本报告系统梳理了主动权益基金Alpha的定义及其演化,比较了OLS与MLE模型估计Alpha的差异,揭示Alpha截面分布具有负均值正偏度及明显头部效应,且Alpha作为区别基金的关键因子稳定性较高。选基实证显示以12个月Alpha动量筛选头部基金可实现年化23.91%收益。报告进一步分析了基金经理更替、管理规模、行业动量和基金经理任职经验对Alpha生成与延续的具体影响,构建了基于牛熊、行业、风格的历史情景Alpha量表,发现基金在相同市场情景下的Alpha延续性有限,强调情景刻画优化的必要性,为FOF投资提供更精细化的Alpha评价框架与未来研究方向
| 基金经理情景Alpha量表例 |
本报告题为《基金 ALPHA 进化史:深入 ALPHA 的创造与湮灭》,由国盛证券研究所分析师叶尔乐、刘富兵联合撰写,发布时间约为2019年。报告聚焦于主动型权益基金的Alpha,即剥离了Beta影响后,体现基金经理主动管理能力获得的超额收益。报告具有重要的学术与实务意义,目标是深化对Alpha的定义、统计特征、头部效应及其影响因素的理解,最终为FOF投资提供更细致的评价工具和理论支持。
报告核心论点总结如下:
总体,报告表明Alpha不仅是基金绩效的关键驱动,且其行为具有系统的统计规律和复杂的演化过程,为主动管理和组合配置提供了实用参考。,1,3]
报告指出基金收益既与单一证券相关又区别于单一证券,因其为动态组合。基金收益拆解为多种Beta和Alpha。Beta本质是一组公开的因子(如市场、行业、风格)产生的收益,可低成本复制但难预测;Alpha则源自基金经理的主动管理偏离Beta组合,非公开、难复现却可能较为稳定。Alpha是基金主动管理的本质体现,理解Alpha成为基金分析的核心难点和重点。报告框定了问题逻辑:什么是Alpha?Alpha的来源?Alpha的湮灭机制?
Alpha是相对Beta剥离后的剩余收益,属隐变量,依赖于Beta组的选取和估计方法。早期Jensen(1968)采用OLS模型估计单一基金Alpha,后续学者采用Bootstrapping估计Alpha分布,通过EM算法和高斯混合模型,尤其Harvey&Liu(2018)提出二元高斯混合模型估计Alpha分布,融合横截面信息降低误差。此模型的关键是将存在有Alpha能力和无Alpha能力的基金经理视作两类,高斯混合模型可更准确拟合Alpha的左右尾不对称特征。
但MLE模型强制二元分布假设敏感,且全局收缩易造成高Alpha基金被归入均值,存在“错杀”问题。对此,Fisher(2019)提出基于Dirichlet Process的无监督分组贝叶斯无参数学习,先对基金进行分组,在组内估计Alpha,避免全局收缩至均值,提高估计精度和稳定性。报告以此为理论基础框架,但本文主采用较直观的OLS模型开展后续分析,MLE和Bayes模型内容留待后续研究。–4]
对Alpha定义的前提是准确选取Beta组。传统公开文献常用Fama-French三因子或Carhart四因子来代表Beta。业界一般用Barra风险因子。中国市场股票型基金和混合型基金转换频繁,混合型往往保有高成长仓位,转换主因多在熊市或市场崩溃阶段提供避险。
因此严格的股票因子组不足以覆盖所有Beta影响,报告推荐使用Sharpe资产因子模型,将基金可投所有资产作为Beta组,通过仓位估算方式剥离Beta,只剩Alpha。具体Beta因子共9个,涉及市场规模(大/中/小市值)、风格(价值、成长)、债券久期(短、中、长)以及现金。这9个因子涵盖了基金可能的投资范围,增强Alpha剥离的广覆盖和精确度。
美国市场多年经验表明市值、价值、成长因子可解释大部分股票市场风格变化,A股亦大致适用,后期可根据市场发展扩充因子。此Beta组选取兼顾适用性、覆盖率和实操性。–6]
OLS模型通过回归基金每日收益对Beta因子收益,得出基金的Beta配置权重 (要求非负且和为1),将超额收益分解为Beta配置收益和剩余Alpha收益。OLS模型关注的是对收益的解释能力(R²),忽略Beta系数的精度问题,适合Alpha粗估。
MLE模型则视Alpha为基金特有的随机变量,从横截面分布假设中提取额外信息,解决OLS在多重检验带来误差过大问题。采用蒙特卡罗EM算法迭代计算基金组合Beta、Alpha及Alpha的分布参数,模型假设Alpha横截面为二元高斯混合,用于分辨是否具备真正Alpha能力的基金经理。
