报告分析:《FOF/MOM组合分散化配置面临的挑战》——招商定量·琢璞系列
1. 元数据与概览
报告标题 :招商定量·琢璞系列 | FOF/MOM组合分散化配置面临的挑战
作者与发布机构 :招商定量任瞳团队
发布日期 :2020年10月14日
研究主题 :聚焦于基金中基金(FOF)和多经理账户(MOM)多策略投资组合中,分散化配置面临的共性风险集中、过度加杠杆及缺乏大局观等问题,基于Gerald Garvey等人在《The Journal of Portfolio Management》2017年发表的报告《The Dangers of Diversification: Managing Multiple Manager Portfolios》剖析相关挑战及启示。
核心论点 :
传统FOF/MOM组合依赖资产类别与基金经理维度上的分散化,理论上能够降低风险、提升信息比率,但实践中往往未达预期,尤其在金融危机等极端市场,风险集中于基金经理共性投资思路导致组合收益波动加剧。
投资组合风险存在显著的“共性风险集中”现象,底层基金普遍配置于相似的共性化投资因子(价值、动量、规模等),导致“多元化”失效。
多策略投资组合普遍存在过度加杠杆与缺乏整体视角的问题,容易在极端市场放大风险。
针对上述问题,建议偏好投资采用更多个性化投资策略的底层产品,避免“Smart Beta”风格的基金,以降低共性风险;MOM模式相较FOF在风险控制和激励机制上具有优势。
在国内市场,公募基金“抱团”现象恶化了共性风险,底层基金筛选中风险指标权重过重可能导致组合反而过度分散且低效。1 ,1,9]
2. 逐节深度解读
第一节:FOF/MOM组合分散化配置面临的挑战
报告首先引入FOF/MOM管理者常用的分散化思路,投资者基于资产类别和基金经理分散化,期望达到提高信息比率和降低风险的目标。但理论分散化在实践中未必奏效,尤其是在金融危机这些极端市场中,基金经理的共性思路导致组合风险集中,表现不佳。
作者基于BlackRock团队管理对冲基金的实务经验及研究,指出传统模型仅考虑单一基金的预期收益与协方差矩阵,忽略了组合中的“共性风险集中”问题,同时引出了多策略组合过度加杠杆和缺乏大局观的风险隐患。1
第二节:多基金经理分散化配置可能未有效分散风险
标准的投资组合优化方法是参照Markowitz理论,通过基金经理(或基金产品)的预期收益、方差和协方差,计算最优权重组合。但报告指出这一方法的不足:
共性风险集中 :基金经理投资思路虽有差异,但广为采用的共性化投资因子(如价值、动量、规模)导致底层产品风险高度相关,表现为共性风险集中。
模型可视化框架 :底层产品收益可分解为基于共性化投资想法和个性化投资想法的部分。共性化部分普遍且高度相关,个性化部分稀有且相关性低。
在金融危机期间,共性因子相关性和风险急剧上升,促进多策略基金尾部风险形成。
除共性风险外,多策略基金还存在两个潜在问题:
过度加杠杆 :因多策略基金预期风险较低,投资者倾向通过杠杆提升风险暴露以提高收益,但杠杆同时放大尾部风险。
缺乏大局观 :各底层基金管理人为优化单一产品表现,未从多策略整体层面进行协同风险收益管理,导致组合过度分散。2
第三节:共性风险集中定量分析
以模型形式进一步论证:
假设底层基金风险预算分配比例中有一部分专注于共性化投资想法,另一部分集中于个性化投资想法。
图1 显示,在极端假设(共性投资想法间100%相关,个性投资想法完全不相关)的条件下,随着底层基金数量增加,投资组合中分配于共性化投资想法的风险预算比率迅速接近100%。
