8日公募FOF获批以来，2017年底规模达到130亿，截至2022年12月31日FOF总规模已达到2089.21亿。从数量上看，FOF基金也从2017年末的首批6只增加到379只，投资目标涵盖养老、教育等多个场景，以满足各类型投资群体的需求。金工金工研究2,5002,0001,5001,0005000份额(亿份)基金个数(右轴,个)4003503002502001501005002017年2018年2019年2020年2021年2022年资料来源：Wind，华泰研究，截至2022/12/312,500资产净值(亿元) 资产净值占比(右)1.00.92,0000.80.71,5000.60.51,0000.40.35000.20.100.02020年2021年2022年2017年2018年2019年资料来源：Wind，华泰研究，截至2022/12/31目前市场上可供选择的基金按照投资范畴可以分为8个大类，其中从广义上来讲，股票型、混合型可以被归为权益型基金。观察我国公募基金历史发展，近年来权益类产品表现出有别于资本市场的高成长性。2018年至2022年末，权益类产品净值规模从2.2万亿元增长随着房地产投资属性逐渐弱化，社保、保险、养老资金入市，居民资产配置向金融产品进一步倾斜，具有较高收益特征的权益类产品重要性日益凸显。资料来源：Wind，华泰研究除去跟踪市场的被动指数型基金，股票型基金中的普通股票型、混合型基金中的偏股混合型、灵活配置型，且权益持仓连续超过60%的基金可以被归为主动权益型基金。2010年以来主动权益基金数量和规模不断增长，截至2022年末市场上共有3912只主动权益型基金，中得到3014支。从二级细分类别上看，2013年以前及2018年之后，新发主动权益型基金以偏股混合型为主，2013至2017年间则是灵活配置型基金居多。主动权益型基金权益持仓较高，投资灵活度高、差异性强，对基金管理人的投资策略提出了较高要求。金工金工研究100%90%80%70%60%50%40%30%20%10%0%灵活配置型偏股混合型普通股票型样本池总数(右)36436442548054630142855228818351619141011969726672010年2011年2012年2013年2014年2015年2016年2017年2018年2019年2020年2021年2022年3,5003,0002,5002,0001,5001,0005000资料来源：Wind，华泰研究主动权益型基金权益持仓比例高，其业绩表现与市场波动以管理人的投资能力高度相关，这也导致在同等条件下，该类型产品相对于债券、货币型基金表现出更大的收益差距。我们选取所有主动权益型基金中，现任基金经理任职时间长度除以观测区间长度(2018年12月31日至2022年9月30日的区间长度)大于90%，并且最近4个季度的平均股票仓位大于等于60%的1157支基金，逐年计算平均收益率及排名百分比，发现权益型基金年收益前10%与后10%的权益基金平均相差近53pct。华泰金工此前发布的《基金收益来源、业绩规律与研究框架》(2022年5月8日)曾对权益基金的收益和业绩持续性开展了系列研究，通过Spearman秩相关系数检验、横截面分析、Kendall协同系数检验、交叉积比率等方法测算，发现权益型基金业绩持续性较弱，通过简单的动量或反转策略难以选出绩优基金。年份前10%基金平均收益率后10%基金平均收益率权益类基金投资的收益差距20122013201420152016201720182019202020212022年年年年年年年年年年年20.21%-3.84%24.04%46.24%-7.39%53.64%53.80%-2.53%56.32%85.54%-9.39%94.93%13.87%-24.35%38.22%43.09%-9.58%52.67%0.31%-35.68%35.99%81.56%15.55%66.01%99.08%18.46%80.62%39.08%-14.09%-2.38%-34.54%平均43.67%-9.76%53.44%资料来源：Wind，华泰研究主动权益型基金作为权益型基金的子类，同样表现出收益分化的特征。以2022年为例，统计各类基金的年平均收益率，可以发现，不同类型、不同规模的基金分布有明显差异。从箱线图可知，偏股混合型与灵活配置型基金的收益率分布相比普通股票型基金极差更大，灵活配置型的极大值和极小值都要更多，极差可达到70%-80%；提琴图在每个收益率纵坐标处沿着横轴方向的距离描述了对应基金群在不同收益处的分布密度，从该图可见，三类不同规模的基金在收益率中位数20%处的横向长度相近，表明三类基金中收益率在20%的基金数是相近的，但中小盘基金的提琴图纵向距离更长，其最大值点相比大盘基金要更高，最高可达到30%-40%，而大盘基金的最高点则在20%以内；中小盘基金平均收益率的极差%-80%，大盘基金略低，在60%左右。金工金工研究资料来源：Wind，华泰研究资料来源：Wind，华泰研究构建主动权益基金的四维度、三层级标签体系我们认为权益类基金需要依托框架体系以客观评价绩效并进行优选。本文将从基金投资策略的角度出发，搭建主动权益基金研究的标签体系。具体而言，我们将划分基金业绩、持仓分析、基金经理及可投资性四个维度：在基金业绩指标下，关注基金的业绩表现和业绩稳定性；在持仓分析指标下，考虑投资的高/低成长性、大/中/小盘持仓风格、行业分散化程度和轮动性等；在基金经理指标下，关注基金管理人的择时能力、行业配置能力、选股能力；在可投资指标下，考虑基金的规模、申赎情况和市场认可度。