算法中特别权衡了时间序列估计的误差和横截面估计的贡献,误差大的基金Alpha被更大程度向分布均值收敛,误差小的基金则更贴近OLS估计。最终,MLE模型比OLS获得更稳定、收缩明显的Alpha估计,减少极端值,但同时对二元分布假设较敏感。–9]
展示了Alpha估计的主要学术贡献及其方法演变。表3列举的9个资产Beta因子组合全面涵盖股票不同市值和风格区间以及债券久期与现金,体现考虑多元资产组合Alpha剥离的充分考量。
条形图显示基金超额收益可拆解为Beta配置收益和Alpha收益两大部分,且共同基准收益位于最底层。该视图说明了Alpha并非整体收益,而是与多因子Beta收益分离出的“剩余”部分,是基金真正的价值体现。OLS模型能够完成这一分解,方便投资者做策略对比。
图6展示了基金月频Alpha分布具有左长尾(偏态-0.84)和峰态高(7.66)的特性,传统正态分布难以捕捉。图7则是Harvey(2018)的二元GMD模型对Alpha分布进行拟合,显示通过两个正态分布混合,能够更好逼近实际Alpha分布的异常峰峦和偏移。该视图验证了混合分布在Alpha建模上的合理性,但也隐含了模型对先验分布依赖的局限。
直方图形象展示了1月微观层面基金Alpha分布,OLS模型(红色)存在更多极端值且分布更宽,而MLE模型(蓝色)肘部收缩使得极端Alpha减少且主峰更集中。多个历史截面比较图证明MLE模型强制二元假设,导致某些情况下对Alpha截面分布的拟合并不完美,呈现人为分组的痕迹。此图为选择使用OLS模型做后续分析提供了直接数据依据。
Alpha均值呈现周期性波动,整体偏负,且与沪深300走势具相关性;2008-2009、2014-2015市场波动率高时Alpha为负,2017-2018阶段抱团明显时有正Alpha,显示Alpha均值受宏观和市场结构影响。
偏度正值比例超过70%,且偏度体现了长右尾,说明头部基金的Alpha显著超越中位数水平,暗示头部效应明显,多数基金Alpha低于市场整体平均。
12个月滚动波动率统计显示总体上Beta波动率普遍高于Alpha,说明Alpha相对平稳;然而头部基金Alpha波动率自2016年起超过Beta,暗示顶尖基金的Alpha贡献增强。
Alpha与Beta间的相关系数分布也差异显著,基金间Beta相关度平均0.63,显示市场共振特征;而Alpha相关度低至0.23,甚至2017后降至0.06,说明Alpha是基金表现区分的关键动力,
Alpha动量策略(选择近12个月Alpha最高基金)持续表现良好,但Alpha延续性仅限于头部5-20只基金,基金数量增大后效果递减,验证了Alpha头部效应。
2016年起市场极端风格强化,食品饮料和家电板块带动行业Alpha持续走强,市场风格极端使选基Alpha延续性扩展。
选基策略净值显著跑赢沪深300及备选基金中位数,实现23.91%年化收益,但未控制Beta,Beta累计收益存在波动且有负值风险,说明Beta控制对策略表现仍具提升空间。
案例A基金显示基金经理更替明显影响Alpha,Alpha表现稳定期对应经理任职期。统计显示4018个样本中基金经理入职前Alpha偏负,入职后逐步改善,离职前后趋势亦相似,显示基金经理更替往往带来积极Alpha变化,统计意义大于直觉。
基金规模对Alpha呈倒U型关系,小规模(<5亿)具备较强Alpha,超过30亿后平均Alpha为负。规模变动矩阵显示逐步缩小规模对应Alpha增加,反之减少,尤其“买冷门不买热门,超热门也可考虑”策略可解释资金流动与Alpha关系。
不同行业基金Alpha表现差异显著,电子、新能源、农业基金中长期展现强Alpha,行业动量的持续性显著支持较长持有。
医药类因政策风险和事件(2018年疫苗事件)Alpha大幅下滑,提醒投资者行业Alpha风险高于特质Alpha,需要结合宏观研究。
Alpha头部基金多在成立或基金经理更换初期表现出色,高Alpha集中在任职1.5年内基金,这表明基金公司对于年轻基金及新任经理具备较强配置和激励能力,经验较长的Alpha头部基金较少,暗示Alpha具备一定的制度和生命周期特征。
将市场划分为牛熊、行业、风格三类共17个情景,覆盖整体市场和细分行业风格走势。图谱显示市场牛熊转换频繁,行业表现集中于消费、TMT和周期,地产长期不突出;风格表现中小盘成长型异动更频繁。