基于Fama-French和Carhart四因子模型对862只美国大盘基金月度收益回归,计算风险贡献(R²)发现,多基金组合在共性因子的风险预算为底层基金的1.3-2.1倍,规模因子共性风险集中最明显。
金融危机期间,假设共性风险波动率增加3.5倍,且共性因子相关性提升5倍,个性风险不变,导致底层产品风险大幅攀升,组合风险放大3.6倍,且几乎全部风险源自共性风险。2 ,2,3]
第四节:共性化因子风险与相关性的实证
表1展示了1996-2016年美国、欧洲、日本市场价值和动量因子的波动率,不同分位数峰值说明动量因子整体波动率高于价值因子。
表2分析了因子收益跨区域的条件相关性,发现美国因子业绩显著下跌时,欧洲与日本相关性明显提升,特别是动量因子的相关性跃升更为明显,验证危机时因子相关性激增的模型假设。
图3显示MSCI ACWI指数成分股整体和剩余风险随时间变化,表明市场上因子风险和特定风险均波动剧烈,但因子风险波动范围显著更大,强调了共性风险对市场风险波动的主要贡献。5 ,5]
第五节:将过度加杠杆与缺乏大局观纳入考量
过度加杠杆源自多策略基金风险预期低的表象,借用杠杆放大收益,但实际在共性风险激增时存在极大尾部风险。
缺乏大局观表现为底层产品各自为政,未在组合层面优化风险分布,导致组合风险难以控制且过度分散。
报告建议将风险预算更多集中于个性化投资想法以降低共性风险,并鼓励底层产品承担适度风险,避免过分分散与杠杆激增。
作者坦言目前尚未找到成熟解决方案,但明确指出思路与挑战。
特别强调多策略基金在集中投资特定领域时,底层经理专业性和风险承担更均衡,则组合表现更优;反之广泛分散反而易带来组合效率降低。6
第六节:如何找到理想的集中度?
本节系统介绍了基于主动收益预测与风险贡献排序的组合优化理论:
以收益-alpha和剩余风险ω,最大化效用函数(收益-风险乘以风险厌恶λ)构建最优投资组合。
证明减少组合中对总风险贡献较小的头寸,可以通过提高风险集中度提升整体组合风险敞口(同时保持杠杆率不变),但需要权衡信息比率下降,即“转移系数”的降低。
图4展示减少低风险贡献股票比例与转移系数的实证与理论契合状况,转移系数在大幅减少60%以上头寸前保持稳定。
图5说明风险随着减少头寸逐渐上升,只有减少75%-90%的头寸才能将风险加倍甚至加三倍。
图6综合展示了风险提升与转移系数下降的权衡关系,风险加倍转移系数约降0.75,风险加三倍转移系数降至约0.6。
图7进一步分析多策略基金层面的转移系数与底层基金的转移系数关系,底层基金间相关性提高会放大多策略基金整体转移系数,危机时底层相关性上升尤为显著。
总结说明:通过提高组合集中度控制共性风险,同时需权衡收益信息比率与风险提升带来的间接影响。7 ,7,8]
第七节:结论与启示
FOF/MOM多策略组合管理存在三方面挑战:共性风险集中、过度加杠杆及缺乏大局观,均对风险控制和绩效构成长期威胁。
推荐策略是优选采用更多个性化投资理念的底层产品,避免“Smart Beta”类型基金,这样有助于风险降维和收益稳定。
MOM模式优于FOF的原因在于对底层投资风险的激励和控制更强,底层经理风险水平维持适中,避免低风险、过度分散的困境。
对于国内市场,指出公募基金“抱团”现象无疑加剧了共性风险,风险特征过重筛选底层基金可能反而导致组合低效分散。投资者应结合国际研究思路,运用本土数据验证策略。
报告强调研究基于美国市场及机构数据,对国内适用性仍需验证。
本文引用文献为Garvey等人2017年《The Dangers of Diversification》报告。10
3. 图表深度解读
图1:多策略投资组合风险预算投资于共性化投资想法的比例
