fund-analysis

name fund-analysis description 基金分析与筛选：晨星评级/夏普比率/信息比率、Sharpe风格箱分析、风格漂移检测、基金经理评价、FOF组合构建、ETF选择 category asset-class 基金分析与筛选 概述 系统化评估公募基金/私募基金/ETF的业绩表现、投资风格和管理能力，并构建FOF（基金中的基金）组合。核心目标：找到"可持续的超额收益来源"而非"过去业绩最好的基金"。 适用场景： 股票型/混合型基金的多维度筛选 基金经理投资风格的归因与漂移检测 ETF产品的跟踪效率评估 FOF组合的资产配置与再平衡 A股公募基金的特有分析维度 核心概念 基金绩效指标体系 收益类指标 ： 指标 公式 优秀阈值 说明 年化收益率 (1+总收益)^(1/年数)-1 > 15% (股基) 绝对收益 超额收益(Alpha) 基金收益-基准收益 > 5%/年 相对基准 信息比率(IR) Alpha / 跟踪误差 > 0.5 Alpha稳定性 胜率 跑赢基准的月份占比 > 55% 一致性 风险类指标 ： 指标 公式 优秀阈值 说明 最大回撤 max(peak-trough)/peak < 20% (股基) 极端风险 年化波动率 std(日收益)*√252 < 20% (股基) 总风险 下行标准差 std(负收益)*√252 < 13% 下行风险 Calmar比率 年化收益/最大回撤 > 1.0 收益/极端风险 风险调整指标 ： 指标 公式 优秀阈值 说明 夏普比率 (Rp-Rf)/σp > 1.0 每单位风险收益 Sortino比率 (Rp-Rf)/下行σ > 1.5 更关注下行风险 Treynor比率 (Rp-Rf)/β > 10% 每单位系统风险收益 无风险利率(Rf): A股通常用1年期国债收益率, 约2.0-2.5% 基准: 股票型→沪深300; 混合型→沪深300×60%+中证全债×40% 评估周期: 至少3年，推荐5年（覆盖完整牛熊周期） Sharpe风格箱分析 九宫格风格分类 ： 价值 平衡 成长 大盘 大盘价值 大盘平衡 大盘成长 中盘 中盘价值 中盘平衡 中盘成长 小盘 小盘价值 小盘平衡 小盘成长 判定方法（回归法）: Ri = α + β1×大盘价值 + β2×大盘成长 + β3×小盘价值 + β4×小盘成长 + ε 风格指数选择(A股): 大盘价值: 沪深300价值 (399346) 大盘成长: 沪深300成长 (399370) 小盘价值: 中证500价值 (930782) 小盘成长: 中证500成长 (930783) β权重最大的方向 = 基金主风格 R² > 0.85 → 风格明确; R² < 0.70 → 风格模糊/择时型 风格漂移检测 方法: 滚动窗口回归 (窗口=60个交易日, 步长=20日) 漂移判定: 1. 计算每个窗口的风格权重β 2. 相邻窗口β变化: |Δβ| > 0.2 → 显著漂移 最大β对应的风格变了 → 风格切换 3. R²时序: R²持续下降 → 基金经理在做择时/偏离基准 R²忽高忽低 → 风格不稳定 漂移类型: - 渐进漂移: 大盘→中盘→小盘 (通常是规模增长后被迫下沉) - 突变漂移: 价值突然切换成长 (可能换了基金经理) - 周期漂移: 牛市追成长、熊市转价值 (择时型) A股常见漂移: 2020-2021: 大量"价值型"基金实际持仓转向新能源/半导体(成长) 检测: 申报风格=大盘价值, 实际回归风格=大盘成长 → 名不副实 分析框架 1. 基金筛选框架（五步法） Step 1: 硬指标过滤 □ 成立 ≥ 3年 □ 规模 2-100亿（太小清盘风险, 太大船大难掉头） □ 同一基金经理管理 ≥ 2年 □ 机构持有比例 > 20%（机构认可） Step 2: 绩效排序 □ 近3年年化收益 > 同类中位数 □ 近3年夏普比率 > 同类前30% □ 最大回撤 < 同类中位数 □ 信息比率 > 0.3 Step 3: 风格验证 □ 实际风格与申报风格一致（R² > 0.8） □ 风格漂移得分 < 0.3（稳定） □ 近1年风格与近3年一致 Step 4: 基金经理评价 □ 管理同类基金 ≥ 3年 □ 历史任职基金收益均为正超额 □ 换手率合理（年化200-400%为正常, >600%过高） □ 持股集中度适中（前10大持仓40-70%） Step 5: 费用检查 □ 管理费 ≤ 1.5%（主动股基） □ 无惩罚性赎回费（持有>1年免赎回费） □ 托管费 ≤ 0.25% 2. 基金经理评价 核心维度: 1. 超额收益能力: 任职年化Alpha (相对基准) 牛市Alpha vs 熊市Alpha (优秀经理熊市也有超额) 2. 风险控制: 最大回撤 vs 基准最大回撤 下行捕获比率 < 0.8 → 善于控制下行风险 上行捕获比率 > 1.0 → 上涨行情不掉队 3. 