通过情景Alpha量表记录具体基金经理在不同情景的表现及显著性,如基金经理F在中盘TMT风格情景Alpha最大,表现稳健。历史样本分A(2005-2016)和B(2016-2019)区间,对比相同基金经理在同情景下Alpha表现,发现大多数“高手”在B区间无法复制A区间相同情景的Alpha,提示情景变化更复杂,单一标签难以捕捉情景Alpha延续性,促进未来更细致的情景刻画与风险测试机制开展。
本报告并无针对单个基金或资产的传统估值(P/E、DCF等)分析,估值观点更多体现在基于Alpha衡量的绩效评估及动力机制解读,即Alpha作为基金经理能力的隐形资本,被视作主动管理的核心“价值”指标。
报告对Alpha估计采用了统计模型(OLS、MLE、贝叶斯非参数方法)解读Alpha本质与分布,间接解读了基金业绩的价值属性。估计过程中的模型选择和参数(如二元高斯混合分布权重、均值、方差)为Alpha“价值”的量化基础。
因此报告更多强调Alpha估计与分布反映的能力估值,而非标的资产估值。–9]
报告明确提及的风险主要有:
市场风格变化风险:传统Beta组可能无法解释波动剧烈的市场风险结构调整,导致Alpha估计和基金特征发生根本性变化,影响Alpha的稳定性及其预测作用。
模型假设风险:MLE模型对二元高斯混合分布的强假设敏感,若真实Alpha分布偏离该假设,估计结果可能失真。
行业政策及事件风险:行业Alpha易受政策、宏观冲击影响(如医药行业疫苗事件),大幅波动时可能导致Alpha衰竭。
资金规模与流动性风险:基金规模过大会引发规模毒性,削弱Alpha,且流动性压力可能放大风险。
基金经理更替风险:虽然统计显示更替往往带来绩效改善,但单一基金经理变动可能带来短期混乱与Alpha波动。
报告没有详述缓解策略,但强调未来分析需结合复杂情景和情绪变量,模型多维刻画基金Alpha,降低风险敞口。,21]
报告整体论证严谨,理论联系实证,但存在若干需谨慎注意的细节和潜在偏颇:
报告采用的主要是OLS模型做后续量化,虽然直观但忽略了MLE和贝叶斯模型对估计误差的系统调整和截面信息利用,可能高估部分极端Alpha基金稳定性;
MLE模型虽理论先进但对二元分布先验依赖较强,若基金Alpha本质不完全符合该假设,则估计可能误导;
Alpha的头部效应和持续性存在显著局限,报告指出“情景一致性”难维持,提示投资者对曾经优异基金的未来表现需高度谨慎;
规模对Alpha的负面影响显示“买冷门不买热门,超热门也可以考虑”的偏好,这一结论建立于整体统计,个别策略和基金可能差异显著,应用需区分赛道;
行业Alpha的波动性反映策略Alpha并非完全剥离Beta,实际中基金经理能力、行业配置与市场风格线索极难切割;
样本区间为2005-2019,且以中国市场公募基金为对象,结论的广泛适用性需留意市场环境、制度变化和经济周期的差异。–9,12–20]
本报告通过全面梳理基金Alpha的定义、估计方法及分布特征,系统分析了中国公募主动权益基金Alpha的统计性质、头部效应和持续性规律,深入探讨Alpha受基金经理更替、规模变化、行业动量、经理任期等因素影响的演变轨迹。建立的17情景框架和情景Alpha量表为未来精准刻画基金情景能力及风险度量提供了重要工具。
图表解析进一步证明:
OLS与MLE模型在Alpha估计上的差异显著,OLS模型更适合直观分析,MLE模型减少极端但依赖强假设;
中国主动权益基金Alpha长期呈负均值、正偏态,Alpha波动低于Beta且基金间区分度主要来源于Alpha;
12个月Alpha动量为强有力的选基指标,但效果集中于少数头部基金,且自2016年起受极端行业动量影响;
教训性的规模效应与基金经理更替数据表明管理经验、资金流向对Alpha影响深远;
行业Alpha具高幅度及波动性,政策事件带来显著波动,强调风险管理必要;
量化情景分析揭示同一基金经理同一情景的Alpha表现时效性有限,复杂宏观市场环境非线性影响显著。
整体来看,报告坚定支持以Alpha为核心的基金经理能力评价体系,强调多维度、动态、情景化分析的重要性,提出未来需深研基金Alpha与Beta分离优化组合及细致情景刻画,为FOF投资和主动管理提供科学理论基础。风险提示明确警示环境变动对Alpha稳定性的冲击,提醒投资者和研究者保持审慎,探索更具适应性的Alpha度量工具是持续的研究方向。
,1,3–22]
量化专题报告:基金ALPHA进化史 深入ALPHA的创造与湮灭.pdf