(window.slotbydup=window.slotbydup || []).push({
id: '2014386',
container: s,
size: '234,60',
display: 'inlay-fix'
&&|&&7次下载&&|&&总36页&&|
您的计算机尚未安装Flash，点击安装&
阅读已结束，如需下载到电脑，请使用积分（）
下载：20积分
0人评价35页
0人评价21页
0人评价23页
2人评价15页
1人评价46页
所需积分：（友情提示：大部分文档均可免费预览！下载之前请务必先预览阅读，以免误下载造成积分浪费！）
（多个标签用逗号分隔）
文不对题，内容与标题介绍不符
广告内容或内容过于简单
文档乱码或无法正常显示
文档内容侵权
已存在相同文档
不属于经济管理类文档
源文档损坏或加密
若此文档涉嫌侵害了您的权利，请参照说明。
我要评价：
下载：20积分428被浏览7838分享邀请回答0添加评论分享收藏感谢收起428被浏览7838分享邀请回答839 条评论分享收藏感谢收起3添加评论分享收藏感谢收起查看更多回答&p&推荐几个相关阅读资源：&/p&&p&1、李腾翻译的《主动投资组合管理》，英文版：《Active Portfolio Management&/p&&p&A Quantitative Approach for Providing Superior Returns and Controlling Risk》&/p&&p&Richard C. Grinold 、Ronald N. Kahn&/p&&p&2、《Active Equity Management》&/p&&p& Xinfeng Zhou、Sameer Jain&/p&&p&3、《Barra Handbook_US》&/p&&p&4、《China Equity Model_CNE5》&/p&&p&5、《Quantitative Equity Portfolio Management》 Edward E. Qian, Ronald H. Hua, and
Eric H. Sorensen&/p&&p&6、《-华泰证券-多因子系列之一：华泰多因子模型体系初探》&/p&
推荐几个相关阅读资源：1、李腾翻译的《主动投资组合管理》，英文版：《Active Portfolio ManagementA Quantitative Approach for Providing Superior Returns and Controlling Risk》Richard C. Grinold 、Ronald N. Kahn2、《Active Equity Management》 …
Barra是做风险模型的，主要应用是构建active risk/total risk在一定范围内的portfolio。Active risk也就是所谓的tracking error, 一般也就量化对冲基金会在意这个指标（一直不懂非对冲的基金计算这个干嘛，尤其是国内的投资者一般都是在意绝对收益的）。至于控制total risk，个人认为结合仓位管理貌似更有意义一些。&br&&br&至于实现嘛，我以前干过类似的事情。barra的介绍文档后面都有各个风险因子的计算公式，一些复合因子的复合方法，也就是权重都给了，直接照搬就行。当然，光知道公式也远远不够，很多细节的处理、缺失值的填补方法值得玩味，这个就走好不送了。算完风险因子后，可以跟barra里的值比对一下，如果大概方向能一致就继续下一步，计算协方差矩阵。手头没有那个介绍文档，我记得是需要volatility regime adjustment 和 bayesian adjustment. 这两项都算完后，预测风险的模型基本搞定，但构建组合那一步，还需要写个optimizer, 我的工作没涉及到这一步，就不是很清楚了。写optimizer的基本思路，应该就是设一个隐含的risk aversion值（或者用户自定义），然后最大化你的utility function=return-aversion*risk^2，必要时设一些constraints. &br&&br&以前听barra的人过来路演，分分钟就是“你们不可能复制出来的还是乖乖掏钱买模型”的架势，他们应该确实是有一些未公开的独门秘籍。而且复制模型的难度，应该是最后20%的难度远大于前80%，就看题主需要多精确的模型了。&br&&br&建议题主搞个barra试用版，先把各种功能玩透了再谈实现。
Barra是做风险模型的，主要应用是构建active risk/total risk在一定范围内的portfolio。Active risk也就是所谓的tracking error, 一般也就量化对冲基金会在意这个指标（一直不懂非对冲的基金计算这个干嘛，尤其是国内的投资者一般都是在意绝对收益的）。至…
如我解MSCI所说义，是法步骤如下：&br&第一步：CNE5给出的EWMA半衰期为63个交易日，据此计算衰减因子：&img src=&/v2-2feaa4d4a422_b.png& data-rawwidth=&216& data-rawheight=&80& class=&content_image& width=&216&&&p&第二步：CNE5给出的EWMA窗口期为252个交易日，据此建立权数矩阵，也就是GLS中的协方差矩阵：&/p&
&img src=&/v2-cf305c7be64f_b.png& data-rawwidth=&510& data-rawheight=&289& class=&origin_image zh-lightbox-thumb& width=&510& data-original=&/v2-cf305c7be64f_r.png&&第三步：使用最近252个交易日的个股n的日收益&img src=&///equation?tex=r_%7Bns%7D& alt=&r_{ns}& eeimg=&1&& ；股票池日超额收益&img src=&///equation?tex=R_%7Bs%7D& alt=&R_{s}& eeimg=&1&&（一般是某个指数收益或所有股票的自由流通市值加权收益）；无风险日收益&img src=&///equation?tex=rf_%7Bs%7D& alt=&rf_{s}& eeimg=&1&&（s=1, 2, ..., 252代表前第s个交易日，下文中用到的下标t代表最近一个交易日，注意区分），对以下模型进行半衰期为63天的指数加权回归：&br&&img src=&/v2-6d04ab9a9afc6a7c5f8ec2fc5bf2987c_b.png& data-rawwidth=&455& data-rawheight=&63& class=&origin_image zh-lightbox-thumb& width=&455& data-original=&/v2-6d04ab9a9afc6a7c5f8ec2fc5bf2987c_r.png&&注意所有数据都是日收益，不是年化的。α和β的下标t代表最近一个交易日，下文&img src=&///equation?tex=a_%7Bnt%7D& alt=&a_{nt}& eeimg=&1&&、&img src=&///equation?tex=b_%7Bnt%7D& alt=&b_{nt}& eeimg=&1&&、&img src=&///equation?tex=RMSE_%7Bnt%7D& alt=&RMSE_{nt}& eeimg=&1&&同样如此。&br&&p&具体而言，令：&/p&
&img src=&/v2-10f45ff57d5fa177a69d4f7e7e19fe1a_b.png& data-rawwidth=&533& data-rawheight=&212& class=&origin_image zh-lightbox-thumb& width=&533& data-original=&/v2-10f45ff57d5fa177a69d4f7e7e19fe1a_r.png&&那么：&br&&img src=&/v2-951fff4a8f0ffc47fe3f82_b.png& data-rawwidth=&580& data-rawheight=&161& class=&origin_image zh-lightbox-thumb& width=&580& data-original=&/v2-951fff4a8f0ffc47fe3f82_r.png&&&img src=&///equation?tex=a_%7Bnt%7D+& alt=&a_{nt} & eeimg=&1&&、&img src=&///equation?tex=b_%7Bnt%7D& alt=&b_{nt}& eeimg=&1&&是α、β的估计值，&i&&b&e&/b&&/i&是252个&img src=&///equation?tex=e_%7Bns%7D& alt=&e_{ns}& eeimg=&1&&的列向量。计算&i&&b&e&/b&&/i&是为了后面residual volatility因子中计算描述性变量HSIGMA。methodology上说HSIGMA是&img src=&///equation?tex=e_%7Bnt%7D+& alt=&e_{nt} & eeimg=&1&&的EWMA标准差，根据我的理解，最可能是上述回归的根均方误差（root mean squared error）：&br&（HSIGMA =）&img src=&/v2-acc51fa2f194bbc5c4e0_b.png& data-rawwidth=&290& data-rawheight=&137& class=&content_image& width=&290&&&br&其中df=252-2=250，是自由度。&br&第四步：&br&个股n的未经标准化的descriptor就是&img src=&///equation?tex=b_%7Bnt%7D+& alt=&b_{nt} & eeimg=&1&&，经过标准化得到descriptor后，由于CNE5中beta因子就一个descripor，因此不用再次标准化就可以作为beta因子。&br&&br&MSCI的methodology我一开始也没明白，猜是加权回归，看了楼上@红领巾的回答后基本确认就是这个方法，在此感谢！至于HSIGMA部分，我也不是特别确定，如有差错欢迎指正。
如我解MSCI所说义，是法步骤如下： 第一步：CNE5给出的EWMA半衰期为63个交易日，据此计算衰减因子：第二步：CNE5给出的EWMA窗口期为252个交易日，据此建立权数矩阵，也就是GLS中的协方差矩阵：
第三步：使用最近252个交易日的个股n的日收益r_{ns} ；股票池…