选股能力 vs 择时能力 (T-M模型): Ri-Rf = α + β(Rm-Rf) + γ(Rm-Rf)² + ε α > 0 → 有选股能力 γ > 0 → 有择时能力 A股实证: 大部分基金经理有选股能力, 少有择时能力 4. 持仓特征: 换手率: <200%=长期持有; 200-400%=适中; >600%=频繁交易 持股集中度: 前10大占比, >70%=集中, <40%=分散 行业偏离度: 相对基准的行业超/低配幅度 经理更换信号: 基金经理变更公告日起: - 新经理来自同一公司、风格相近 → 影响小 - 新经理风格截然不同 → 重新评估, 观察1-2个季度再决定 - 明星经理离职 → 考虑赎回, 跟踪新经理的其他产品 3. ETF选择框架 核心标准: 1. 跟踪误差: 年化 < 2% (被动) / < 4% (增强) 计算: std(ETF日收益 - 指数日收益) × √252 2. 费率比较: 管理费: 0.15%(最低) ~ 0.50%(普通) 托管费: 0.05% ~ 0.10% 综合费率差 0.2%/年，10年累积差异显著 3. 流动性: 日均成交额 > 1亿 → 流动性充足 买卖价差 < 0.1% → 交易成本低 折溢价率 < 0.3% → 定价准确 4. 规模: > 10亿 → 清盘风险极低 2-10亿 → 可接受 < 2亿 → 需关注是否有清盘风险 A股主流宽基ETF对比(示例): | ETF | 代码 | 费率 | 规模 | 跟踪误差 | |-----|------|------|------|----------| | 华泰柏瑞沪深300ETF | 510300 | 0.20% | 800亿+ | 0.5% | | 易方达沪深300ETF | 510310 | 0.20% | 200亿+ | 0.6% | | 华夏上证50ETF | 510050 | 0.50% | 500亿+ | 0.4% | | 南方中证500ETF | 510500 | 0.20% | 400亿+ | 0.8% | 4. FOF组合构建 Step 1: 大类资产配置 保守型: 股基30% + 债基50% + 货基20% 均衡型: 股基50% + 债基30% + 商品10% + 货基10% 激进型: 股基70% + 债基20% + 商品10% Step 2: 细分资产选基 每个资产类别选 2-3 只基金（分散管理人风险） 股票部分: 大盘价值 1只 + 大盘成长 1只 + 中小盘 1只 风格互补, 降低单一风格暴露 债券部分: 纯债 1只 + 转债增强 1只 控制信用风险, 不追高收益债 Step 3: 再平衡规则 定期: 每季度检查一次偏离度 触发: 任一资产偏离目标权重 > 5% → 再平衡 再平衡方法: a. 卖出超配、买入低配 → 交易成本高 b. 增量资金买入低配 → 减少交易频率 c. 分红再投资到低配 → 最优方案 Step 4: 监控预警 □ 季度绩效回顾: 任一基金连续2个季度排名后30% → 观察 □ 基金经理变更 → 重新评估 □ 风格漂移 → 替换为风格稳定的同类基金 □ 规模异常(暴增/暴降) → 关注流动性冲击 输出格式 基金分析报告： === 基金概况 === 名称: 易方达蓝筹精选混合 (005827) 经理: 张坤 任职: 2018-01-05 (8年) 规模: 450亿 风格: 大盘成长 === 绩效评估 (近3年) === 年化收益: 12.5% (同类前25%) 夏普比率: 0.85 (同类前20%) 最大回撤: -28.3% (同类中位-25.6%) 信息比率: 0.62 Calmar比率: 0.44 胜率: 58% (月度跑赢基准) === 风格分析 === 回归风格: 大盘成长 (R²=0.91) 风格漂移: 低 (近1年与近3年一致) 持股集中度: 前10大持仓68% 换手率: 年化150% (低换手, 长期持有) === 评价 === 优势: 选股能力强(Alpha显著), 风格稳定 劣势: 规模过大可能影响操作灵活性, 回撤控制一般 建议: 适合作为FOF组合中的大盘成长配置, 仓位15-20% 注意事项 幸存者偏差 ：基金数据库中已清盘基金可能被排除，导致历史平均业绩偏高 规模效应 ：基金规模超过200亿后，小盘股策略难以执行，Alpha可能下降 季末效应 ：部分基金在季末存在"粉饰橱窗"行为（季末买入重仓股拉净值），需用月中数据交叉验证 申赎冲击 ：大规模申购/赎回影响基金收益（摊薄/被迫卖出），关注份额变动 费率拖累 ：长期来看，费率差异对累计收益影响显著。10年期 1.5% vs 0.5% 费率差 → 约10%累计收益差 指数增强真假 ：部分"指数增强"实际偏离基准极大（跟踪误差>8%），实质是主动管理披着增强外衣 依赖 pip install pandas numpy scipy