资料来源：Wind，华泰研究汇总各级指标及对应说明如下，我们将在后文中详细阐述各个指标的构建逻辑以及计算方一级指标基金业绩二级指标收益风险风险调整后收益业绩稳定性三级指标绝对收益相对收益波动率回撤控制夏普比率Calmar比率Hurst指数指标说明基金的年化收益率基金的年化收益率减去对应业绩基准指数的年化收益率基金的年化波动率基金至统计日期的最大回撤(年化收益率-年化无风险收益率)/年化波动率(年化收益率-年化无风险收益率)/最大回撤基于不同长度子集的重标极差均值对子集长度的回归系数来看基金业绩持续性持仓分析行业风格重仓股换手率是否为行业主题基金行业集中度行业轮动性大小盘风格价值/成长风格持股风格集中度持股风格稳定性重仓股抱团度重仓股拥挤度资产换手率个股换手率连续多期第一重仓行业不变且占比大于50%则为行业主题型基金基金当期各行业所占基金股票市值百分比的平方和基金当期的各行业权重与上期的行业权重之差的绝对值之和SMB指标：巨潮小盘指数收益率减去巨潮大盘指数收益率HML指标：国证价值指数收益率减去国证成长指数收益率大小盘/价值成长因子平方和的根，越大表明持股风格越集中基金收益在六个风格指数上的暴露的方差之和的开方(SDS指标)属于“抱团股”(重仓该个股的主动权益公募基金数量处于前5%)的重仓股数量与当期重仓个股数量之比属于“拥挤股”(主动权益公募基金的重仓股持仓占流通股比例前5%)的重仓股数量与当期重仓个股数量之比基金当期的各大类资产权重与上期的各资产权重之差的绝对值之和基金报告期持仓换手率基金经理择时能力行业配置能力选股能力行业间配置左右侧交易F2−F1在经典的基金绩效H-M模型中将上行与下行的beta进行区分FDBR指标：主要衡量基金是否能够通过动态加仓或减仓获取行业轮动收益RDBR指标：主要衡量基金经理的行业动态配置收益是通过左侧投资还是通过右侧投资获得将C-L模型中的选股能力指标a与动态行业配置指标AA的排名百分比等权配置可投资性基金规模申赎情况机构认可度基金份额基金净资产当前可否申赎历史开放时间机构投资占比自购比例基金份额(合计)：报告期内公布的基金份额基金资产净值分为基金在当前统计日是否可以申购/赎回的两个哑变量历史开放申购/赎回的天数与基金存续时间的比值机构投资者合计持有百分比(%)管理人员工合计持有百分比(%)资料来源：华泰研究金工金工研究基于业绩、持仓、基金经理与可投资性的三级指标体系我们基于基金的业绩、持仓、基金经理与可投资性4个维度，梳理了共计28个细分指标。截至2022年12月31日，在普通股票型、偏股混合型和灵活配置型基金中，初步筛选保留现任基金经理任职时间长度除以观测区间长度(2018年12月31日至2022年9月30日的区间长度)大于90%，并且最近4个季度的平均股票仓位大于等于60%的基金共1157支，此后进一步筛选，考虑数据可得性及完整性，保留普通股票型、偏股混合型、灵活配置型，且简称中不含有“量化”的787支基金，基于这些主动权益型基金进行28个三级指标的计算。收益：包括绝对收益与相对业绩基准的超额收益率一级指标基金业绩里包括两个收益指标：年化绝对收益率，即基金的自身实际的年化收益率，以及年化相对收益率—通过基金的自身实际年化收益率与基金对应业绩比较基准指数的年化收益率之差计算得出。基金及其对应基准指数的年化收益率都通过净值计算区间收益率，再用一年内期数与区间期数进行幂运算年化后得到。我们选取2019年1月4日至2022年12月31日共205周的周度复权净值数据，区间收益率通过最新一周与第一周基金净值取比值计算，按一年50周进行年化处理。指标名称年化绝对收益率年化相对收益率计算公式annabs_TetuTn=(1+TetuTn)T−1−1annann_Tef=(1+Tef_TetuTn)T−1−1Tef_TetuTn=abs_TetuTn−ann_Tef指标说明TetuTn：区间收益率ann:一年内期数Tef_TetuTn：基金业绩基准指数的区间收益率ann_Tef：基金业绩基准指数的整体年化收益率T：区间期数ann:一年内期数资料来源：华泰研究风险：用波动率与最大回撤指标进行风险度量我们通过年化波动率和最大回撤两个指标来衡量风险，波动率通过将区间收益率与平均收益率的差按期数计算平方和得到。用于计算的原始数据、数据频率与区间收益率的计算方法同上，205周的平均收益率通过周度简单收益率的简单平均计算，仍旧按一年50周进行年化处理。最大回撤则衡量在整个期限内，基金每一期的净值相对截至当期的历史最大净值之间的回落的最大值。指标名称年化波动率最大回撤计算公式1TT−1t=1ann_stdev=√∑(1TT−1t=1max_dTawdown=max_dTawdown=max(1−)nav_cummax指标说明TetuTnt：第t期收益率TetuTn：全部T期收益率的均值T：区间期数navt：第t期的净值nav_cummax：是从测算起始时间截至第t期的历史最大净值资料来源：华泰研究风险调整后收益：通过夏普比率与卡玛比率衡量我们通过夏普比率和CalmaT比率衡量风险调整后收益。夏普比率为绝对收益率减去无风险收益率后与年化波动率的比值，CalmaT比率为绝对收益率减去无风险收益率后与最大回撤的比值。用于计算的原始数据和数据频率同上，并设定无风险利率为0。金工金工研究指标名称夏普比率计算公式abs_TetuTn−abs_TetuTn−Tfann_stdev指标说明abs_TetuTn：基金的年化绝对收益率annstdev：基金的年化波动率CalmaT比率calmaT=，ifmax_dTawdown>0abs_TetuTn：基金的年化绝对收益率max_dTawdown：基金的最大回撤资料来源：华泰研究业绩持续性：用Hurst指数衡量基金业绩持续性我们通过基金的Hurst指数对基金的业绩稳定性(正向/反向/无/不显著)进行判断，具体方法我们在2020年8月21日发布的报告《基金评价及筛选全流程研究框架：股票型与债券型基金多种维度定量与定性评价法》中有提及，下面简单介绍该指数计算方法。Hurst指数法研究的是时间序列历史取值以超出随机扰动的影响力影响着该时间序列的未来取值，即时间序列具有长记忆性。具体计算步骤如下：(1)将样本期N的对数收益率时间序列{T1,T2,…,TN}等分为A个子集，每个子集长度为n=,每个子集的均值为ea,a=1,2,…,A(2)计算每个子集a内第k个值的累计离差(每个子集中的值均按时间序列排列)：k(3)计算每个子集a内各值累计离差的极差：Xk,a=∑(Ti,a−ea),k(3)计算每个子集a内各值累计离差的极差：Ra=max(X1,a,X2,a,…,Xn,a)−min(X1,a,X2,a,…,Xn,a)(4)计算每个子集a内对数收益序列的标准差：Sa=√∑1(Ti,a−ea)2(5)计算A个子集的重标极差的均值：1A(R/S)n=A∑1(Ra⁄S1A(R/S)n与nH呈正比关系：(R/S)n=c×nH，即有log((R/S)n)=log(c)+H∗log(n)。c为常数，n为每个子集长度，H∈(0,1)为HuTst指数。n为可变值，通过变换n，对上述公式进行回归，即可得到c与H。若0.5<H<1则说明基金业绩有正向持续性，越接近于1说明持续性越强；若H=0.5则说明基金收益随机波动，不具备持续性；若0<H<0.5则说明基金业绩具有反转倾向，越接近于0反转性越强。实际计算中，我们对787支基金每支的201周收益率序列设置不同的子集长度，让每个子集长度n从10至N/2(一半样本长度)间依次取值，在每个n取值下的子集集合中删去长度不足n的子集，最后对每只基金得到共91组不同的子集长度n与对应的R/S值，设定显著水平为5%，对每个基金分别回归得到对应的Hurst指数与对应的业绩持续性判断。在选取的787支基金中，共714支基金为业绩正向持续性，67支基金为业绩负向持续性。该方法可以帮助我们筛选出历史业绩水平优秀且具有业绩持续性的基金。金工金工研究50040030020010002345004003002001000234持仓行业：是否为行业主题型基金，以及基金的行业配置集中度与轮动性行业因素包括行业配置集中度、行业轮动性以及对应基金是否为行业主题基金的判断。行业集中度为基金当期各行业所占基金股票市值百分比的平方和的倒数；行业轮动性为基金当期的各行业权重与上期数值之差的绝对值之和。它们分别表示了投资组合在各行业板块内维持集中或分散配置的意愿以及基金行业轮动与切换的意愿；是否为行业主题基金则通过对应基金的半年度一级重仓行业投资市值占基金资产净值比进行计算，提取最新三个半年度的数据，若基金在三个半年度持仓某行业比值均超过50%，则可视该基金为对应行主题基金。对集中度和轮动性，我们选取2022年6月30日与2021年12月31日两期的半年度数据分别作为本期和上一期进行计算，对于我们筛选得到的787支基金，行业集中度均衡度量集中分布在0.24以下，行业轮动性重点分布在0.31-0.61之间。70058760023351230[0.05,0.24](0.24,0.43](0.43,0.62](0.62,0.81]资料来源：Wind，华泰研究450386400350300250200331331002752770[0.00,0.31](0.31,0.61](0.61,0.92](0.92,1.23](1.23,1.53]资料来源：Wind，华泰研究持股风格：包括投资风格、持股风格集中度、持股风格漂移度持股风格包括投资风格、持股风格集中度、持股风格漂移度三大方面。投资风格使用Fama三因子模型下的SMB(大小盘)因子和HML(价值-成长)因子的回归系数来衡量。在该模型中，投资组合的超额回报率由它对三个因子的暴露(回归系数)来解释，这三个因子分别是：市场因子(MKT)、市值因子(SMB)、账面市值比因子(HML)。回归方程如下：Ri−Rf=ai+FMKT+FMBSMB+FMLHML+ei实际计算中，Ri为基金i的复权后净值收益率，MKT为(RM−Rf)，其中RM为上证指数收益率，Rf取0，SMB通过巨潮小盘指数收益率减去巨潮大盘指数收益率计算，HML等于国证价值指数收益率减去国证成长指数收益率。我们取2010年1月4日至2022年12月31日的日度指数计算简单收益率后进行回归并得到对应指标。我们以四只混合型基金为例来讨论回归结果：基金A的SMB值为-0.2441，HML值为-0.5612，因此认为该基金风格为偏向于大盘及成长型。基金B的SMB和HML值分别为-0.2896和0.069，即认为其风格偏向于大盘及价值型。基金C的SMB和HML值分别为0.2745和认为风格偏向于小盘及价值型。金工金工研究0.0(0.2)0.0(0.2)(0.3)(0.4)(0.5)(0.6)(0.7)SMBHML0.40.27350.231500.12210.069-0.2421-0.2896-0.5612基金A基金B-0.5557基金C基金D资料来源：Wind，华泰研究持股风格集中度通过投资风格的计算结果来计算，具体方法为SMB因子与HML因子平方和后取平方根，测算逻辑在于：SMB(HML)大于0则更说明该基金倾向于投资小盘股(价值股)，且其越大，则表明投资于小盘股(价值股)的比重越多，即集中投资于小盘股(价值股)；小于0则相反，其越小(绝对值越大)则越表明基金集中投资于对应风格的股票；可见当SMB(HML)接近0时，说明对应基金并不集中投资于大小盘(价值/成长)股票，即基金对股票的投资分散度越高。综上，SMB与HML平方和的开根这一非负指标越小(接近于0)，则对应基金投资股票越分散，越大则对应基金投资股票越集中。持股风格漂移度通过衡量基金风格漂移的SDS指标来量化。基金风格漂移是指在基金运作过程中实际投资风格与基金招募说明书中所阐述的投资风格不吻合的现象。我们基于Sℎarpe模型进行SDS指标的构建，其测量的是基金在某一时期内投资组合结构变化的整体波动率，计算公式如下SDSi=√Var(F,F,…,F)+Var(F,F,…,F)+⋯+Var(F,F,…,F)其中F表示第t(t=1,2,…,m)个子区间Sℎarpe模型中股票基金i相对于风格指数j(j=1,2,…,n)的回归系数，也即基金相对于该风格指数的暴露。将大盘成长、大盘价值、中盘成长、中盘价值、小盘成长、小盘价值六个风格指数对应暴露的方差之和开根号，即可得到股票基金i在研究时期内的风格波动SDSi。该指标越大，代表基金持股风格漂移度越大。我们采用滚动时间方法进行计算，使用六个风格指数在2019年1月2日至2022年12月31日的日频数据，每次计算时使用52周的收益率数据，每次滑动4周，当滚动样本内数据少于52个时则删去该样本。