&img src=&/50/v2-b98c34cbb4dc2_b.jpg& data-rawwidth=&688& data-rawheight=&323& class=&origin_image zh-lightbox-thumb& width=&688& data-original=&/50/v2-b98c34cbb4dc2_r.jpg&&&p&在文章开始之前，先帮原CMO集训队的T大数学系妹子的Team打个招募广告：&br&&/p&&blockquote&我们是一个主要由在校学生组成的量化团队，有着靠谱的IT团队（清华CS硕士*2 + 电子系phd + 姚班少年），也有优秀的策略开发人员（所有成员均来自清华\北大\北航\中科院 数学、物理、计算机、电子等相关专业，包括两枚CMO金牌以及即将去Princeton MFin, Stanford ICME, Baruch MFE, Columbia MSFN, Cornell MFE, Chicago MSFN 等Top金工项目读书的同学）。&br&&br&目前我们有固定的Office场所进行活动，并已经基于wind的落地数据库，独立开发了一套类似worldquant websim的因子筛选、评测与策略回测平台，可以用于进行日内与日间的信号挖掘与策略研究。由于以在校学生居多，团队有着不错的交流和学习氛围，会兼顾每一个新来的同学的具体情况予以指导，同时每周都会定期组织讨论。&br&&br&如果你对该我们团队感兴趣，并具有以下技能之一，请将简历发送至邮箱：，成为我们的一员，与众大神一起学习进步，同时我们也会提供与市场行情相符的实习工资以及依据贡献程度的最终策略分成。如果你是非北京的优秀同学，可以考虑暑期前往（我们将提供食宿）。&br&&br&1. 量化策略研究：对多因子、日内或是统计套利策略的研究感兴趣并有着一定coding经验与数学水平的同学&br&2. Python语言工程师：具有一定coding能力，熟悉Python语言（Pandas/Numpy/sklearn等库），可以长期参与系统编写与维护的同学&br&3. 新闻舆情抓取与分析：熟悉网络爬虫或是NLP的同学&/blockquote&&br&&p&&b&Barra模型是MSCI公司开发的一个经典的金融风险控制模型，名声远播在全球有着大量的机构用户。本专栏旨在传播与讲解量化知识，故而决定从今天起，通过几篇文章陆续介绍Barra模型的构建的各步骤与相应的计算方法和细节，请大家持续关注~&/b&&/p&&h2&&b&本文作者：涂申昊（知乎ID：&/b&&a href=&/people/cc7c8d00e58a24c4cecb2ff& data-hash=&cc7c8d00e58a24c4cecb2ff& class=&member_mention& data-title=&@感到不爽& data-editable=&true& data-hovercard=&p$b$cc7c8d00e58a24c4cecb2ff&&@感到不爽&/a&&b&）&/b&&/h2&&h2&&b&一、传统框架下的模型介绍&/b&&/h2&&p&说到金融学的投资组合模型，那么不得不提就是马科维茨的投资组合模型。从1952年诞生至今，马老师的均值-方差基本就是金融学里面神一般的模型了。至今应用十分广泛，经久不衰，折磨了一代又一代的金融学子，让无数童鞋挂在了高高的模型上。&/p&&p&马老师的模型第一次将均值和方差来刻画股票的收益和风险，基于马老师的均值-方差模型，有了三种度量风险的方法，其实本质思想大同小异：&/p&&h2&1.1 基本风险模型&/h2&&p&即为马科维茨组合方差。在马科维茨的均值-方差理论中，投资组合的风险计算需要估计组合中每个资产的波动率及它们之间的相关系数。一般的，当组合中有N只股票的情况下，需要估计的波动率个数为N，而需要估计的相关系数的个数则为N*（N-1）/2。我们可以将所需要估计的参数总结到一个协方差矩阵V中。&/p&&p&&img data-rawwidth=&306& data-rawheight=&161& src=&/v2-064f9a3c0342ffbfb2ce24e729b1234e_b.png& class=&content_image& width=&306&&问题在哪？&/p&&p&很明显，n*n维的协方差矩阵需要估计的参数太多；比如说A股市场，目前市场上超过3000只股票，也就是需要顾及大约450,0000个参数。&/p&&p&怎么办？&/p&&h2&1.2 减少估计次数的模型&/h2&&p&令&img data-rawwidth=&90& data-rawheight=&31& src=&/v2-e353d0c4e1edc47f34f65e_b.png& class=&content_image& width=&90&&为第n和第m只股票的协方差，定义&img data-rawwidth=&182& data-rawheight=&39& src=&/v2-6eefe9e55e874e4c3ac177e3881dabf1_b.png& class=&content_image& width=&182&&&/p&&p&其中p是股票之间的平均相关系数；虽然这样只要估计各个股票自身收益率的协方差，但是模型忽略了类似行业或者具有相似属性的股票之间的微妙联系。&/p&&p&既然结果又不精确了，怎么办?&/p&&h2&1.3 历史数据估计&/h2&&p&用一段时间的历史数据（比如说一年）来计算样本协方差矩阵，这也是目前各种论文中的通用方法。&/p&&p&有什么问题：&/p&&p&1.根据历史数据的协方差来计算股票的投资比例，也就是用纯粹的历史数据来预测未来，不言而喻，结果肯定会产生一定偏差。&/p&&p&2.从目前的学术研究成果来看，马科维茨投资组合模型的鲁棒性非常差，协方差矩阵稍微有一点变化，股票投资组合的比例变化极大。&/p&&p&3.如果估计月度数据，用T个时期的样本来估计一个N*N的协方差矩阵，并且要求&/p&&p&T&N（如果T&N，那么会导致协方差矩阵奇异，无法求其逆矩阵）这就意味着，如果要估计沪深 300 指数成分月度收益率的协方差矩阵，将需要至少超过 25 年的历史数据，这在应用中显然不切实际。&/p&&p&既然基于马科维茨的投资组合模型的协方差矩阵方法有着这样那样的问题，怎么办？&/p&&h2&&b&二、结构化多因子模型&/b&&/h2&&p&接下来就要引入我们的主题了，结构化风险因子模型，也就是传说中的多因子模型。本文主要参考的是barra的risk handbook和Qian(2007)的Quantitative Equity Portfolio Management Modern Techniques，以及国内各大券商的研报。&/p&&p&结构化风险因子模型利用一组共同因子和一个仅与该股票有关的特质因子解释股票的收益率，并利用共同因子和特质因子的波动来解释股票收益率的波动。结构化多因子风险模型的优势在于，通过识别重要的因子，可以降低问题的规模，只要因子个数不变，即使股票组合的数量发生变化，处理问题的复杂度也不会发生变化。&/p&&p&结构化多因子风险模型首先对收益率进行简单的线性分解，分解方程中包含四个组成部分：股票收益率、因子暴露、因子收益率和特质因子收益率。那么，第j只股票的线性分解如下所示：&/p&&img data-rawwidth=&261& data-rawheight=&41& src=&/v2-7fe10d1cc9f7ecb595b246d6_b.png& class=&content_image& width=&261&&&p&也可以写成矩阵表达式：&br&&/p&&img data-rawwidth=&115& data-rawheight=&37& src=&/v2-bc16b70c9f081b6a07ae3fc3_b.png& class=&content_image& width=&115&&&p&其中，Rj表示第j只股票的收益率；Xj表示第j只股票在第k个因子上的暴露（也称为因子载荷，本质上说白了就是该股票的所对应的因子值）；Fj表示第j只股票第k个因子的因子收益率（即每单位因子暴露所承载的收益率）；u表示第j只股票的特质因子收益率。（一般情况下，我们都用N代表股票数，K代表因子数）&/p&&p&我们定义因子暴露（因子值）是在时刻t的结果，那么股票收益率、因子收益率和特质因子收益率均为t+1的结果。这就是一个很典型的，用因子当期值，来预测下一期因子收益率的问题了。&/p&&p&令投资组合的权重&/p&&p&&img data-rawwidth=&168& data-rawheight=&32& src=&/v2-95e87f813d15f533f2e41fc80f5a61ac_b.png& class=&content_image& width=&168&&那么投资组合的收益率为&/p&&img data-rawwidth=&276& data-rawheight=&68& src=&/v2-ebd4c0d5f2_b.png& class=&content_image& width=&276&&&p&现在我们假设每只股票的特质因子收益率与共同因子收益率不相关，并且每只股票的特质因子收益率也不相关（此假设后续模型一直能用到，非常关键）。那么在上述表达式的基础上，可以得到组合的风险结构为:&/p&&img data-rawwidth=&238& data-rawheight=&48& src=&/v2-f319d6d75495_b.png& class=&content_image& width=&238&&&p&其中，X表示N只个股在K个风险因子上的因子载荷矩阵（N*K），F表示因子收益率的协方差矩阵（K*K），&br&&img data-rawwidth=&176& data-rawheight=&109& src=&/v2-d73fa0c9ff72c811e78f9_b.png& class=&content_image& width=&176&&&img data-rawwidth=&358& data-rawheight=&128& src=&/v2-7fb73c0b1f30_b.png& class=&content_image& width=&358&&delta表示因子的特异收益率方差矩阵（N*N的对角阵）。&/p&&img data-rawwidth=&554& data-rawheight=&187& src=&/v2-ce0a2e7aa320dd5bbbfde_b.png& class=&origin_image zh-lightbox-thumb& width=&554& data-original=&/v2-ce0a2e7aa320dd5bbbfde_r.png&&&h2&&b&三、多因子模型里因子的形式&/b&&/h2&&p&在有了多因子模型框架之后，就是寻找因子的问题了。通常情况下，影响股票收益率的因子通常可以分为三类：宏观经济因子、基本面因子、统计面因子&/p&&p&（1）宏观经济因子，宏观经济因子通常只可观察的宏观经济序列数据，比如GDP、CPI、利率等。&/p&&p&但是宏观经济因子只有一个，股票却有3000个，这无疑会带来两个问题。首先，每一只股票的收益率都要和宏观经济因子做回归，这非常麻烦。第二，宏观经济指标滞后性明显，对股票收益率的预测效果并不显著。（研报的观点，个人觉得这个理论可以商榷）&/p&&p&（2）基本面因子，包括股票财务报表中的各种指标，以及各种K线指标也可以算作此类。&/p&&p&（3）统计面因子，个人理解，统计面因子主要是对因子做处理之后的新因子。比如说六个月动量，12个月之后的反转，或者可以从股票收益率协方差里面提取一些参数，作为统计面的因子。&/p&&p&一般而言，实际多因子模型中，用的最多的是基本面因子。&/p&&h2&&b&四、多因子模型的预处理流程&/b&&/h2&&h2&（1）去极值&/h2&&p&目前去极值一般有三种方法：均值方差去极值、MAD方法去极值、分位数去极值、&/p&&p&1.均值方差去极值&/p&&p&求每一个因子的均值和方差，大于&img src=&/equation?tex=%5Cmu+%2B3%5Csigma+& alt=&\mu +3\sigma & eeimg=&1&&和小于&img src=&/equation?tex=%5Cmu+-3%5Csigma+& alt=&\mu -3\sigma & eeimg=&1&&的样本值转化为&img src=&/equation?tex=%5Cmu+%2B3%5Csigma+& alt=&\mu +3\sigma & eeimg=&1&&&br&和&img src=&/equation?tex=%5Cmu+-3%5Csigma+& alt=&\mu -3\sigma & eeimg=&1&&。&/p&&p&2.MAD法去极值&/p&&p&MAD 法是针对均值标准差方法的改进，把均值和标准差替换成稳健统计量，样本均值用样本中位数代替，样本标准差用样本MAD代替：&/p&&img data-rawwidth=&379& data-rawheight=&104& src=&/v2-2fae9cc8d7440e3cee676f980d0e2e0d_b.png& class=&content_image& width=&379&&&p&通常把偏离中位数三倍MADe（如果样本满足正态分布，且数据量较大，可以证明&img src=&/equation?tex=%5Csigma+%5Capprox+1.483%2AMAD& alt=&\sigma \approx 1.483*MAD& eeimg=&1&&）以上的数据作为异常值。