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。
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。
01 主动权益基金的投资标签体系简介
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标产品，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。
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。
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2.2万亿元增长至6.2万亿元，CAGR达55%，而同期沪深300CAGR仅18%，上证指数CAGR仅22%。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。
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，取连续四期权益持仓超过60%，且名称中不含“量化”的基金作为主动权益基金池，在2022年的样本池中得到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。
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
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。
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可达到70%-80%，大盘基金略低，在60%左右。
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。
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法。
02 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。
基金业绩：基于收益、风险、业绩稳定性等角度构建
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。
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。
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，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。
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：
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（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。
持仓分析：分析基金的行业、风格、换手率、重仓持仓等操作
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业的主题基金。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。
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。
投资风格使用三因子模型下的（大小盘）因子和（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：
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-0.5557，认为风格偏向于小盘及成长型。基金D的SMB和HML值分别为0.1221和0.2315，认为风格偏向于小盘及价值型。
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。我们基于模型进行指标的构建，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
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。
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。
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：
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：
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。
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 (Forward Difference in Beta Returns)衡量基金经理的行业间配置能力，通过左右侧交易指标(Reverse Difference in Beta Returns)来衡量基金经理的左右侧交易能力：
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；而通过选取上一期的收益，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。
实际计算中，我们选取787支基金2018年12月31日至2022年6月30日在各股的半年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和左右侧能力指标，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如下：其中表示行业，表示当期基金所持仓的股票，表示股票在基金重仓行业的股票中所占的比例，表示股票相对于其所在行业指数的超额收益率，代表行业权重。在 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）。对行业内每只股票计算归一化之后求和，即可得到基金经理在期的静态选股能力得分为（考虑到单期的数值可能会有偶然因素的影响，为减少这种影响，将期取值与期取平均，作为该基金的得分）：
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(Difference in Alpha Returns)指标对其进行刻画。由(Forward Difference in Alpha Returns)和(Reverse Difference in Alpha Returns)两部分组成。
其中i表示行业，beta表示仓位，f表示相对行业指数超额收益率。可以发现，是基金在期相对期在个股上的仓位变动，乘以对应个股相对其行业指数在期的超额收益率，再进行求和。是基金在期持有的个股仓位，乘以 期个股相对所在行业指数的超额收益率，再减去期仓位乘以个股期超额收益率，再进行求和得到。
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。