换手率：基于基金持仓资产及持股明细计算资产换手率与个股换手率换手率指标包括资产换手率和个股换手率。资产换手率为基金当期在股票、债券、基金、现金四大类资产权重与上期的各资产权重之差的绝对值之和。它体现了基金经理在资产配置上交易的变化度。如下是最近两期所筛选的基金的平均大类资产仓位，我们可以根据平均水平判断单基金所在仓位变化位置。金工金工研究10090807060504030200股票仓位债券仓位现金仓位2022年第二季度2022年第三季度资料来源：Wind，华泰研究个股换手率为报告期买入股票成本总额与报告期卖出股票收入总额之间的最大值除以报告期内股票市值的均值，它体现了基金经理交易的活跃度。实际操作中，我们选取截至2022年6月30日最新的两个半年度数据计算资产换手率，股票换手率选取最新一半年度数据。重仓股：包括重仓持股的抱团度和拥挤度重仓股抱团度为属于“抱团股”(重仓该个股的主动权益公募基金数量处于前5%的个股)的重仓股数量与当期重仓个股数量之比；重仓股拥挤度为属于“拥挤股”(主动权益公募基金的重仓股持仓占流通股比例前5%的个股)的重仓股数量与当期重仓个股数量之比。实际计算中我们提取787支基金每一支的前十重仓股代码及其重仓股持仓占流通股比例数据，通过截至2022年9月30日的最新一季度数据计算各项指标。我们计算787支基金前十重仓个股占该基金股票市值的百分比，与两个指标的相关性如下，拥挤度与抱团度都描述基金所重仓股票的热门程度，两个指标与基金重仓个股占比的相关性都较弱，说明787支基金在重仓股票上整体的跟随投资倾向较弱，主动性明显。相关系数拥挤度抱团度重仓个股占比拥挤度1抱团度0.141重仓个股占比0.120.011资料来源：Wind，华泰研究基金经理能力：通过择时、选股及行业配置能力衡量基金经理特征择时能力：通过C-L模型中收益风险溢价对市场风险溢价的暴露来计算首先我们简要介绍H-M模型。该部分具体内容我们在2020年7月29日发布的《基金选股择时能力的定量分析法：我国公募基金大多具有较强选股能力》中有过阐述。H-M模型是1981年Henriksson和Merton在T-M模型基础上提出的，将择时能力定义为基金经理通过预测市场收益与无风险收益之间差异，以调整投资组合系统风险的能力，其具体公式如下：Tp−Tf=F1(TM−Tf)D1+F2∗max(TM−Tf，0)+ap经典的基金绩效H-M模型中，Tf是无风险利率，TM是市场基准组合收益率；a代表基金的择券能力。模型将TM≤Tf定义为市场下跌，TM>Tf定义为市场上涨。那么，若基金预测下一期市场组合收益率小于无风险利率，持有贝塔为F1的投资组合；若预测下一期市场组合收益率大于无风险利率，则持有贝塔为F1+F2的投资组合。因此模型中F2代表择时能力，ap代表选股能力，如果F2>0是显著的,那么市场上涨时的F1+F2大于市场下跌时的F1，则说明基金统计意义上有正向的择时能力，反之同理；如果ap>0是显著的则说明该基金统计意义上有正向的择券能力。金工金工研究继而，我们使用经典基金绩效模型H-M模型的变体C-L模型来判断基金择时能力，模型假设和逻辑与H-M模型相同，但是C-L模型将上涨市场和下跌市场中的贝塔值明确区分开了。C-L模型的公式如下：Tp−Tf=a+F1(TM−Tf)D1+F2(TM−Tf)D2+epHMa金经理有正的择券能力；ep表示随机误差项。当TM≥Tf时，D1=0，D2=1；当TM<Tf时，D1=1,D2=0。若回归结果F2−F1>0，说明基金在市场基准组合收益高于无风险收益时会保持较大的F2来提高收益，在市场基准组合收益低于无风险收益时保持较小的F1以减少损失，即表明基金经理有择时能力。实际计算中，我们计算787支基金在2019年1月4日至2022年12月31日共205周的周度简单百分比收益率，选取万得全A指数的简单百分比收益率为市场基准组合收益，设定无风险收益为0，显著水平为5%，统计得到出现TM≥Tf的期数共有111周。对每支基金基于整体观测区间进行回归后，通过对应系数的符号与显著度对对应基金的选股能力与择时能力给出判断。我们对选股与择时能力按照正负分四组，给出各组绝对收益率的均值，可以看到选股与择时指标为正时分组平均收益率更高，选股指标为正、择时指标为负的组仅次。25%20%15%10%5%0%选选选选股子股子股子股子因择择正择正择时因择时因择时因资料来源：Wind，华泰研究行业配置能力：分为行业间配置与左右侧能力根据我们在2022年6月30日发布的《基于持仓刻画基金经理行业投资能力》报告，我们通过行业间配置指标(FDBR)(ForwardDifferenceinBetaReturns)衡量基金经理的行业间配置能力，通过左右侧交易指标RDBR(ReverseDifferenceinBetaReturns)来衡量基金经理的左右侧交易能力：FDBRw=(F,jfw,j−F−1,jfw,j)RDBRw=(F,jfw,j−F,jfw−1,j)其中j表示行业，F表示仓位，f表示行业收益率。FDBR是基金各行业持仓在w期相对(w−1)期的仓位变动，乘以对应行业在w期的收益率后，再对各行业进行求和得到。RDBR是基金在w期的仓位乘以各行业w期的收益率减去w期仓位乘以各行业(w−1)期收益率后，再对行业求和得到。金工金工研究FDBR通过变动仓位，主要衡量基金是否能够通过动态加仓或减仓获取行业轮动收益，即能否通过加仓来捕捉行业上涨机会、通过减仓来规避行业下跌亏损；而RDBR通过选取上一期的beta收益，主要衡量基金经理的行业动态配置收益是通过左侧投资—即对行业未来走势的独立判断获得，还是通过右侧投资—即对行业追涨杀跌获得的。如果行业配置具备前瞻性，则对应公式中第一项的值会比较高；若配置风格偏动量策略，那么第二项的值会较高。度持仓占比及持仓的4907支股票的半年度收盘价及对应一级行业，行业标准参考申万2021级标准31个一级行业，整合计算每支基金在各行业的半年度持仓，缺失值用0补齐。同时我们获取观测区间内的半年度行业收盘价数据，计算简单收益率，代入公式计算每只基金在每个半年的行业配置指标FDBR和左右侧能力指标RDBR，并对两个指标计算观测区间内均值。选股能力：通过动态行业配置指标AA与C-L模型中的alpha收益等权构建此外，我们考虑动态行业配置指标AA的计算。首先，我们设定基金经理的行业内静态选股能力SAS如下：其中i表示行业，m表示当期基金所持仓的股票，F表示股票m在基金重仓i行业的股票中所占的比例，f表示股票相对于其所在行业指数的超额收益率，p代表行业权重。在w期计算基金持仓的个股在个股所属行业内的权重，用此权重乘以个股当期超额收益率后再进行归一化处理，即减去最小的行业内股票超额收益率并除以最大和最小行业内股票超额收益率之差(行业内股票是由当期所有基金有持仓记录的股票池构成)。对行业i内每只股票计算归一化Alpℎa之后求和，即可得到基金经理在w期的静态选股能力得分为(考虑到单期的SAS数值可能会有偶然因素的影响，为减少这种影响，将w期取值与(w−1)期取平均，作为该基金SAS的得分)：SASw=pi(2∑mmax{fw(i)}−min{fw(i)}+2∑SASw=pi(2∑mmax{fw(i)}−min{fw(i)}+2∑mmax{fw(1}−min{fw(1})接下来，为了衡量基金经理的行业内动态选股能力，我们定义了DAR(DifferenceinAlphaRDAR(ReverseDifferenceinAlphaReturns)两部分组成。FDARw=(F,ifw,i−F−1,ifw,i)RDARw=(F,ifw,i−F,ifw−1,i)iFf。可以发现，FDAR是基金在w期相对(w−1)期在个股上的仓位变动，乘以对应个股相对其行业指数在w期的超额收益率，再进行求和。RDAR是基金在w期持有的个股仓位，乘以w期个股相对所在行业指数的超额收益率，再减去w期仓位乘以个股(w−1)期超额收益率，再进行求和得到。FDAR通过变换仓位，主要衡量基金经理能否动态捕捉行业内未来表现出色的个股，同时规避未来表现不佳的个股；而RDAR通过引入上一期的Alpha收益，主要衡量基金经理的动态行业内选股能力是通过左侧配置，即对个股未来走势的独立判断获得，还是通过右侧投资，即对个股追涨杀跌获得。金工金工研究DAR指标是对FDAR和RDAR两个指标的综合考察，基金i的DAR值计算公式如下：1FDARw,i−mini{FDARw,i}1RDARw,i−mini{RDARw,i}DARw,i=2maxi{FDARw,i}−mini{FDARw,i}+2maxi{RDARw,i}−mini{RDARw,i}将SAS和DAR进行归一化处理后取两者均值，得到综合考察基金i静态、动态行业配置能力的指标AA：1DARw,i−mini{DARw,i}1max{SAS}w,i−SASw,iAAw,i=2maxi{DARw,i}−mini{DARw,i}+2maxi{SASw,i}−mini{SASw,i}持仓占比及持仓的4907支股票的半年度收盘价及对应一级行业，行业标准参考申万2021级标准31个一级行业，计算每支股票的简单收益率，以及其相对所在一级行业同期收益率的超额收益率。对每支基金，取本期与上期基金均存在的基金(列表的交集)，计算每一期基金持仓股票相比上一期的仓位差和超额收益率之差，代入公式计算FDAR、RDAR和DAR。之后对每支基金计算各期每股在重仓行业中的占比以便于计算SAS指标，最终得到从2019年12月31日至2022年6月30日的SAS值，通过SAS与DAR计算AA指标的观测区间内均得到AA指标后，我们结合C-L模型中计算出的ap，将两个指标分别取逆序百分比排名(即选股能力的指标。可投资性：包含基金规模、申赎状态及机构认可度综合基金规模主要选取基金在最新一期的规模，包括基金总份额与基金净资产；机构认可度指标包括基金的机构持有者占比和自购比例，其中自购比例通过管理人员工持有比例进净资产数据和最新一半年的机构投资者持有比例与管理人员工持有比例。申赎状态指标包括基金当前可否申赎的哑变量，以及自其成立以来的历史开放申赎时间。当前可否申赎的信息直接提取自Wind，由于申赎状态可用于描述流动性。我们将“开放申购”(“开放赎回”)设置为1，“暂停申购”(“暂停赎回”)设置为0，将“暂停大额申购”设置为0.5，得到关于申购/赎回的两个哑变量；历史开放申赎时间则通过提取每只基金自成金总存续时间的比例，得到关于申购/赎回的两个历史开放时间占比。金工金工研究权益基金标签的特征分析对前文介绍的每一个数值型指标都计算我们筛选得到的主动权益基金的28个三级指标(后文也称为因子)数据，并取其逆序排名百分比(对每个值，计算大于这个值的个数与所有值总数的比值，因此排名百分比越小，对应的指标值越大)，然后对指标做进一步比较研究。我们将重点讨论一下三方面的内容：(1)各标签指标对基金业绩的解释力度分析(2)基金经理的标签观察案例(3)通过标签筛选绩优基金经理标签观察：不同标签特征的基金都可能成为绩优基金初步筛选保留现任基金经理任职时间长度除以观测区间长度(2018年12月31日至2022年9月30日的区间长度)大于90%，并且最近4个季度的平均股票仓位大于等于60%的基金共1157支，此后进一步筛选，考虑数据可得性及完整性，保留普通股票型、偏股混合型、灵活配置型，且简称中不含有“量化”的787支基金，基于这些主动权益型基金进行前文28个三级指标的计算。业绩分析角度，787支基金中，绝对收益率最高可达到42%，而相对业绩基准的超额相对收益率，75%的基金不超过20%，而最大值达到了127%，表现出显著的右偏性，但两个指标的标准差都较低，可见不同基金之间的收益率差异较小。从持仓角度分析，超过50%的基金表现为大盘风格，超过75%的基金表现为成长型风格，不同基金行业配置集中度、轮动性的差异较小，基金拥挤度普遍较低，75%的基金重仓拥挤股占比不超过20%；风格变动上，大部分基金资产换手率较低，个股换手频繁。