和均值标准差方法比，中位数和MAD的计算不受极端异常值的影响，结果更加稳健。&/p&&p&3.分位数去极值&/p&&p&分位数去极值是一种经验处理方法，假设Q1和Q3分别为数据从小到大排列的25%和 75%分位数，记IQR=Q3-Q1, 把区间&img data-rawwidth=&304& data-rawheight=&38& src=&/v2-31fed278aea1d018f6140_b.png& class=&content_image& width=&304&&&/p&&p&里的数据标识为异常点。&/p&&p&分位数是稳健统计量，因此分位数方法对极值不敏感，但如果样本数据正偏严重，且右尾分布明显偏厚时，分位数去极值方法会把过多的数据划分为异常数据。&/p&&p&所以，有了改进的分位数去极值法：&/p&&p&定义：&/p&&img data-rawwidth=&512& data-rawheight=&112& src=&/v2-fe535b59dea4_b.png& class=&origin_image zh-lightbox-thumb& width=&512& data-original=&/v2-fe535b59dea4_r.png&&&p&然后定义了调整的上下限:&/p&&img data-rawwidth=&554& data-rawheight=&163& src=&/v2-4fc43abeba1cb3c54e722_b.png& class=&origin_image zh-lightbox-thumb& width=&554& data-original=&/v2-4fc43abeba1cb3c54e722_r.png&&&p&在区间&/p&&p&&img data-rawwidth=&147& data-rawheight=&36& src=&/v2-db8_b.png& class=&content_image& width=&147&&上的数据被定义成了异常值。&/p&&h2&（2）标准化&/h2&&p&每个因子做完了去极值之后，就要消除各个因子之间的量纲影响，进行标准化。标准化的步骤通常都是zscore标准化法，非常基础，没什么可说的。&/p&&h2&（3）中性化&/h2&&p&中性化的内容barra框架中并未提及，但是在A股市场中，各家研报都认为中性化仍然很有必要的。&/p&&p&首先：A股票行业轮动明显，行业热点之间切换迅速，量化模型也很难有效预测轮动规律；其次，A股的小市值个股占比显著高于国外市场小市值个股具有高波动率、高收益率的特性，为了降低投资组合的波动性和回撤，需要进行行业中性化和市值中性化处理。&/p&&p&个人认为，如果说要博取更大的投资收益，并承担更高风险的话。市值中性化是可以不用去做的，因为A股市场最近十几年以来，小市值因子至少有20倍以上的收益。并且到2016年，小市值因子的有效性也没有消失。2017年初，小市值因子确实出现了失效的情况，但是未来会不会有效，这个就是玄学了。&/p&&p&不做市值中性化的话，完全可以建立一个市值轮动模型进行替代。行业中性化也是同理。但是如果想找到稳定的alpha因子，那么市值中性化和行业中性化还是要做的。&/p&&p&行业中性化通常有两种办法：&/p&&p&1.简单的标准化法&/p&&p&利用申万行业指数，将各个行业内股票的因子进行标准化处理，即减均值除标准差。&/p&&p&2.回归取残差法&/p&&p&将因子值作为y，行业哑变量作为x，进行线性回归，然后回归模型的残差即为行业中性化后的因子值。&/p&&p&市值中性化因为市值因子是连续的，所以采用的是回归取残差法，因子值作为y，市值作为x。&/p&&p&五、因子收益率向量的估计&/p&&p&因子找好之后，就进入了估计因子收益率的部分了。在barra的框架中，因子收益率通常是日数据。&/p&&p&利用第二部分的公式&/p&&img data-rawwidth=&115& data-rawheight=&37& src=&/v2-bc16b70c9f081b6a07ae3fc3_b.png& class=&content_image& width=&115&&&p&因子暴露X已知，因子收益率R已知，所以针对每一天的截面数据进行回归，X取当天的因子值，R取下一天因子的收益率。就可以估算出当天的因子收益率了。&/p&&p&当然，有个非常关键的问题，又扯到之前的假设上来了。&/p&&p&Barra模型认为，每只股票的特质收益率u不相关，这个假设在计量经济学的理论框架里，造成了一个非常明显的问题，异方差性。&/p&&p&那么怎么估计因子收益率呢，只能用WLS方法了（加权最小二乘）。问题又来了，加权最小二乘的算法中，权重怎么取？通常的计量经济学方法是取残差平方的倒数，但是barra模型中，这个权重取了根号市值，这个问题是个玄学。&/p&&p&利用WLS方法，可以得到因子收益率的最终表达式：&/p&&p&&img data-rawwidth=&210& data-rawheight=&46& src=&/v2-fa448ae15fe5800aebfda9c_b.png& class=&content_image& width=&210&&其中W是加权最小二乘法的权矩阵。&/p&&br&&h2&&b&参考文献：&/b&&/h2&&ol&&li&国泰君安，数量化专题之五十七：基于组合权重优化的风格中性多因子选股策略&br&&/li&&li&爱建证券，多因子系列之一：多因子模型梳理探索&br&&/li&&li&华泰证券，多因子系列之一：华泰多因子模型体系初探&br&&/li&&li&东方证券，选股因子数据的异常值处理和正态转换——《金工磨刀石系列之二》&br&&/li&&li&Barra，USE4&br&&/li&&li&Qian,
Quantitative Equity Portfolio Management, modern techniques and
applications&/li&&/ol&
在文章开始之前，先帮原CMO集训队的T大数学系妹子的Team打个招募广告： 我们是一个主要由在校学生组成的量化团队，有着靠谱的IT团队（清华CS硕士*2 + 电子系phd + 姚班少年），也有优秀的策略开发人员（所有成员均来自清华\北大\北航\中科院 数学、物理、计…
&img src=&/50/881ad6a0cdf513dfd8cc8d97b38cbab9_b.jpg& data-rawwidth=&367& data-rawheight=&276& class=&content_image& width=&367&&&p&PS1.本来之前开这个专栏是想记录实习里的收获的，可是懒。。。不过前面回答了barra的问题发现感兴趣的人挺多的，就从头梳理了一下。&/p&&p&PS2.为什么是（四）呢是因为（三）留给之前做的择时模型。&/p&&p&PS3.知乎公式不好打，所以这里一个公式都没有，大家将就着看吧。&/p&&p&PS4.最后部分是重点，大家一定要看完呀。&br&&/p&&p&虽然主旨是讲barra，开头还是要再强调一下基础数据和对应的分析回测平台的重要性。前一份实习在一家私募做股指日内，数据就是一个.mat矩阵，可以说做起来完全没有什么门槛，随便会个什么软件有点均线上穿下穿的想法就能做回测了。现在做阿尔法就完全不一样了，如果你没有一个完整的股票数据库以及对应的因子库和分析工具，可以说你连谈多因子的资格都没有。讲真多因子可不光是做个因子然后十分位分一分收益减一下这么简单。之前一个卖方有个报告大意是发现了一个对盈利预期因子的改进方法（这因子wind上就有），逻辑是觉得股价应当上涨等同于盈利预期上调的幅度，而其中一部分盈利预期的变动已经反映在当期的股价变动里头了，所以盈利预期实际带来的正向效应应当等同于盈利预期的变动减去同期股价的变动，也即是盈利预期变动还未被反映到股价上的那部分。逻辑很对有没有，然后信心满满的算出这个因子，分组，收益一减发现确实比原来的盈利预期因子增强了不少，然而真的是这样么。你回过头仔细看看盈利预测这个因子大概30%的股票是没有这个数据的，另外又有30%的股票因为盈利预期没变化所以值一直都是0，那这时这个加强因子就成了0-股价变动，其实就是反转因子了。而反转因子本身就是极强的因子，所以这里所谓的加强逻辑就存疑了，不做其他实验它其实看做是盈利预期因子和反转因子的叠加更合适点。&/p&&p&这个例子是什么意思呢，就是我们在讲风险模型精度高不高，组合优化质量好不好的时候那个背后的基础数据质量才是最关键的，如果不能了解清楚每个因子的数据特点，覆盖度有多少，原始数据用正态调整会不会偏，填充值用中位数还是均值，填充太多又有什么影响，要知道真正的股票数据什么奇怪的情况都有，这些不清楚真是连谈后面模型的资格都没有。。&/p&&p&好吧，其实我也没有。。只是用的师傅的成品因子库。。&/p&&p&回到正题，barra虽说叫风险模型，但据说人家以前是用来做收益归因的，风险部分其实是后来加上去的，所以说barra不包括额外的应用可以分成两部分，收益和风险：&/p&&p&1.
收益的拆分与归类&/p&&p&收益的分解其实本质是股票的定价的问题，找到那些对股价有影响的因子。以前阿尔法策略刚起步的时候大家一起找阿尔法，拿些基本面技术面数据加加减减算出因子，通过因子选出股票做个等权组合，发现，诶，能跑赢大盘，就叫做发现阿尔法了。再后来发现不说沪深300，能跑赢中证500的因子也有一大堆，大家就可以怀疑说我这到底是不是真的阿尔法。&/p&&p&比如某一天，你发现一个因子叫非流动性，定义大家自己找报告吧，多空一测收益很高，跑赢大盘很多，你觉得这是个阿尔法，但又有点怀疑，仔细看发现它选出来的股票基本都是小票，而本身市值因子在A股就是极强的因子，那这个非流动性的超额收益究竟是它本身带来的还是只是由于和市值因子的高相关性带来的就是个问题了。（大家仔细理解下这个例子和开头例子的差别。）&/p&&p&那要怎么解决这个问题呢，一个简单的做法就是把待检验的因子对着市值做回归，残差部分认为是扣除市值影响后的部分，也即这个因子是市值中性的，如果这样这个市值调整之后的因子还有阿尔法就可以认为确实引入了新的预测能力，至少是和市值无关的预测能力。&/p&&p&这样就解决问题了么，除了市值你又发现非流动性选出来的票还都是低换手的，这时又得把流动性因子也给回归掉，那还有没有别的呢。&/p&&p&这时就可以自然的引出barra了，barra模型给出了十个公认比较有效的定价因子，包括Beta,BP,EarningYield,Growth,Leverage,Liquidity,Momentum,NonlinearSize,Size以及用来标示行业的行业因子，在这些因子的基础上，当你发现一个新的因子时，它的阿尔法性需要经过这些因子的检验（被它们回归），只有当被已有因子回归完后仍然有超额收益的因子才能被当成阿尔法，否则只能认为是原有因子在某种程度上的拆分重组。要注意的是这里的基础因子指的是有效的定价因子，它本身可以不是阿尔法。（定价因子，风险因子和阿尔法因子的差别自行百度）所以当你想着对barra作本土化修正时，比如增减几个有效没效的因子时，最主要是从定价能力考虑而不是它的阿尔法性质。&/p&&p&既然要做回归接下来就是明确回归方程，Y=Beta*X+残差分别表示什么。这里又是一个值得注意的点（拍黑板），barra的回归用的是横截面回归而不像很多学术模型比如CAPM,F-F三因子模型那样的时间序列回归，差别具体就不讲了，从效果上来说就是横截面回归侧重于预测，而时间序列回归侧重于解释，而我们要用来做组合优化当然是横截面回归了。所以，这里Y是每期的股票收益列，Beta是每只股票在几个基础因子上的暴露（exposure，也叫作载荷），这样最小化残差就可以回归出每个因子的收益了。这时这个残差就可以认为是股价中不能被解释掉的部分，而只有当你的阿尔法因子能够有效预测这部分变动时才能被认为是新的有效阿尔法。&/p&&p&除了残差的解释力以外收益分解还提供的信息就是收益来源，根据股票因子载荷乘以因子收益可以看到细分的每个因子给组合带来的收益，这就是所谓的收益归因。&/p&&p&2.
风险的预测和组合优化&/p&&p&在有收益拆分之后，对着拆分公式的两头分别求VAR就可以得到风险拆分了。&/p&&p&Var（Y）=X’Var（f）X+Var（sF）&/p&&p&除去文档上那些复杂的调整不说这里的协方差阵只要用前面回归出来的历史收益序列计算的（时间加权）样本协方差来估计就行了。那既然都有股票收益了为什么不像传统的均值-方差模型那样直接算协方差阵而要费力的拆分重组呢，原因在于：&/p&&p&（1）.整个股票协方差阵的大小是N*N股票数量*股票数量，而通常用来估计相关系数的日收益序列长度T不会超过200，这样估计出来的协方差阵是会有很大的偏差的，更重要的是这样估计出来的协方差阵是不可逆的，这在后面求组合优化时就会有问题。Barra的做法通过将股票收益协方差阵结构化，将波动分解为数量较少但体现相关性的n*n因子数量*因子数量协方差阵以及虽然数量多但扣掉了相关性估计的股票特质协方差阵两部分的估计，使估计参数降到了n*n+N个，这样就大大的增加了模型的精度。&/p&&p&（2）.稳定性。整个barra风险模型的最大的要求就是稳定性，因为你基于风险估计的优化说到底是用过去来预测将来，如果你的估计每期变化很大，那预测的效果就会打折扣了。所以如果直接用股票收益，那风险矩阵基本上一天一个样。而把风险矩阵结构化之后就不同了。仔细去看那十个barra风险因子（也包括行业因子）的计算，它们每个的计算公式在时间上都是极为稳定的，每期的载荷值连起来一定是一条很平稳的线。&/p&&p&算好粗糙的样本协方差之后再根据文档里的几个调整方法做一下统计上的偏差调整，大致包括风险矩阵的形态调整和大小调整。具体就不讲了，大家如果要做建议招一个学统计的人，比如我。。。&/p&&p&有了风险预测之后组合优化就是个标准的二次优化问题了，优化目标可以选择最优化收益，风险调整之后的收益或者ICIR都可以。另外想控制风险暴露的话往优化器里加约束条件就可以了，比如市值中性，行业中性，换手率约束，跟踪误差约束之类的，看个人需要来。&/p&&p&总的来说barra的理论还是很简单的，实施细节呢文档也讲得很清楚了，剩下的就是考验平台质量和模型架构能力了。现在想想虽说Barra是我写的，但没有师傅的平台，没有那个很好用的优化器也是根本就搞不起来这个的。所以想做barra的各位如果还没有完整的多因子分析框架的话还是建议先搞好基础再说，不然后面的调错都没法调。&/p&&p&实施细节的东西直接不太好写，还是把之前有人问过的问题都贴一下算好了，这部分以后会继续更新：&/p&&p&Q1：用的什么版本的文档&/p&&p&A1：USE4&/p&&p&Q2：收益计算频率，R2能到多少。&/p&&p&A2：日频，R2差不多40%&/p&&p&Q3：合成因子权重是用BARRA的还是自己合成。&/p&&p&A3：直接用barra的，也有人是自己类内用最小误差计算出来权重的。&/p&&p&Q4：作协方差阵调整的时候开始几期没有数据怎么办。&/p&&p&A4：加缓冲期&/p&&p&Q5：NonlinerSize和Size有啥关系&/p&&p&A5：NonlinerSize指的是市值的非线性关系，简单理解成是一个中盘因子，两头大中间小。&/p&&p&TO BE CONTINUED...&/p&&br&&p&更多的barra和多因子模型的结合，多条件的添加，在绩效反编译中的运用就是额外的创新了，这里公开就不写了，想知道的话你招我啊，哈哈哈哈哈&/p&&p&最后给自己打一波广告，本人上财统计研究生，有公募和私募的量化实习经验，明年（2017年）毕业，除了barra之前做过CTA和择时，求一份量化的工作。目标岗位是大的券商研究生或者公募基金或者有名的私募（再或者给很多钱的小私募）。&/p&&p&好吧，可以看出来我风险偏好是很低的，第一份工作希望公司能大一点。&/p&&p&求推荐！！&/p&&p&不是找工作我何必费力写这一大篇呀！！&/p&
PS1.本来之前开这个专栏是想记录实习里的收获的，可是懒。。。不过前面回答了barra的问题发现感兴趣的人挺多的，就从头梳理了一下。PS2.为什么是（四）呢是因为（三）留给之前做的择时模型。PS3.知乎公式不好打，所以这里一个公式都没有，大家将就着看吧。P…
&img src=&/50/v2-b9fe224a37e674c9b8fe7_b.png& data-rawwidth=&1024& data-rawheight=&768& class=&origin_image zh-lightbox-thumb& width=&1024& data-original=&/50/v2-b9fe224a37e674c9b8fe7_r.png&&&p&
2016年，在众多公募基金产品中，由于具有出色的风险管理能力，量化公募基金在和其它类型的公募基金比较中表现抢眼。但进入2017年，量化公募基金去年的出色表现却难以为继。根据同花顺iFinD的查询结果，截止至5月16日，对于可以获得今年完整业绩记录的57只量化基金产品，大部分均出现不同程度的亏损。而其中，“长信量化先锋混合A” 跌幅最大，达到11.65%。&br&&/p&
长信量化先锋混合基金A曾经是量化公募基金的明星。在米筐科技团队对该基金进行分析前，采访了一位具有丰富业界经验的基金经理。他表示，长信量化先锋混合基金A是他们2016年的重点跟踪对象，他们曾尝试从多种维度上对其业绩进行分解研究，随后发现该基金的相对指数超额收益可能大部分来源于小市值股票的超额配置上，其仓位选择较为进取，令人印象深刻。&/p&
在本文中，我们将使用 RQBeta 公募基金版，结合RQData所提供的公募基金数据，对该基金近几年的绩效表现进行详细剖析。&/p&&br&&br&&p&&b&1&/b&&b&基金概况和收益详情&/b&&/p&
首先，我们根据 “长信量化先锋混合基金A” 的代码，在RQBeta 公募基金版读取该基金的相关信息（图1）。&/p&&br&&img src=&/50/v2-2cdd43536fdc832efaa19007e8cce466_b.png& data-rawwidth=&629& data-rawheight=&224& class=&origin_image zh-lightbox-thumb& width=&629& data-original=&/50/v2-2cdd43536fdc832efaa19007e8cce466_r.png&&&p&&b&图1：&/b&RQBeta 公募基金查询读入界面&/p&&br&&p&在添加该基金后，我们看到基金的概况（图2）。从基本信息来看，该基金从2010年开始运作，是一只混合型基金。通过RQBeta的“仓位信息”部分，对该基金的日、日、及日三期的资产配置情况进行查询（图3~5）。其股票仓位在81.39%~87.29% 之间，其余部分均为现金。因此，我们推测该基以投资股票类资产为主，同时进行一些债券逆回购操作。&/p&&p&
从该基金的收益情况来看（图6），该基金在2016年的业绩表现远好于沪深300，但进入2017年以后，基金的表现却出现了明显的回撤。由于该基金的股票类资产超过80%，其对基金的整体业绩起决定性作用。因此，接下来，我们会对基金的股票行业配置、股票投资风格、基金经理变更情况及投资策略进行一系列的分析，来评估其业绩变化的核心原因。&/p&&br&&img src=&/50/v2-76dace4e83e2f0168df4e_b.png& data-rawwidth=&776& data-rawheight=&857& class=&origin_image zh-lightbox-thumb& width=&776& data-original=&/50/v2-76dace4e83e2f0168df4e_r.png&&&p&&b&图2：&/b& 基金概况&/p&&br&&img src=&/50/v2-3fd86daccc7eda_b.png& data-rawwidth=&775& data-rawheight=&147& class=&origin_image zh-lightbox-thumb& width=&775& data-original=&/50/v2-3fd86daccc7eda_r.png&&&p&&b&图3： &/b&2017年3月基金资产配置情况&/p&&br&&img src=&/50/v2-73e5e16a0856a07bebd4c_b.png& data-rawwidth=&778& data-rawheight=&149& class=&origin_image zh-lightbox-thumb& width=&778& data-original=&/50/v2-73e5e16a0856a07bebd4c_r.png&&&p&&b&图4： &/b&2016年12月基金资产配置情况&/p&&br&&img src=&/50/v2-c82accfca2cc_b.png& data-rawwidth=&776& data-rawheight=&153& class=&origin_image zh-lightbox-thumb& width=&776& data-original=&/50/v2-c82accfca2cc_r.png&&&p&&b&图5： &/b&2016年9月基金资产配置情况&/p&&br&&img src=&/50/v2-84be65dd38a_b.png& data-rawwidth=&744& data-rawheight=&570& class=&origin_image zh-lightbox-thumb& width=&744& data-original=&/50/v2-84be65dd38a_r.png&&&p&&b&图6：&/b& 基金收益情况&/p&&br&&p&&b&2 股票行业配置情况&/b&&/p&&p&
我们首先选取该基金在2016年12月底的股票行业配置情况，和基准组合（沪深300）进行对比分析（图7）。和沪深300相比，该基金大幅低配金融类行业（银行、非银金融），同时大幅高配一些工业类相关的行业（化工、机械设备、有色金属、电子等）。在该基金在2017年第1季度的报告中，其对于一些国企改革题材的前景较为看好，因此可能在相关个股上持有较大的仓位。&/p&&p&
接下来，我们对该基金在2015年6月到2016年12月的四期行业配置情况进行漂移分析（图8）。在这四个时期，该基金行业配置前四的行业均为化工、机械设备、有色金属及电子，说明该基金的行业配置具有相当的稳定性；此外，在这段时期内，该基金在特定行业的资金比例均在15%以下，因此该基金具有较好的行业风险分散化意识。&/p&&img src=&/50/v2-baafe43e1dd1da2ecba658_b.png& data-rawwidth=&665& data-rawheight=&577& class=&origin_image zh-lightbox-thumb& width=&665& data-original=&/50/v2-baafe43e1dd1da2ecba658_r.png&&&p&&b&图7 ：&/b&基金/基准行业配置对比分析&/p&&br&&img src=&/50/v2-d08d28a7a6860854fdd0ccc6b8760c12_b.png& data-rawwidth=&1129& data-rawheight=&362& class=&origin_image zh-lightbox-thumb& width=&1129& data-original=&/50/v2-d08d28a7a6860854fdd0ccc6b8760c12_r.png&&&p&&b&图8 ：&/b&基金多期行业配置漂移分析&br&&/p&&br&&br&&p&&b&3 基金股票部分风格分析&/b&&/p&&p&
我们对基金2014年12月~2016年12月三期的基金风格进行分析（图9）。可以看出，该基金在年之间，其市值偏好发生了明显变化，从偏好大市值个股，变为偏好小市值股票。而对于其余大部分的风格指标，其三期的取值均在市场平均值的一个标准差以内，说明该基金具有较好的投资风格分散化意识。&/p&&p&
对于股票类资产，该基金选择了沪深300作为基准。我们选取2014年年底到2016年年底对基金和沪深300的投资风格进行对比分析（图10~12）。从图中可以看出，该基金在2014年的投资风格和沪深300较为相似，而在2015年开始投资风格开始明显偏离沪深300。&/p&&img src=&/50/v2-175d399e0c14a42bb15ce_b.png& data-rawwidth=&865& data-rawheight=&594& class=&origin_image zh-lightbox-thumb& width=&865& data-original=&/50/v2-175d399e0c14a42bb15ce_r.png&&&p&&b&图9：&/b& 基金多期风格漂移分析&/p&&br&&img src=&/50/v2-6ed9c9ce560466ecb96f_b.png& data-rawwidth=&865& data-rawheight=&732& class=&origin_image zh-lightbox-thumb& width=&865& data-original=&/50/v2-6ed9c9ce560466ecb96f_r.png&&&p&&b&图10： &/b&2014年12月基金/基准投资风格对比分析&/p&&br&&img src=&/50/v2-24a8029869_b.png& data-rawwidth=&865& data-rawheight=&728& class=&origin_image zh-lightbox-thumb& width=&865& data-original=&/50/v2-24a8029869_r.png&&&p&&b&图11：&/b& 2015年12月基金/基准投资风格对比分析&/p&&br&&img src=&/50/v2-9ac5fd8255fbf2cc7076_b.png& data-rawwidth=&865& data-rawheight=&684& class=&origin_image zh-lightbox-thumb& width=&865& data-original=&/50/v2-9ac5fd8255fbf2cc7076_r.png&&&p&&b&图12：&/b& 2016年12月基金/基准投资风格对比分析&/p&&br&&br&&p&&b&4 &/b&&b&人员变更情况&/b&&/p&&p&
为了分析该基金2015年前后投资风格的明显变化的原因，我们我们通过米筐科技的数据类产品RQData对基金经理的变更情况进行查询（图13）。结果显示该基金在2015年3月份前后该出现过一次基金经理的变动。这和上述投资风格变化的时间点是吻合的。因此，我们推测该基金从偏好大市值股票，转变为小市值股票的投资偏好变化，是由于基金经理变更导致的。&/p&&img src=&/50/v2-a6d7f65eea284dfb9e57856_b.png& data-rawwidth=&864& data-rawheight=&364& class=&origin_image zh-lightbox-thumb& width=&864& data-original=&/50/v2-a6d7f65eea284dfb9e57856_r.png&&&p&&b&图13：&/b& 历年基金经理变更情况
&/p&&br&&br&&p&&b&5 &/b&&b&投资策略&/b&&/p&&p&
在该基金在2017年1月发布的基金合同中，对其投资流程给出了如下描述（图14）：&/p&&p&根据该基金合同中的描述，对于股票类资产，其投资策略分为两个步骤：&/p&&p&（1）量化多因子选股：以申万行业一级对全市场股票进行分类，主要使用四类因子（价值、成长、盈利及量价）从各行业中挑选股票；&/p&&p&（2）使用Black-Litterman模型对行业及个股资金配置进行优化。&/p&&p&
在该基金合同的描述中，该基金主要以基本面因子（价值、成长、盈利）作为选股标准。对于基本面因子的合理使用，能够使得投资者有效识别出有投资价值的股票；但与此同时，其对市场短期波动较不敏感。所以在市场出现极端行情的情况下，有可能会导致基金的业绩出现短期回撤。基本面因子响应能力较差的缺陷，可以通过合理使用量价因子作为指标，同时结合一些风险管理和仓位优化工具（例如上述的 Black-Litterman优化）来降低出现短期大幅回撤的可能。&/p&&br&&img src=&/50/v2-f332c8e8edf5f4a66eb2f_b.png& data-rawwidth=&865& data-rawheight=&521& class=&origin_image zh-lightbox-thumb& width=&865& data-original=&/50/v2-f332c8e8edf5f4a66eb2f_r.png&&&p&&b&图14：&/b& 基金投资策略流程图&/p&&br&&br&&p&&b&6 结论&/b&&/p&&p&
综上，我们可以对长信量化先锋混合基金A的投资风格作以下概括：该基金为一个以股票投资为主（资金比例约在80~85%），可能配以一定的债券逆回购操作的混合型基金。可能由于基金经理变更的关系，其在2015年前后投资风格出现过一次重大变化，从偏好大市值股票变为偏好小市值股票。在2016年该投资风格为其带来了较好的超额回报（相对于沪深300），同时也导致其业绩在2017年上半年出现了一定的回撤。其行业配置在近两年集中于投资于化工、机械设备、有色金属及电子（占比约为40%）。因此，我们认为，该基金是一只行业配置，及其投资风格均稳定，且有较好风险管理意识的混合型基金。&/p&&p&
对于公募基金而言，在市场风格出现明显变化的情况下，可以对自己的资产配置进行适当的调整（战术资产配置）来进行风险管理，但不应该轻易改变自己总体的投资思路和投资风格（战略资产配置）。从FOF投资者进行资产配置的角度考虑，我们也希望基金始终具有稳定的投资风格，使得我们能够设计合理的基金配置方案，以实现风险分散化。相反，如果基金为了追逐市场热点，而频繁大幅调整自己的投资风格，将会可能导致我们基金配置组合风险过于集中。此时，一旦市场行情出现突然变化，FOF的基金组合也可能蒙受较大的损失。&/p&&br&&p&
总结来说，虽然在2017年，由于市场风格转换的原因，长信量化先锋混合基金A的业绩出现了暂时的回撤。但基于其近年稳定的投资思路，以及长期而言较好的业绩表现来看，我们认为这是一只较为优秀的公募基金。&/p&&br&&p&&b&产品咨询和合作联系：&/b&&/p&&p&电话：6&/p&&p&邮箱： &/p&&p&微信：RQmimiao&/p&
2016年，在众多公募基金产品中，由于具有出色的风险管理能力，量化公募基金在和其它类型的公募基金比较中表现抢眼。但进入2017年，量化公募基金去年的出色表现却难以为继。根据同花顺iFinD的查询结果，截止至5月16日，对于可以获得今年完整业绩记录的57只量…
&img src=&/50/v2-b9fe224a37e674c9b8fe7_b.png& data-rawwidth=&1024& data-rawheight=&768& class=&origin_image zh-lightbox-thumb& width=&1024& data-original=&/50/v2-b9fe224a37e674c9b8fe7_r.png&&&p&
在上一篇穿透分析中，我们对公募量化基金 “长信量化先锋混合基金A” 进行了&a href=&/p/& class=&internal&&详细的分析&/a&。这一期，我们选取了另外一个量化基金——华泰柏瑞量化增强混合A——进行穿透分析。&br&&/p&&p&
在近一年多来量化基金总体表现不佳的情况下，华泰柏瑞基金管理公司旗下的量化基金产品却表现稳定。通常情况下，基金经理都有自己的投资风格，在市场行情对该风格有利的情况下表现较为优秀，而当市场状况和风格走向不利的时候则会较为逊色，然而，泰柏瑞基金管理公司旗下的一个量化基金产品——华泰柏瑞量化增强混合A——多年以来业绩非常稳定，在不同的市场行情下，均能获得明显高于沪深300的收益，展现出优秀的市场适应能力以及良好的资金管理能力。接下来，我们对该基金的表现进行详细分析。&br&&/p&&br&&p&&b&1基金概况&/b&&br&&/p&
首先，我们根据该基金的代码（000172），在 RQBeta
公募基金版读入华泰柏瑞量化增强混合A的相关信息（图1）。该基金从2013年开始运作，是一只指数增强型基金（图2）。指数增强基金，是一类选取特定基准指数（沪深300）作为资金配置的主要参考，同时根据基金本身对于市场的判断，对资产配置进行适当的调整，从而获得超越基准指数的收益回报的基金。&/p&&img src=&/v2-ebcaf40e8b16fe6dad5751_b.png& data-rawwidth=&758& data-rawheight=&267& class=&origin_image zh-lightbox-thumb& width=&758& data-original=&/v2-ebcaf40e8b16fe6dad5751_r.png&&&p&&b&图1&/b&：RQBeta 查询读取公募基金（RQBeta截图）&br&&/p&&br&&img src=&/v2-4cb6ba96cb85bfc761fe53_b.png& data-rawwidth=&356& data-rawheight=&433& class=&content_image& width=&356&&&p&&b&图2&/b&：基金基本信息（RQBeta截图）&br&&/p&&br&&p&&b&2 &/b&&b&净值分析&/b&&/p&&p&
从图3的收益分析中可以看出，该基金相对于沪深300的主动累积收益逐年增加，且多期的收益率均高于沪深300，说明该基金具有稳定而且优秀的盈利能力。&/p&&p&
然后我们对基金的风险情况进行分析。对于指数增强型基金，由于其选择对基准指数的资产头寸进行偏离，因此其除了承担基准指数本身波动所带来的风险外，还需要承担额外的主动风险（即追踪误差）。此外，基金规模的增加会明显提升风险管理的难度。由于公募基金通常对于股票最低仓位都有一定的限制。当基金规模增大的时候，根据市场行情对股票仓位进行及时调整的难度就会随之增加。&/p&&p&
为了评估基金规模增长对基金追踪误差的管理能力的影响，我们通过 RQBeta 的“仓位信息”部分对该基金历年的净资产情况进行查询（其中 2013 - 2016 年的数据为年底净资产，2017 年的数据为第一季度的净资产），并对基金每年的年化追踪误差进行了计算。从表1中可以看出，虽然该基金的净资产从 2013 年的 2.38 亿增加到 2017 年的 46.69 亿，但基金的收益回报，及年化追踪误差并未受规模扩张的拖累，一直保持稳定。这说明该基金的表现具有出色的资金管理和风险控制能力。&/p&&img src=&/v2-4bb9ae60fbcbc76d597f_b.png& data-rawwidth=&865& data-rawheight=&614& class=&origin_image zh-lightbox-thumb& width=&865& data-original=&/v2-4bb9ae60fbcbc76d597f_r.png&&&p&&b&图3&/b&： 华泰柏瑞量化增强混合A收益情况（RQBeta截图）&/p&&br&&p&&b&表1&/b&：华泰柏瑞量化增强混合A历年规模及年化追踪误差&/p&&br&&img src=&/v2-ecd8502072f_b.png& data-rawwidth=&702& data-rawheight=&214& class=&origin_image zh-lightbox-thumb& width=&702& data-original=&/v2-ecd8502072f_r.png&&&br&&p&&b&3 &/b&&b&资产配置和择时能力分析&/b&&br&&/p&&br&&p&
从该基金历年的股票仓位占净值比例变化图（图4）可以看出，该基金股票仓位大部分时候均在90%以上，在2015年下半年股灾期间，一度降低到85%左右；在表2中，我们对基金进行择时回归分析，上行贝塔是当市场上涨时，基金收益对沪深300收益的敏感度；而下行贝塔则是市场下跌时，基金收益对沪深300收益的敏感度。如果基金的上行贝塔明显大于下行贝塔，说明该基金具有良好的市场整体行情的预测能力（择时能力）。表中数据显示，该基金并未表现出明显的市场择时能力。因此，该基金相对于基准的主动收益，主要是来源于其选股能力。&/p&&img src=&/v2-3c10f8f2ab92e518be9d91_b.png& data-rawwidth=&575& data-rawheight=&447& class=&origin_image zh-lightbox-thumb& width=&575& data-original=&/v2-3c10f8f2ab92e518be9d91_r.png&&&p&&b&图4&/b&： 华泰柏瑞量化增强混合A股票仓位占净值比例变化图 &/p&&br&&br&&p&&b&表2&/b&：基金择时能力回归分析&/p&&br&&img src=&/v2-20b4e9ed08ababff94463c1_b.png& data-rawwidth=&700& data-rawheight=&173& class=&origin_image zh-lightbox-thumb& width=&700& data-original=&/v2-20b4e9ed08ababff94463c1_r.png&&&br&&p&&b&4 &/b&&b&行业配置分析&/b&&br&&/p&&br&&p&
在这一部分，我们使用申万一级行业分类对基金的行业配置情况进行分析，图5中列出了基金和沪深300配置差异最大的前10个行业。从2016年底的基金和沪深300配置对比来看，基金在轻工制造、化工、汽车、农林牧渔和建筑材料选择了高配，由此推测该基金对于工业相关题材可能存在一定的偏好；而在计算机、食品饮料、医药生物、传媒、公用行业这些行业则选择了低配。&/p&&p&
我们按照以下方式来对基金的行业配置能力进行分析：以资产等权重计算行业收益率，然后计算基金组合和沪深300行业配置权重差异所导致的行业主动收益（基金行业收益-沪深300行业收益）。从图6中可以看出，基金选择超配的5个行业中，4个（轻工制造、化工、汽车、建筑材料）带来了明显的正行业主动收益，效果较为理想；然而，在基金选择低配的5个行业中，2个（食品饮料，公用事业）带来了明显的负行业主动收益。行业配置的总体主动收益为0.042% ，因此，我们认为该基金近期对于行业配置调整的回报并不明显。&/p&&br&&img src=&/v2-a5ffb60d06f47df71a52_b.png& data-rawwidth=&865& data-rawheight=&630& class=&origin_image zh-lightbox-thumb& width=&865& data-original=&/v2-a5ffb60d06f47df71a52_r.png&&&p&&b&图5&/b&： 2016年12月基金和沪深300行业配置对比分析（RQBeta截图）&/p&&br&&img src=&/v2-6ed136defb9da_b.png& data-rawwidth=&865& data-rawheight=&329& class=&origin_image zh-lightbox-thumb& width=&865& data-original=&/v2-6ed136defb9da_r.png&&&p&&b&图6&/b&： 2016年12月基金相对于沪深300行业主动收益归因&/p&&br&&p&&b&5 &/b&&b&风格分析&/b&&/p&&p&
在该基金2017第一季度的更新招募说明书中，提到该基金的投资策略主要以价值、质量、动量、成长、市场预期这5类因子进行阿尔法选股。我们使用RQBeta对基金近3年的风格漂移情况进行分析（图7），其对于贝塔、反转、波动率、杠杆率的偏好逐年降低，表明其对于市场风险（贝塔、反转、波动率）及经营风险（杠杆率）较高的股票持保留态度；而通过基金和沪深300在2016年底的风格对比（图8），可以看出基金对于高动量、价值高和盈利性好的个股较为偏好，这和他们所提到的阿尔法选股方式是吻合的。另外，值得注意的是，这里基金对于市值的暴露度虽然小于沪深300，但仍高于市场均值1.85个标准差，因此其风格特征仍然是大市值股票，这也是作为一个指数增强型基金的基本特征。&/p&&img src=&/v2-60e612d35fa0cb62a3b9_b.png& data-rawwidth=&865& data-rawheight=&595& class=&origin_image zh-lightbox-thumb& width=&865& data-original=&/v2-60e612d35fa0cb62a3b9_r.png&&&p&&b&图7&/b&：2014 - 2017年基金风格漂移分析（RQBeta截图）&/p&&br&&img src=&/v2-bb08dc5e79e42ada0ac78_b.png& data-rawwidth=&865& data-rawheight=&679& class=&origin_image zh-lightbox-thumb& width=&865& data-original=&/v2-bb08dc5e79e42ada0ac78_r.png&&&p&&b&图8&/b&：2016年12月年基金和沪深300风格对比分析（RQBeta截图）&/p&
&br&&p&&b&6 &/b&&b&结论&/b&&/p&
总结来说，我们可以对华泰柏瑞量化增强混合A作以下概括：（1）该基金是一个以沪深300为基准的指数增强型量化基金，其多年业绩稳定，能够有效地适应基金规模的增长及不同的市场行情，具有良好的资金管理能力；（2）该基金的择时能力并不明显，其良好业绩主要来源于其选股能力；（3）2016年底的行业收益归因分析显示，该基金近期的的行业配置并未带来明显的主动收益；（4）对于基金投资风格，其偏好高动量、价值高和盈利性好的股票，和其公布的阿尔法选股思路吻合；而对于市场风险（贝塔、反转、波动率）及经营风险（杠杆率）较高的股票，则持较为保守的态度。&/p&
&p&综上，基于华泰柏瑞量化增强混合A稳定的盈利能力，风险控制能力，及清晰准确的投资风格，我们认为该基金是一只表现非常优秀，值得长期持有的公募基金。&/p&
在上一篇穿透分析中，我们对公募量化基金 “长信量化先锋混合基金A” 进行了。这一期，我们选取了另外一个量化基金——华泰柏瑞量化增强混合A——进行穿透分析。 在近一年多来量化基金总体表现不佳的情况下，华泰柏瑞基金管理公司旗下的量化基金…
&p&FOF是以基金去投资其他基金，达到更大程度上的资产分散配置，分散风险。同时由于优选多支业绩优秀基金，能够进一步提升收益。最后如果是涉及到以FOF集资投资私募股权的话，还有降低私募股权投资门槛（100w）的优势。FOF在未来的私募市场上的前景还是很长的。&br&&/p&&br&&p&虽然FOF在国内还处于发展初期，但在发达资本市场，FOF历经几十年的发展，早已是一个非常成熟的产品。那么，FOF的发展历程到底如何，今日玄甲金融和你一同深入了解。&/p&&p&FOF源于美国市场，美国FOF的发展史，在某种意义上来说,也可以看作是FOF的发展史。FOF的发展主要经历了三个阶段：&/p&&p&第一个阶段为萌芽阶段&/p&&p&第二阶段为发展成熟阶段&/p&&p&第三阶段为爆发式增长阶段&/p&&img data-rawheight=&600& data-rawwidth=&938& src=&/e1bff8ca6d8fd4f9bf86c_b.jpg& class=&origin_image zh-lightbox-thumb& width=&938& data-original=&/e1bff8ca6d8fd4f9bf86c_r.jpg&&&br&&p&&b&▍第一阶段：萌芽阶段&/b&&/p&&p&20世纪70年代，FOF起源于资本市场最为发达的美国，美国FOF的最初形式是投资一系列私募股权基金的基金组合。&/p&&p&但是，由于私募股权投资基金的门槛较高，把大多数投资者都挡在了门外。于是，就有机构发行了PE-FOF，以此降低投资门槛。历史上第一支证券类的FOF基金，是由先锋基金（Vanguard）在1985年推出的。&/p&&p&1985年，也是FOF基金的诞生年。&/p&&p&先锋基金推出的这支FOF中，70%的资产投资于股票类基金，30%投资于债券类基金，投资标的均为公司旗下的基金。从当时的销售情况来看，该基金推出后受到了广大投资者的欢迎，先锋基金也因为FOF产品，带动了公司的其他基金产品的销售。到了1986年末，先锋公司旗下基金规模增长44.23%。&/p&&p&1987年，美股经历2年的疯狂之后，遭遇了历史上的一次惨重的股灾。股灾的发生也促使投资者开始思考：如何根据市场的不同情况，配置不同种类的基金，规避系统性大风险。在这种情况下，投资者对基金类型也有了多样性的需求；再加上市场的多变性，也使得投资者对基金筛选有了更加迫切的需求，这从客观上驱动了FOF的发展。&/p&&p&同一时期，美国开启了401（K）计划，该计划为美国私人企业的养老金计划，主要使用雇员与雇主共同缴纳养老金的模式。养老金为长线投资资金，是市场上重要的机构投资者代表，其对风险高度敏感，而FOF分散风险、追求稳健收益的属性与养老金的追求不谋而合。&/p&&p&因此，从这一个角度来说，401（K）计划，无疑刺激了FOF 基金的发展。在这些背景和条件下，也使得FOF基金从内在的发展上，有了天时地利人和的条件，FOF的发展也慢慢走上了正轨。&/p&&p&&b&▍第二阶段：成熟阶段&/b&&/p&&p&1、美国&/p&&p&20世纪90年代，是FOF基金发展成熟的阶段。&/p&&p&90年代，美国企业养老金计划由固定待遇型计划（DBPlan）逐渐向固定供款计划（DCPlan）转变，这也促使越来越多的养老金计划入市。根据美国投资公司行业协会（ICI）统计，约60%退休投资计划参与者（以退休为目标的定向投资计划）持有目标日期基金（Target Date Fund，以固定日期为目标的定向投资计划），这部分资金以固定的时间点提取，为基金的发展带来了稳定的资金来源。&/p&&p&1996年，美国出台了全国证券市场改善法案，取消了对基金公司发行FOF产品的限制，为FOF的发展在法律上清除了障碍，成为了推动基金公司大量发行FOF的催化剂。&/p&&p&在1990年，美国市场上FOF基金数量仅有20支FOF基金，管理总资产为14.26亿美元；1995年，美国市场也仅有36支，但到了1997年，FOF产品激增到了94只，相比1995年，总资产管理规模增长137%至215亿美元。&/p&&img data-rawheight=&410& data-rawwidth=&616& src=&/1e769d1c8ab70b763d19f6_b.jpg& class=&origin_image zh-lightbox-thumb& width=&616& data-original=&/1e769d1c8ab70b763d19f6_r.jpg&&&br&&p&在产品类型上，20世纪90年代初，美国FOF主要集中在配置类、股票类和固定收益类；细分类别仅包括大盘平衡型股票、大盘成长型股票、配置型、债券型和全球配置型等5类。&/p&&p&到了2015年，FOF所属大类扩充至5个，包括配置型、股票型、另类投资、固定收益以及税收优先，细分的已经由原来的5类增加至43类，设计不同的地域、投资策略和资产类别。&/p&&img data-rawheight=&488& data-rawwidth=&988& src=&/ed4c3f515b4e5da03ad9_b.png& class=&origin_image zh-lightbox-thumb& width=&988& data-original=&/ed4c3f515b4e5da03ad9_r.png&&&br&&p&上个世纪90年代，美国经济进入了繁荣发展期，股市也进入了牛市的新阶段。此次牛市一直持续到了21世纪初，也就是到了大家熟悉的互联网泡沫才到顶。&/p&&p&在这长达10年的牛市期间，个人投资者对金融产品需求大幅增加，基金业因此获得了迅猛发展。同时，资本市场的高收益与基金行业的发展壮大，给FOF基金发展提供了足够多的底层资产。FOF基金管理规模随着大幅飙升，规模占比已经占共同基金总规模比重超过了1%的数量级。&/p&&img data-rawheight=&409& data-rawwidth=&569& src=&/99c9ef235200caf799fb263cb61e296b_b.jpg& class=&origin_image zh-lightbox-thumb& width=&569& data-original=&/99c9ef235200caf799fb263cb61e296b_r.jpg&&&br&&p&2、欧洲&/p&&p&从基金发展历程来看，欧洲发行FOF也是从90年代开始呈现较快的发展势头。进入21世纪，特别是2001年以及年，其进入了发展高峰期，发行的数量也创新高。根据彭博统计，截至日，欧洲地区共有3746只FOF，规模达5620亿美元。&/p&&img data-rawheight=&445& data-rawwidth=&608& src=&/819c29fa28daa25d2c2adbebd2d5f101_b.jpg& class=&origin_image zh-lightbox-thumb& width=&608& data-original=&/819c29fa28daa25d2c2adbebd2d5f101_r.jpg&&&br&&p&2000年后，欧洲FOF发展较快的一个原因是随着发行的基金数量越来越多，投资者如何选择绩优基金成为了一个难题，而且，如果频繁转换基金，成本又太高。&/p&&p&面对客户的困惑，一些大型基金公司推出投资于“一篮子基金”的FOF，帮助投资者解决挑选基金的问题。FOF所具有的分散化的投资、业绩波动较小等特点，受到了市场的热捧。&/p&&p&此外，据统计，截至2012年底，全球约50%的FOF聘了第三方投资顾问或二级投资顾问，第三方FOF管理的资产规模比重已从2001年的54%提高到了2013年的63%。&/p&&p&在欧洲各国中，英国、法国、德国、意大利等国第三方FOF所占的比重较高。法国是拥有FOF数量最多的国家，这和法国把其产品划分得更加细致有很大关系。&/p&&p&3、台湾&/p&&p&说完了国外市场，再来聊聊国内FOF的发展情况。&/p&&p&先说宝岛台湾，从台湾发展来看，其起步发展时间也是在21世纪初，与欧洲发展同步。但刚开始时，数量并不多。虽然起步稍晚，但其发展速度很快，截止日，台湾共有73支FOFs，资产规模共计40.87亿美元。&/p&&img data-rawheight=&445& data-rawwidth=&608& src=&/bc54a6c244d4081947edcff_b.jpg& class=&origin_image zh-lightbox-thumb& width=&608& data-original=&/bc54a6c244d4081947edcff_r.jpg&&&br&&p&从投资区域来看，台湾地区的FOF偏好投资国外基金和全球配置，资产类型来看，台湾地区以债券型和混合型FOF为主。&/p&&p&台湾地区FOF的特点如下：&/p&&img data-rawheight=&366& data-rawwidth=&771& src=&/a22a54bb5c62a076f180_b.png& class=&origin_image zh-lightbox-thumb& width=&771& data-original=&/a22a54bb5c62a076f180_r.png&&&br&&p&此外，与美国、欧洲市场的FOF基金不同，台湾FOF基金并没有在产品设计上根据风险程度的不同而细分出积极、保守、稳健等不同类型。这主要是因为两个市场发展处于不同的阶段，美国FOF发展较为成熟，而台湾起步相对较晚。&/p&&p&4、香港&/p&&p&在美国以及欧洲的FOF蓬勃发展之际，香港的FOF规模也随之快速发展。从统计数据来看，截止日，香港FOF基金的资产总规模共计45.79亿美元。&/p&&p&香港FOF能取得今日的发展，与香港推出强基金计划（MPF）有很大关系。MPF计划设立的目的是为就业人士提供正式退休保障的制度。2000年，特区政府开始实施强积金计划，此计划促进了香港FOF产品的迅速发展。&/p&&p&在众多资管机构推出的MPF产品，其实际就是FOF产品，香港居民可以用强基金专户里面的资金投资不同的MPF产品。其三级资产管理机构的强基金产品大致比较如下：&/p&&img data-rawheight=&721& data-rawwidth=&1032& src=&/cd349f835d94d45e58b0fd4508143acb_b.jpg& class=&origin_image zh-lightbox-thumb& width=&1032& data-original=&/cd349f835d94d45e58b0fd4508143acb_r.jpg&&&br&&p&通过以上梳理，我们可以发现，FOF发展按下快进键，往往和当地的养老金计划有关：比如美国的401（K）计划实施后，美国FOF发展驶上快车道。香港FOF能取得今日的发展，与香港推出强基金计划（MPF）有很大关系。以后玄甲金融找个时间专门写写这方面的文章。&/p&&p&文章的最后，我们简要回顾一下FOF发展经历的三个阶段：萌芽阶段；发展成熟阶段；爆发式增长阶段。今天我们聊了前两个阶段，下篇文章将集中火力说下FOF的爆发式增长阶段。敬请期待。&/p&
FOF是以基金去投资其他基金，达到更大程度上的资产分散配置，分散风险。同时由于优选多支业绩优秀基金，能够进一步提升收益。最后如果是涉及到以FOF集资投资私募股权的话，还有降低私募股权投资门槛（100w）的优势。FOF在未来的私募市场上的前景还是很长的…
&p&日前，南京银行旗下鑫元基金子公司，鑫沅资产管理有限公司由于一对多设立资金池，遭上海证监局处罚。原来，银行系也不安全。今年以来，因为资金池的问题，已有宝盈基金、民生加银资产管理有限公司等13家机构遭遇业务暂停、责令改正或增加内部合规检查次数等行政监管措施。&strong&那么，&/strong&&strong&什么是资金池，监管机构如何认定非法资金池，本文通过五个案例给你讲的清清楚楚。&/strong&&/p&&br&&strong&一、何为资金池&/strong&&br&&p&监管部门并未对资金池进行明确的界定，但在银行业，作为与生俱来的业务属性，资金池业务是银行金融机构自营业务的重要组成部分。银行自身负债端以存款、同业融资为主，银行内部能够沉淀相当的资金形成资金池，资产端投资范围内能够配置。可以说，只要符合监管部门设定的流动性指标和国家相关法律法规，银行天生就是一个大资金池。&/p&&br&&strong&（一）银行业中的监管&/strong&&p&2013年，中国银监会发布了《关于规范商业银行理财业务投资运作有关问题的通知》（“8号文”），要求商业银行应实现“每个理财产品与所投资资产（标的物）的对应，做到每个产品单独管理、建账和核算”。&strong&这一规定主要系针对当时较为流行的“多对多”银行理财资金池。&/strong&&/p&&br&&p&在这之后，国务院办公厅发布了《关于加强影子银行监管有关问题的通知》（“107号文”），明确银行不得开展理财资金池业务，信托公司不得开展非标理财资金池等业务。2014年中国银监会发布了《关于完善银行理财业务组织管理体系有关事项的通知》（“35号文”），进一步要求银行理财产品之间相互隔离，同年，中国银监会发布了《关于信托公司风险监管的指导意见》（“99号文”），明确信托公司不得开展非标理财资金池业务。但是107号文、8号文、99号文与35号文均未对资金池进行明确定义。&/p&&br&&p&银行业监管层面对资金池比较明确的定义来自于《关于99号文的执行细则》（但这一细则仅于公开渠道查询获得，无官方公布文件），即非标准化理财资金池业务是指“信托资金投资于资本市场、银行间市场以外没有公开市价、流动性较差的金融产品和工具，从而导致资金来源和资金运用不能一一对应、资金来源和资金运用的期限不匹配(短期资金长期运用，期限错配)的业务”。&/p&&br&&p&排除非标资产与标准资产等差异，资金池的主要特征为“资金来源和资金运用不能一一对应、资金来源和资金运用的期限不匹配”。另外，信托监管仅禁止非标资金池，但允许标准化资金池。&/p&&br&&br&&strong&（二）资产管理行业中的监管&/strong&&p&基金业协会于《证券期货经营机构私募资产管理业务运作管理暂行规定》中明确规定，&strong&证券期货经营机构不得开展或参与具有“资金池”性质的私募资产管理业务，资产管理计划不得存在以下情形或者投资存在以下情形的其他资产管理产品&/strong&：&/p&&br&&strong&1、不同资产管理计划进行混同运作，资金与资产无法明确对应；&/strong&2、资产管理计划在整个运作过程中未有合理估值的约定，且未按照资产管理合同约定向投资者进行充分适当的信息披露；3、资产管理计划未单独建账、独立核算，未单独编制估值表；4、资产管理计划在开放申购、赎回或滚动发行时未按照规定进行合理估值，脱离对应标的资产的实际收益率进行分离定价；&strong&5、资产管理计划未进行实际投资或者投资于非标资产，仅以后期投资者的投资资金向前期投资者兑付投资本金和收益；&/strong&&p&6、资产管理计划所投资产发生不能按时收回投资本金和收益情形的，资产管理计划通过开放参与、退出或滚动发行的方式由后期投资者承担此类风险，但管理人进行充分信息披露及风险揭示且机构投资者书面同意的除外。&/p&&br&&br&&p&&strong& 日，基金业协会发布了《证券投资基金行业严禁开展资金池业务》，并公布了对中信信诚的《纪律处分决定书》，根据该《纪律处分决定书》，中信信诚涉嫌资金池的资产管理计划主要具有以下特征&/strong&：&/p&&br&1、资金来源与资产运用的流动性无法匹配。现金管理计划每日开放，短期理财计划每月或每季度开放，但是投资标的的非标专项计划存续期都在一年以上。2、未能进行合理估值，未按照中国证监会《关于进一步规范证券投资基金估值业务的指导意见》（证监会公告[2008]38号）的规定，合理确定投资品种的公允价值；3、未能进行充分信息披露。中信信诚未向投资者披露内部交易模式，未向投资者披露非标专项计划的有关情况；&p&4、存在不同资产管理计划混同运作。日至9月23日，应当分别备案的两个不同的资产管理计划以1期和2期的名义在稳健收益3号同时存在。&/p&&br&&p&&strong&综上，结合银监会、证监会等机构所颁布的相关规定和相关案例可以看出，&/strong&&strong&资金池业务一般包含以下几个主要特征：集合运作、期限错配、分离定价。&/strong&&/p&&br&&br&&strong&二、资金池业务的认定标准&/strong&&p&根据监管法规和对资金池业务的监管实践，结合违规资金池业务的特征，可以看出监管部门在认定是否属于资金池时，主要参照以下标准：&/p&&br&&strong&（一）期限错配&/strong&&p&在证监会26号文的通知中认为，资金池产品的典型特点就是期限错配。期限错配是指资产管理计划定期或不定期（如3个月、6个月）进行滚动发行或开放，资金投向存续期比较长（如3年、10年）的标的（如信托计划、资产管理计划、有限合伙份额等），投资者的投资期限与投资标的的存续期限、约定退出期限存在错配，且资金来源与项目投向无法一一对应。&/p&&br&&p&&strong&理论上，对于滚动发行募集短期资金投资于长期投资项目的（长拆短），如果每笔资金的投资都能确保资金与项目一一对应，可以不视为资金池。但是在目前监管环境下，任何“长拆短”的期限错配都存在被认定为违规的可能，除了确保资金与项目一一对应以外，还必须特别注意前一期兑付的本金、收益应当完全来自融资方还本付息或投资产生的现金流，而不是后一期投资者的参与资金。&/strong&&/p&&br&&strong&实务案例&/strong&&p&从基金业协会对中信信诚的处罚中可以看出，中信信诚在2014年8月至2015年6月期间，曾利用现金管理计划、短期理财计划、非标专项计划三类资管计划开放期不同的特性进行期限错配。现金管理计划每日开放，短期理财计划每月开放或者每季度开放，但是投资标的非标专项计划存续期都在一年以上。&/p&&br&&p&为了应对开放需要，现金管理计划和短期理财计划对非标专项计划进行内部交易，短期理财计划滚动发行，从而互相拆借流动性，即当某只短期理财计划进入开放期时，其持有的非标专项计划会转让给其他不在开放期的短期理财计划和每日开放的现金管理计划，待开放期结束后再认购其他进入开放期的短期理财计划转让的非标专项计划，或认购其他非标专项计划。这种操作方式实质上就是“期限错配”、“长拆短”。&/p&&br&&strong&实务案例&/strong&&p&某私募基金产品原交易结构中是通过设立投资基金（“主基金”）通过委托贷款向目标公司发放贷款，委托贷款期限为3年。基金层面，将募集一系列支线基金投资于主基金，各只支线基金的期限为1年，前一支支线基金到期前，募集下一支支线基金认购主基金份额，然后前一支支线基金通过赎回本金和收益分配退出，以此类推，最终实现主基金期满退出。&/p&&br&&p&以上操作架构中，虽然主基金享有对目标公司3年期的债权，但是支线基金层面1年期赎回退出时的确存在借新还旧及期限错配的嫌疑。基于此，该私募基金产品对原交易架构进行了调整，主基金期限设置为1年，到期后再考量是否发新一期基金。&/p&&br&&br&&strong&（二）混同运作 &/strong&&p&对于混同运作而言，一是不同资产管理计划进行混同运作，资金与资产无法明确对应。例如多个资产管理计划交叉投资于多个标的资产的情形，即“资金池”对接“资产池”。二是资产管理计划未单独建账、独立核算，多个资产管理计划合并编制一张资产负债表或估值表；例如单一资产管理计划下分成若干“子账户”，虽然每个子账户的投资都能确保资金与项目一一对应，但共用一张财务报表，未单独建账核算。&/p&&br&&strong&实务案例&/strong&&p&例如中信信诚的上述资产管理计划存在不同资产管理计划混同运作。日至9月23日，应当分别备案的两个不同的资产管理计划以1期和2期的名义在稳健3号同时存在。中信信诚管理的其他非标专项计划也存在上述混同问题。&/p&&br&&strong&实务案例&/strong&&p&银监会网站在日披露信息显示，日，平安信托因“资金池业务投向不合规”，被深圳银监局处以980万元罚款；日，平安信托因“将信托财产的部分收益确认为子公司收入、账户管理存在严重缺陷”，再次被深圳银监局处以1650万元罚款。&/p&&br&&p&信托财产与信托公司固有财产，要独立核算，进行分别管理，分别记账。信托财产的收益，应该分配给受益人。信托公司作为受托人，收取的是管理信托财产的佣金等。平安信托资金池业务投向不合规主要是日聚金系列产品投向存在问题，监管要求信托公司不能做非标理财资金池，但此前日聚金系列产品投向除了标准化产品外，还有下属子公司承诺回购的信托收益权及其他低风险信托产品等。&/p&&br&&p&此外，平安信托的部分产品投向上也有不合规之处，以平安信托日聚金跨市场基金1号集合资金信托计划（“日聚金1号”）为例，产品特征为每个工作日开放认购，当天起息，资金投向于银行存款、货币市场基金、债券基金、银行间债券以及低风险的固定收益类产品，投资起点500万元，投资期限1、2、3、4、6个月不等，预期年化收益率为3.5%-6%。但是，日聚金1号通过参与打新优先级，投到股市。wind数据显示，2015年“打新”获配机构名单中，就有日聚金1号。由于是开放式的产品，其流动性风险不言而喻。&/p&&br&&br&&strong&（三）分离定价&/strong&&p&分离定价是指资产管理计划在开放参与、退出或滚动发行时未进行合理估值，脱离对应资产的实际收益率、净值进行分离定价；例如资产管理计划投资于非标资产后，虽然发生了投资损益但未进行估值，之后资产管理计划开放，管理人自行确定以单位份额净值1元接受投资者参与，造成实际价值与人为定价的背离。&/p&&br&&p&对于投资标准化证券的资产管理计划产品，如果能够进行公允估值，投资者按照净值参与、退出，且退出资金没有得到任何本金和收益保证，则不属于资金池。&/p&&br&&strong&实务案例&/strong&&p&中信信诚的上述资产管理计划未能进行合理估值。现金管理计划在投资范围不符合货币基金有关规定的情况下，不得使用货币基金的估值方法。&/p&&br&&p&短期理财计划不得对非标专项计划简单采用摊余成本法进行估值，脱离对应资产的实际收益率进行分离定价，应当参照中国证监会《关于进一步规范证券投资基金估值业务的指导意见》（证监会公告[2008]38号）的规定，合理确定投资品种的公允价值。&/p&&br&&strong&（四）信息披露&/strong&&p&资产管理公司应当对资产管理计划的各项信息进行充分的信息披露，披露内容应至少包括资产管理计划的期限、投资具体项目信息、交易模式、关联交易情况、收益情况、估值和定价的依据及方法、账户核算、单独管理的情况等等。&/p&&br&&strong&实务案例&/strong&&p&中信信诚的签署述资产管理计划未能进行充分信息披露。中信信诚未向投资者披露内部交易模式，未向投资者披露非标专项计划的有关情况。投资者投资决策的主要依据是中信信诚提供的现金管理计划和短期理财计划的收益率水平以及中信信诚的信用状况。在此情况下，投资者极易形成“刚性兑付”预期。&/p&&br&&strong&（五）例外情形&/strong&1、例外情形一：风险处置根据《证券期货经营机构私募资产管理业务运作管理暂行规定》，资产管理计划所投资资产发生不能按时收回投资本金和收益情形的，资产管理计划通过开放参与、退出或滚动发行的方式由后期投资者承担此类风险，但管理人进行充分信息披露及风险揭示的，可以不认定为资金池。&br&&p&这种情形为管理人的项目风险处置明确了一条可行路径，但是管理人应特别注意，信息披露和风险揭示务必做充分，须让投资者明确了解、认可其委托资金最终用于投资已发生风险预警或风险事件的项目，如果募集时已有具体的风险处置计划，也应一并向投资者充分披露。&/p&&br&2、例外情形二：先募后投&p&实践中存在这类情形：资产管理计划募集时尚未确定具体投资项目，成立后再由管理人筛选投资项目并运用委托财产，而且资产管理计划运作期设有开放期。&/p&&br&如果该资产管理计划确实是采用了多样化的组合投资策略，而且可以准确估值，并按照估值开放参与、退出，那么就满足了基本的合规性要求。但该种情形要特别注意：一是要确保估值方法的合理性、公允性，不能变相包装为按固定收益退出；二是要确保所投资资产确实属于组合投资标的，不能实际投向少量长期限、非标资产，实际上又构成期限错配；三是在募集时资产管理合同中应当明确约定标的筛选原则、投资策略等事项。&br&三、风险提示&p&违规开展资金池业务违背资产管理业务本质，极易形成投资者刚性兑付预期，滑向庞氏骗局，金融风险潜藏期长，一旦爆发，就会给投资者造成重大损失。此次针对中信信诚的处罚再一次引起了行业对资金池的关注，也是对行业内的一种警示。&/p&&br&&p&一直以来，P2P行业都是资金池的“重灾区”，很多“问题平台”都是因为从事资金池的业务模式而纷纷倒闭、跑路，给投资者带来了重大损失。而监管部门近期动作频繁、重拳出击资产管理行业，加大资金池业务的清查和处理力度，也反映出了监管政策的不断收紧。&/p&&br&&p&对于私募资产管理机构而言，募集行为应严格依照《私募投资基金募集行为管理办法》开展，不盲目迎合客户，承诺不切实际的收益和快速赎回机制；避免违规的“借新还旧”、“短募长投”；在产品开放购买、申购和赎回时按照产品类型的不同进行合理的估值和定价，不同的产品之间应当独立核算。此外，信息披露也是最基础的工作，《私募投资基金信息披露管理办法》对私募基金行业信息披露提出了基本要求，值得私募管理机构时刻关注。&/p&&br&&p&总而言之，私募资产管理机构不能抛弃法律合规和风险意识，坚持不从事资金池相关业务，不能因为盲目的追求短期利益而给自身的发展带来损害。&strong&应当做到的是“守住底线，不越边界”：&/strong&&/p&&br&&br&&p&底线&/p&&p&越界表现&/p&&p&1&/p&&p&不同资产管理产品不得进行混同运作,资金与资产应当明确对应&/p&&p&1)先筹资金、后定标的(有限合伙LP份额及集合信托); 2)在销售环节无法披露具体投资标的; 3)期限错配、短募长投; 4)分期募集,集合运作,各期产品无固定期限;
5)投向非标资产,非标资产由劣后级受益人筛选组合。&/p&&p&2&/p&&p&产品之间应当进行独立核算&/p&&p&1)不同产品未单独建账; 2)多个产品合并编制一张资产负债表或估值表。&/p&&p&3&/p&&p&资产管理产品在开放申购、赎回或滚动发行时应进行合理估值,不得脱离对应资产的实际收益率进行分离定价&/p&&p&1)各期产品风险收益不匹配; 2)产品净值按照投资标的预期收益率进行估值,后期投资者承担较大风险; 3)实际收益率与资产收益分离&/p&
日前，南京银行旗下鑫元基金子公司，鑫沅资产管理有限公司由于一对多设立资金池，遭上海证监局处罚。原来，银行系也不安全。今年以来，因为资金池的问题，已有宝盈基金、民生加银资产管理有限公司等13家机构遭遇业务暂停、责令改正或增加内部合规检查次数等…
&img src=&/50/b050a1f591fb4adbfd23_b.jpg& data-rawwidth=&258& data-rawheight=&258& class=&content_image& width=&258&&
　7月9日，中国证券投资基金业协会党委书记、会长洪磊在中国财富管理50人论坛上，从公募基金出发，分享了资产管理行业的供给侧改革问题。他认为，当前，大量金融资产缺少长期安全、有效的投资渠道，资产管理业呼唤一场全面的供给侧改革，可从法律制度、个人账户养老金制度建设、人才资本竞争等五个层面完成行业的自我革命，真正承担起提供普惠金融和推动产业创新的责任。&p&　　“公募基金制度建设结出持续健康发展之果，公募基金已经成为普惠金融的典型代表，为数以亿计的消费者创造了巨大收益和金融便利，同时，为长期信任公募基金的投资者创造了可观的相对回报。公募基金还在助力养老金保值增值方面也做出重大贡献，是养老金和FOF资金理想的投资工具。”洪磊表示，但与其他资产管理行业迅猛发展相比，公募基金专业能力被边缘化，结构失衡现象突出；作为价值投资、长期投资的机构投资者代表，公募基金在资本市场中的买方价值远未体现；另外，核心人才队伍不稳定，人才流失严重。&/p&&p&　　洪磊认为，公募基金作为资产管理行业标杆的基础性地位受到挑战，原因有以下几个方面：&/p&&p&　　从微观看，基金公司没有处理好两个关系。一是与投资者的关系，投资者长期利益让位于短期波动收益，加剧投资者风险暴露；二是与员工的关系，国有股治理僵化，缺少长效激励约束机制。股东利益主导了管理人行为和管理绩效评价，导致公募基金过于追求短期规模增长，基金投资行为短期化，投资人利益无法在治理层面得到充分保证。&/p&&p&　　从中观看，投资者机构化程度不足，缺少长期资金来源是重要原因，真正的长期机构资金占比很小，养老金、保险资金等真正的长期资金主要通过专户管理，对公募基金无法起到支持作用。产业链发育不足，过多依赖外部销售渠道，代销关系削弱了公募基金募集职责，销售利益最大化加剧频繁申赎，投资者难以享受长期收益，销售适当性以及投资者教育难以落实。更为重要的是，大资管市场标准混乱，面向非特定对象的公募产品和面向特定对象的私募产品缺少统一标准。大量理财资金不规范接入资产管理市场，“刚性兑付”产品穿上资产管理外衣，助长了相信无风险高收益的投机文化，冲击资产管理本质和理财文化根基。&/p&&p&　　从宏观看，法律基础不统一导致监管碎片化是根本原因。资产管理业务的上位法既有《基金法》，也有《商业银行法》、《信托法》、《保险法》，导致资产管理领域出现大量信贷业务与投资业务混同、买方与卖方主体不清的现象，“资金池”、“通道”、高杠杆结构化产品等违背资产管理本质的业务屡禁不止。分业式监管叠加以机构为主的监管，导致大资管行业监管碎片化，业务标准与规则各异，监管标准与业务性质发生错配，风险属性和杠杆风险无法得到充分披露和有效监管，跨部门风险积聚且难以监测。寄希望于所谓的“监管竞争”来改善市场运行效率只能是缘木求鱼，分业监管同时叠加机构监管注定为金融机构的混业经营留下大量监管空白和监管套利空间，带来的负面影响已十分突出。&/p&&p&　　鉴于当前资产管理行业的发展现状，洪磊表示，需要从以下五个方面入手进行一场全面的供给侧改革：&/p&&p&　　一、在法律制度方面推动统一立法，建立