横轴为多策略投资组合包含的底层基金数量(1-20),纵轴为风险预算中投资于共性化投资想法比例(0%-100%)。
四条曲线代表每只底层基金不同风险预算分配比例中投向共性化想法的情况(20%、40%、60%、80%)。
曲线均显示随着底层基金数量增加,共性风险预算比例迅速逼近1(100%),说明增加基金数量虽增加分散,但共性风险高度集中,不能有效降低风险暴露。
该极端模型揭示传统多基金分散化的理论悖论,提示投资者不能忽视“投资思想”的同质性。2
图2:多基金投资组合与其底层产品的因子风险比较(Beta、规模、价值、动量)
共4个散点图,横轴为5只底层基金平均风险集中度,纵轴为组合重组后风险集中度。
回归线斜率均大于1(1.27-2.12),表明组合持有风险加剧而非减轻,规模因子斜率最高(2.12),证实多数基金在小市值股上的股票敞口叠加放大。
通过实证数据确认理论预测的共性风险放大,即多基金组合实际上风险集中度高于底层基金平均水平。
这强化了对传统等权配置方法的风险警示。 3
表1:价值、动量因子在不同市场的波动率情况
展示美国(USE3)、欧洲(EUE3)、日本(JPE3)市场不同分位数(50、95、99百分位)的价值和动量因子波动率。
动量因子在所有市场波动率普遍更高,尤其在95和99分位表现尤甚,显示其风险更大。
该数据用于验证模型对共性因子风险基础假设的合理性,尤其模型中的危机时波动率提升设定较为符合实际波动范围。
不同地区的因子波动率峰值同步,显示全球市场间共性风险关联较强。 5
表2:选定因子跨区域的条件相关性
以美国市场因子表现为条件变量,计算其价值与动量因子与欧洲和日本的相关性。
美国市场因子表现处于下5百分位时(即表现显著不佳),相关性显著提升(例如美国-欧洲动量因子提升至0.74),表现出风险传染效应。
该相关性攀升验证了共性风险相关性的动态提升,特别是在危机或极端市场环境。
支撑报告中关于金融危机导致共性风险和相关性急剧上升的理论基础。 5
图3:总体风险和特定风险的分布
使用MSCI ACWI成分股,从1996年至2016年风险分布百分位查看年化风险水平。
总风险曲线明显高于特定风险,且总风险尾部有极端离群值,显示市场总体风险波动更大,常由共性因子波动驱动。
反映企业资产的风险来源分布,多策略组合应关注整体风险而非仅剩余风险,防止风险被误判。 6
图4:减少风险贡献小头寸对转移系数影响
横轴为减少的股票头寸比例,纵轴为转移系数(集中组合与最优组合的信息比率比例)。
多个信号(A-D)实证线与理论值高度吻合。
转移系数在减少60%股票之前变化不大,减少超过此比例之后信息比率损失明显。
暗示投资组合可在大幅缩小持仓数时仍保持较高信息效率。 8
图5:风险随头寸减少的变化
横轴为减少股票头寸比例,纵轴为组合风险相对全仓风险的比例。
风险升幅在头寸减少75%-90%后大幅加速。
配合图4表现,显示提高组合集中度提升风险也明显,需把握两者平衡。 8
图6:转移系数与风险关系
横轴为组合风险相对比例,纵轴为转移系数。
曲线反映风险增加时转移系数急剧下降,风险加倍转移系数约0.75,风险增加三倍转移系数降至0.6以下。
直观展示收益效率与风险暴露之间的权衡决策。 9
图7:多策略基金转移系数与底层基金转移系数关系
横轴为底层基金转移系数,纵轴为多策略基金转移系数,N=5只基金。
图中曲线对应不同底层基金间相关性,相关性越高多策略基金转移系数越大。
当底层基金转移系数约0.5时,多策略基金转移系数提升至最大,表明底层基金相关性助推集中度损失放大。
强调底层基金相关性的管控对于多策略组合集中度及信息比率维护的重要性。 9
4. 估值分析