从基金经理能力视角出发，超过75%的基金经理都不具有正向的择时能力，而少于25%的基金拥有较小的AA+alpha排名百分比(越小的百分比意味着越高的对应指标值，意味着越高的行业配置与择股能力)。可投资性方面，超过75%的基金总份额与净资产小于20亿，超过50%的基金历史开放申赎时间比例超过98%，表明它们在已有的存续期内的大部分时间都可以申购和赎回。同时，50%的基金机构投资者持有比例不高于20%，管理者自购比例最高不超过10.35%。金工金工研究数目平均值标准差最小值25%分位值50%分位值75%分位值最大值绝对收益率78719.86%-5.84%14.94%19.96%24.44%0.42相对收益率78714.46%9.61%9.43%18.60%1.27年化波动率78721.40%3.99%9.04%18.66%21.07%23.68%0.37最大回撤7879.25%7.49%27.85%33.98%40.61%0.62夏普比率78793.88%32.98%-28.97%72.97%93.64%2.28卡玛比率78765.36%36.60%-10.91%40.50%58.81%81.79%3.19Hurst指数78758.75%6.94%42.62%53.38%58.78%63.83%0.79行业集中度78721.85%18.38%5.27%10.92%15.32%24.88%1.00行业轮动性78744.59%23.48%27.98%41.49%57.84%1.53SMB787-2.47%-83.45%-22.56%-3.74%0.85HML787-47.55%30.76%-124.41%-69.32%-50.31%-27.37%0.68持股风格集中度78725.05%4.00%40.35%59.50%77.46%1.31持股风格漂移度78729.92%10.09%5.36%22.94%29.80%36.21%0.67重仓股抱团度78741.41%24.40%0.00%20.00%40.00%60.00%1.00重仓股拥挤度78713.41%0.00%0.00%10.00%20.00%0.70资产换手率7874.50%5.39%0.05%1.31%2.93%5.75%0.76个股换手率787155.01%3.73%69.03%207.56%17.37787-25.72%17.70%-97.76%-35.73%-24.94%0.46行业间配置能力FDBR7873.01%2.26%-5.41%1.39%2.75%4.60%0.12行业间左右侧能力RDBR787-4.60%1.83%-11.06%-5.70%-4.59%-3.52%0.02AA+alpha_排名百分比78750.06%19.04%2.29%63.79%0.99基金总份额787953.64%2072.31%0.96%122.26%%1041.51%278.59基金净资产7871741.41%3370.47%0.90%206.45%612.54%1893.89%393.63申购状态7870.940.2001111.00赎回状态7870.980.1501111.00历史开放申购时间78768.68%0.00%0.43%97.62%98.80%1.00历史开放赎回时间7870.00%0.43%97.79%98.87%1.00机构投资者持有比例7872652.64%2785.52%0.00%273.50%1591.00%4447.00%100.00自购比例78743.38%105.51%0.00%2.05%10.33%35.52%10.35资料来源：Wind，华泰研究除数值型变量外，787支基金中有48支为行业主题基金，其中有33支为医药生物，6支为食品饮料，3支为国防军工，3支为电子，2支为有色金属，1支为交通运输。3530252033663213医药生物食品饮料国防军工子医药生物食品饮料国防军工子交通运输资料来源：Wind，华泰研究指标间的相关性：不同持仓风格的基金，其收益来源和对基金经理能力要求有别通过计算指标之间得的相关性，发现大部指标之间相关性较弱，强相关性主要存在于持仓风格因子和基金经理能力因子之间。SMB因子与Hurst指数负向相关性较强，达到-0.5，表明小盘风格的基金倾向于呈现负向业绩持续性，与持股风格漂移度正向相关性较强，表明小盘风格基金更倾向于发生风格漂移；与择时能力的正相关性达到0.43，表明越是倾向投资小盘股的基金拥有越强的择时能HML因子与年化波动率和最大回撤负相关，达到了-0.6左右，表明成长型基金倾向于拥有更大的波动率和回撤；和持股风格集中度的负向相关性达到了-0.84之高，可见基金在价值与成长型股票之间择股，越偏向价值型，越倾向于分散持有其他风格的股票；和行业轮动收益能力指标FDBR的负相关达到-0.43，表明越偏向价值型股票的基金，通过行业轮动获得收益的能力越低。行业集中度、持股风格集中度与波动率和回撤均呈现较高的相关性，达到0.6-0.7左右，可见投资行业越集中、持股风格越集中，波动率和回撤越大；综合择股因子AA与a加权排名百分比与F2−F1呈现相关系数达到0.51的正向相关，说明择时能力越强，择股因子排名越靠后，体现出基金的选股与择时能力往往无法兼顾的特点。资料来源：Wind，华泰研究指标与基金业绩：持股风格、行业集中度对基金业绩解释力较高考虑到绝对收益与相对收益的正相关系数达到0.67，我们用相对收益率衡量收益，以及另外三个业绩表现与业绩持续性因子：夏普比率、卡玛比率及Hurst指数是否排在前20%对每只基金进行标记，若排在前20%则标记为1，反之则标记为0。以四个业绩表现因子分别作为因变量，让持仓、基金经理能力与可投资性指标分别作为自变量，通过随机森林分类算法研究各一级指标因子对基金业绩的解释力重要性排序，对算法中的关键参数采取GridSearch方法进行调参，调参后使用最优参数，训练集分类准确率可达到99%以上，测试集分类准确率可达70%-90%。金工金工研究参数名称相对收益率持仓分析基金经理可投资性夏普比率卡玛比率Hurst指数相对收益率夏普比率卡玛比率Hurst指数相对收益率夏普比率卡玛比率Hurst指数Max_depth2020Min_samples_leaf114111111221Min_samples_split62682244826测试集f1_score0.770.760.810.810.830.800.810.750.780.820.790.73资料来源：Wind，华泰研究基于最优参数与训练集返回因子重要性，相对四个业绩指标，投资风格因子的重要性基本处于最高位置，即基金的大小盘与其价值成长风格对其收益、风险调整后收益与业绩持续性都有显著影响。除了两风格因子外，行业集中度、持股风格漂移度和持股风格集中度对夏普比率和卡玛比率的解释力也较高，可见行业与个股配置的均衡程度会较大地影响风险调整后收益；持股风格漂移度、个股换手率和行业轮动性也是Hurst指数的重要解释因子，证明行业的轮动、个股的持仓风格、数目的变动都会显著地影响业绩的持续性。序资料来源：Wind，华泰研究基于最优参数与训练集返回基金经理能力因子重要性，可见相对四个指标，综合选股指标AA+alpha排名百分比的解释力重要性都最高，对于收益率和夏普比率，择时指标F2−F1仅次于选股因子；对于卡玛比率和Hurst指数，衡量基金经理获取行业轮动收益的FDBR仅次于选股因子。金工金工研究20资料来源：Wind，华泰研究对于可投资性因子，基金规模指标—基金总份额与基金净资产和机构投资者持有比例、管理人员工持有比例对的解释力重要性相对四个业绩因子都是重要的。资料来源：Wind，华泰研究接下来参考上述得到因子重要性，分别用四个业绩表现指标对应的二分类观察对其解释力重要性较高的各重要一级指标的分布情况，考虑到篇幅有限，我们仅将有意义的结论进行展示。可以看到，相对收益率在前20%的基金组别相比不在前20%的组别有更多的小盘及成长型基金，而业绩稳定性在前20%的基金相比不在前20%的基金则更集中于大盘风格基金，并且前20%中大部分基金均为成长型基金。金工研究金工研究21资料来源：Wind，华泰研究资料来源：Wind，华泰研究相比夏普比率不排在前20%的组别，排在前20%的基金更倾向于分散投资行业以及持有不同风格的股票，但所持股票的风格漂移度会更低；相比业绩持续性不排在前20%的组别，排在前列的基金行业的轮动性、持股风格的漂移度、个股的换手率都要更低，表明稳定的持仓更倾向于带来业绩的正向持续性。布资料来源：Wind，华泰研究资料来源：Wind，华泰研究从基金经理能力指标出发，显然，夏普比率排在前列的组别择股能力更强—综合择股指标AA与alpha加权排名百分比相比排名相对靠后的组别要更小，同时择时能力更中庸，极差更小。金工金工研究22资料来源：Wind，华泰研究因子聚类与合成：合成后因子对卡玛比率与业绩持续性具有高区分度前文我们发现最能影响业绩持续性因子的是两个风格因子：SMB与HML、行业轮动性、持股风格漂移度与个股换手率，后三者都是用来描述持仓变动的指标，而通过前文的分组箱线图可知，稳定的持仓更倾向于带来持续正向的业绩。受这一逻辑启发，我们将像这三个持仓变动指标一样拥有内在逻辑的因子进行合成，并进一步观察合成后因子对业绩表现的解释力。考虑到部分三级指标之间有着较强的关联，我们对指标进行Gram-Schmidt标准正交化，即去除因子之间的共线性后等权合成。具体合成逻辑如下：行业集中度与持股风格集中度合成为“投资集中程度”，将行业轮动性、持股风格漂移度与个股换手率合成为“持仓波动性”，将综合择股因子AA+alpha加权百分比、择时因子F2−F1、行业轮动收益能力FDBR与行业左右侧配置能力RDBR等权合成为“投资机会挖掘水平”；将基金净资产、基金总份额、机构投资者持有比例与自购比例合成为“市场评价属性”；最后，将申赎状态与历史开放申赎时间相关的四个指标合成为“流动性”。此外，因为SMB和HML分别代表了不同层面的持股大小盘及成长风格，因此不对这两个指标进行合成。金工金工研究23资料来源：华泰研究我们仍旧通过四个业绩表现因子对应的0-1变量将787支基金分为14类，考虑到6个合成因子在合成的过程中进行了正交化，部分因子值本身的经济意义较难解释，我们计算包括SMB与HML在内的8个因子各自的逆序排名百分比—即因子取值越大，排名百分比越小。并按14个类别取排名百分比的类别均值，之后计算不同类别之间的欧氏距离进行层次聚类。聚类编类别序号相对收益率夏普比率前卡玛比率前Hurst指数SMBHML投资持仓投资机会跟随投资市场评价流动性号20%20%集中程度波动性发掘水平倾向属性20000049%55%47%48%46%51%54%54%11000174%40%56%60%60%52%49%49%22001035%27%72%50%53%59%51%40%23001159%36%69%58%39%59%56%57%24010045%42%56%52%48%55%50%60%15010188%33%61%61%76%43%22%55%26011038%24%79%38%51%67%37%54%17011163%31%71%61%58%50%30%49%38100030%79%26%46%43%47%51%50%19100183%61%28%71%72%16%42%44%2101022%34%66%40%47%53%54%60%3110051%67%29%57%43%46%50%54%1110181%50%40%52%80%44%39%43%2111029%46%53%46%51%55%42%52%1111164%37%58%64%69%56%43%47%资料来源：Wind，华泰研究以0.8为聚类水平上界，依据合成后因子的排名百分比可将14类基金聚成3簇，其中第1簇包含了业绩持续性指标Hurst指数排在前20%的7个组别中的6个，第2簇包含了卡玛比率排在前20%的7个组别中的5个，而第3簇的2个组别均为卡玛比率和Hurst指数俱非前20%的组别，可见合成后因子对卡玛比率和业绩持续性的区分度较高。金工金工研究24资料来源：Wind，华泰研究为了更细致地观察各因子给基金按业绩指标聚类贡献的区分度，我们对各个因子按不同聚类绘制散点图，可以观察到，第1簇与第2簇的以SMB指标的60%百分比为界，第一簇中组别的平均SMB指标排名均在后40%，更偏向大盘风格，而第2簇则排在前20%-60%，相比之下更偏小盘；而第1、2簇又和第3簇以HML指标的60%百分比为界，第3簇的两个组别HML指标平均排名均在后40%，更偏成长型，相比之下第1、2簇更偏价值型。而对于三个重要合成因子，从3D散点图可以看到，第1簇内组别的“持仓波动性”平均排名均在后40%，这对应了聚类结果中，第1簇内包含了业绩持续性在前20%的6个组别这一结果；第2簇内组别的“投资机会挖掘水平”平均排名均在前40%-50%左右，这对应了聚类结果中，其包含了卡玛比率排在前20%的7个组别中的5个这一结果；同时，第3簇两个组别的“投资机会发掘水平”平均排名也排在前50%，或许是这两个组别都是相对收益前20%的基金的原因。资料来源：Wind，华泰研究资料来源：资料来源：Wind，华泰研究综上，鉴于不同簇的合成后因子对卡玛比率和业绩持续性具有较高的区分度，我们展示卡玛比率和业绩持续性处于前20%的基金和对应的合成因子百分比。25基金经理投资持仓投资机会跟随投资市场评价基金代码基金简称(现任)投资类型主题基金SMBHML集中程度波动性发掘水平倾向属性流动性000471.OF富国城镇发展蒲世林普通股票型否70%27%79%22%61%75%42%58%000628.OF大成高新技术产业A刘旭普通股票型否61%16%92%58%92%96%21%21%001054.OF工银瑞信新金融A鄢耀普通股票型否75%43%61%58%31%75%28%2%001158.OF工银瑞信新材料新能源张剑峰行业普通股票型否43%58%59%51%51%80%63%18%001473.OF建信大安全王东杰普通股票型否91%20%63%83%89%83%50%35%001490.OF汇添富国企创新增长A李威普通股票型否79%66%28%57%45%8%42%61%001718.OF工银瑞信物流产业A张宇帆普通股票型否30%32%73%53%44%93%60%2%001725.OF汇添富中国高端制造A赵鹏飞普通股票型否53%46%63%61%33%28%42%61%450009.OF国富中小盘赵晓东普通股票型否85%12%81%76%57%26%27%49%000263.OF工银瑞信信息产业A单文偏股混合型否51%72%28%76%28%83%72%9%004868.OF交银股息优化韩威俊偏股混合型食品饮料98%45%38%29%99%9%34%43%005164.OF富荣福锦A邓宇翔偏股混合型否85%39%54%70%70%45%33%%090018.OF大成新锐产业韩创偏股混合型否15%12%83%29%79%60%99%25%320003.OF诺安先锋A杨谷,张堃偏股混合型否11%33%64%25%18%62%41%31%519915.OF富国消费主题A王园园偏股混合型否93%52%39%67%71%16%19%21%001373.OF易方达新丝路祁禾,杨宗昌灵活配置型否65%48%61%36%89%45%58%10%001832.OF易方达瑞恒萧楠,王元春灵活配置型否99%18%46%91%92%23%22%6%002846.OF泓德泓华秦毅灵活配置型否89%64%22%93%83%70%47%68%002943.OF广发多因子唐晓斌,杨冬灵活配置型否11%12%80%89%67%93%36%97%004355.OF嘉实丰和A谭丽,吴悠灵活配置型否69%10%90%84%69%28%60%93%005794.OF银华心怡A李晓星,张萍灵活配置型否55%73%28%65%100%37%13%96%255010.OF国联安稳健刘斌灵活配置型否82%5%86%62%32%70%63%93%270022.OF广发内需增长A王明旭灵活配置型否50%13%99%81%57%100%30%93%450010.OF国富策略回报王晓宁灵活配置型否64%28%78%78%62%37%16%93%487021.OF工银瑞信优质精选胡志利灵活配置型否63%60%46%95%45%9%27%93%750001.OF安信灵活配置张竞灵活配置型否55%12%96%39%60%80%15%93%000471.OF富国城镇发展蒲世林普通股票型否70%27%79%22%61%75%42%58%000628.OF大成高新技术产业A刘旭普通股票型否61%16%92%58%92%96%21%21%001054.OF工银瑞信新金融A鄢耀普通股票型否75%43%61%58%31%75%28%2%资料来源：Wind，华泰研究基金观察：依据标签体系细致分析各基金经理特征接下来我们可以根据上述标签体系，观测不同基金经理和基金的特征。以下我们挑选了三位管理风格鲜明，且具有一定差异的基金经理，并观测我们给出的标签。(1)基金经理A以“自上而下”的宏观策略型投资著称，擅长从宏观行情出发，依据经济周期轮动筛选优势行业，最终落实于个股；其个人配置分散、组合均衡来平衡风险：“单一行业占比不超过15%，单一个股占比不超过5%”，同时选股灵活包容度高且拒绝抱团。26A业占净值比)2021年中报2021年中报2021年年报2022年中报14%12%10%8%6%4%2%0%基金2基金1基金4基基金2基金1基金4基金5基金3基金7基金8资料来源：Wind，华泰研究：基金经理A分散型股票持仓(第一重仓股票占净值比，%)2021年中报2021年中报2021年年报2022年中报4.54.03.53.02.52.0500.50.0基金1基金3基金4基基金1基金3基金4基金5基金6基金7基金8资料来源：Wind，华泰研究重点观察该基金经理在2018/12/31-2022/12/31管理时长超过90%的基金。从我们的标签出发，其收益率排名均在中前列，波动率排名则极其靠后，同时，其在样本池内管理的三支基金行业集中度排名均在尾部10%，照应了其持仓行业分散、均摊风险的特点；持股风格集中度排在尾部25