本报告属于策略与组合管理研究,未涉及公司估值部分,无现金流折现或市盈率估值模型应用。
5. 风险因素评估
报告重点识别了FOF/MOM组合分散化面临的核心风险类别:
共性风险集中 :基金经理投资思路共性导致组合风险集中,尤其在市场危机时共性因子风险和相关性急剧上升,形成尾部风险。
过度加杠杆风险 :组合预期风险低驱使加杠杆放大风险,一旦共性风险放大,将极大增加投资组合的总风险。
缺乏大局观 :底层产品考虑独立风险收益优化,忽视组合整体协同,可能导致组合过度分散化,弱化风险管理效果。
国内市场特有风险 :公募基金集中持仓(抱团现象)加剧共性风险,盲目依据风险指标筛选底层基金可能反而损害组合效率。
报告建议通过选择个性化投资策略的基金、限制底层产品风险分散、合理控制杠杆、强化组合层面风险协同等方式缓解风险,强调目前缺乏完美解决方案,研究需进一步深化。1 ,5,9]
6. 批判性视角与细微差别
报告基于美国市场和机构基金历史数据,明确指出其研究结论在中国市场的有效性未获验证,需结合本土基金数据再行实证。
报告强调共性风险集中但没有提出具体可行的操作手段和量化策略缓解该风险,部分理论假设如投资思路完全共性与个性化的相关性状态在现实中较难完全成立,可能存在模型理想化风险。
分析杠杆放大效应时,未深入探讨不同策略对杠杆操控的实际可执行性和风险监测方法,显示实际操作层面仍有空白。
无论是价值因子、动量因子的区间选择还是转移系数的实证测试,均基于一定假设和有限样本,报告未详细说明数据筛选标准和统计显著性,警示读者需保持审慎。
报告在叙述些许多层面存在一定重复和用语略显学术化,可能对非专业投资者理解形成一定障碍。
但整体论述逻辑严密,数据图表丰富,研究视角独特且具前瞻意义。 1–10
7. 结论性综合
该报告通过详尽的数据模型和实证分析,揭示了FOF/MOM多策略投资组合标准分散化配置背后的内在局限性:投资组合风险并非简单线性分散,反而因多基金共性投资因子的高度相关导致风险集中,特别是在市场危机时段风险暴露倍增,严重威胁投资组合稳定性。
报告提出并量化了“共性风险集中”现象,实证验证了金融危机期间因子风险波动率及区域相关性的激增,并揭示过度杠杆和缺乏大局观使该风险难以控制。理论与实证结合,图表清晰描述了风险预算分配、风险贡献、转移系数与集中度间的复杂权衡,展示实现既风险集中又信息效率最大化之间的矛盾。
报告总结建议FOF/MOM组合管理者应重点选择采用更多个性化投资理念的底层基金,避免使用以“Smart Beta”为代表的共性因素驱动型产品,并控制底层分散度及合理杠杆。MOM结构由于能够更好激励底层经理承担适度风险展现出优势。
最后,报告警醒投资者,国内公募基金的抱团行为显著提升共性风险,筛选时过度依赖风险指标可能适得其反,需结合本土市场实证检验国际研究结论。
总的来说,这份报告内容深刻且细致,理论与实证结合紧密,图表表达完整且说明充分,为FOF/MOM投资者认识和应对多策略组合分散化的隐性风险提供了重要参考和启示。 同时提醒投资者需审慎权衡多策略组合效率与风险集中带来的潜在冲突,防范极端市场条件下的尾部风险溢出。1–10
参考文献
Garvey, Gerald, Ronald N. Kahn, and Raffaele Savi. "The Dangers of Diversification: Managing Multiple Manager Portfolios." The Journal of Portfolio Management 43.2 (2017): 13-23.
图片使用示例 :
图1:
图2:
图3:
图4:
图5:
图6:
图7: