1984-2006年美国主动型基金收益表现分析 [page::0][page::1]

• 主动型基金整体收益扣除成本后表现不佳，等权重和市值加权组合净收益Alpha均为负。

- CAPM、三因子与四因子模型回归显示市场收益斜率均接近1，小基金对SMB因子暴露较高。

• 费用和其他成本是主动基金投资者收益负和的主要原因。

Bootstrap模拟检验基金经理技能与运气 [page::1][page::2][page::3]

• 采用残差抽样Bootstrap方法构造模拟基金收益，假设基金Alpha均为零。

- 模拟分布捕捉基金收益间相关性及估计误差影响，真实基金Alpha在净收益模型中左尾显著低于模拟。

• 总收益模型结果显示在管理成本扣除前，右尾优秀基金经理Alpha表现更突出，且大型基金Alpha表现趋近对称。

- 500万美元以上基金规模分组Alpha分布近似自由度约24的t分布，说明收益厚尾特性，主动管理加剧收益厚尾。

结论总结 [page::4]

• 美国主动管理共同基金整体表现负和游戏，少数基金经理能创造覆盖成本的超额收益，绝大多数基金经理对市场收益贡献为零或负。

- 基金净收益模型中真实Alpha大多数情况低于模拟Alpha，四因子模型下表现更差。

• 管理成本前的总收益模型更易显现技能差异，优秀基金经理存在但数量有限。

- 优秀基金经理的正Alpha覆盖往往被表现较差的基金经理所拖累。

《基金经理的运气与技能》详尽分析报告

---

一、元数据与概览

• 报告标题：《基金经理的运气与技能》

- 作者：吴先兴

• 发布机构：天风证券股份有限公司金融工程研究所

- 发布日期：2019年4月17日

• 主题：本文主要围绕美国市场权益主动型共同基金的业绩表现，探讨基金经理的投资技能与运气的区别，检验主动基金是否能为投资者带来超越基准的收益，以及超额收益的来源与持续性问题。

核心论点：

• 美国主动管理权益基金整体的业绩在扣除成本之前与市场组合相近，但扣除成本后整体为负。

- 基金经理的技能与运气难以区分，传统通过业绩持续性检测存在局限。

• 本文创新采用长期历史收益及Bootstrap模拟方法对基金经理技能进行检验，验证市场上是否存在真正具备超额收益能力的基金经理。

- 结论表明，虽然整体基金市场表现是零和游戏，少部分基金经理确实显示出足够的技能来覆盖成本，但数量有限，且大多数基金表现更像运气。

---

二、逐节深度解读

1. 引言（第0页）

本节明确了主动投资收益的均衡约束（equilibrium accounting）理论框架。假设被动投资者的期望超额收益为零，主动管理者之间收益是零和游戏，即主动基金的超额收益相加为零（扣除成本前）。扣除管理费用后，主动管理市场为负和游戏，投资者无法整体获取正超额收益。

• 核心观念：基金经理的Alpha（超额收益）在市场中部分基金为正，部分为负，整体合计扣费后为负。

- 挑战：如何区分真正的基金经理技能与幸运。

• 方法：长期业绩数据配合Bootstrap模拟，生成无技能假设下的基金Alpha分布，用以比较真实基金的收益分布，检测是否存在显著的超额技能。

统计发现，未扣费情况下，基金Alpha收益的年化标准差近1.25%，少数（<16%）基金Alpha超越1.25%，更小比例（2.3%）超过2.5%，但均为未扣费收益[page::0]。

---

2. 美国权益型主动共同基金的加和表现（第1页）

本节介绍了数据样本及模型使用：

• 样本期：1983年至2006年美国股票基金表现。

- 模型：Fama-French三因子模型及Carhart四因子模型。

核心回归模型为：

\[
R{it} - R{ft} = ai + bi(R{Mt} - R{ft}) + si SMBt + hi HMLt + mi MOMt + e_{it}
\]

通过等权重（EW）和市值加权（VW）组合月收益回归得出的截距（Alpha）表明：

• 市场因子暴露(b)约为1，说明基金大体跟随大盘。

- 对账面市值比（HML）和动量（MOM）暴露极少，且等权重组合对SMB（小市值因子）暴露略高，市值加权组合暴露较低，暗示资金流入更大规模基金，风险偏好趋中性。

• 扣除管理费用后的净收益Alpha均为负，统计显著，确认主动管理整体收益不足以覆盖费用。

- 三因子和四因子模型的截距均呈负值，EW和VW净收益均偏负。

表格显著性表现，t统计数值耐人寻味，表明结果有统计支撑。

结论：从整体市场视角，主动基金无法为投资者带来净正超额收益，仅是扣费前与市场接近，扣费后为负[page::1]。

---

3. Bootstrap模拟检验（第1-3页）

分析重点为Bootstrap残差抽样模拟基金收益，构建无技能假设（Alpha为0）的基准分布，捕捉基金间收益相关结构，验证真实基金Alpha分布相较于模拟分布的偏离情况。

• 为避免培育偏差，设立基金资产规模门槛（500万美元、2.5亿美元、10亿美元）。

- 限制基金必须有5年以上历史数据，保证统计稳定。

• 模拟通过残差有放回抽样产生，获得基金等级横截面Alpha分布。

- 通过比较真实Alpha与模拟Alpha在不同分位点的差异判断技能存在的统计证据。

重要发现（净收益）：

• 左尾（业绩差基金）：真实基金Alpha明显低于模拟，显示差劲的基金经理表现落后于无技能假设。

- 右尾（业绩好基金）：真实Alpha部分逼近模拟平均水平，极少部分优秀基金经理表现可能真正具备覆盖管理费用的技能。

• 规模较大的基金Alpha分布略收窄（右尾标准差下降），暗示大规模基金表现更为稳定，可能因管理策略或投资限制造成。

图表解读：

• 表格中各百分位的Sim（模拟）与Act（实际）Alpha对比，实际Alpha分布在极端表现上偏离模拟，左侧更差，右侧小部分极优。

- 图3累计密度函数显示真实累计分布曲线在负收益区间上方，正收益区略低于模拟，证实整体表现拖累效应。

基金总收益分析（含管理费前）：

• 扣费前基金Alpha表现更接近模拟，左右尾部对称分布，提示管理技能和管理成本的权衡。

- 右尾基金Alpha相对于模拟有明显优势，支持优秀基金经理存在。

• 左尾依然劣于模拟分布，差基金经理依旧拖累整体表现。

- 大型基金Alpha类似t分布，反映收益厚尾特性因主动管理可能被放大。

整体评价：

• 管理费后净收益的真实基金Alpha表现更偏负，管理费前总收益显示部分基金具有正超额收益能力。

- Bootstrap方法有效缓解样本噪音和持续性检验的局限，结合实际与模拟分布揭示技能存在的微妙证据。[page::1][page::2][page::3]

---

4. 结论总结（第4页）

• 共计3156只基金样本的实证分析表明，整体市场下主动管理基金净收益是负和游戏，没有足够的证据表明整体存在大规模的技能。

- 个别基金表现出的Alpha与模拟的无技能分布重合，只有极少数基金经理实现了能够覆盖成本的技能。

• 三因子模型下，表现优异的基金Alpha检验近于零，四因子模型则趋于负值，暗示动量因子考虑后，由于资金流动挤压超额收益空间，实际净Alpha更弱。

- 大型基金优质主动基金的Alpha接近于高效的被动基金，说明大基金管理者难以获得明显超额收益优势。

• 管理费用的影响突出，扣费前基金收益表现更均衡，仍能看到技能证据，但净收益模型中体现成本后，整体超额收益消失。

综上，报告认可少部分主动基金经理具备技能，能带来一定正Alpha，但其极少，大多基金表现随机，投资中主被动策略选择需慎重。基金规模和样本限制的设计加强了结论可靠度。

---

三、图表深度解读

图1：不同模型年化截距和回归系数（第1页）

• 展示CAPM、三因子、四因子模型下EW和VW组合的年化Alpha（截距）及因子暴露。

- 显著发现净收益Alpha为负，管理费用压缩投资者的回报。

• 市场暴露(b)接近1，表明基金组合总体紧跟市场。

- 小盘股因子（SMB）在等权重组合暴露较高，符合小型基金偏好小盘股逻辑。

• HML、MOM因子暴露接近零，反映基金整体持仓对价值和动量因子影响较少。

图表支撑基金整体与市场接轨，且无超额收益[page::1]。

---

图2和图4：净收益与总收益基金Alpha分位数比较表（第2-3页）

• 表格将不同规模基金在多个分位点上的模拟（Sim）与实际（Act）Alpha作对比。

- 净收益模型下，左尾实际Alpha远低于模拟，右尾接近甚至略微高于模拟，右尾显示少数基金展现正技能。

• 总收益模型对比亦体现此趋势，但右尾优势更明显，表明管理成本掩盖了一部分技能。

- 大规模基金（2.5亿美元及以上）右尾的Alpha稳定性更高，表明资金大时技能优势有限但更稳健。

---

图3与图5：净收益和总收益基金Alpha累积密度函数（CDF）（第2、3页）

• 基金真实Alpha CDF曲线整体偏离模拟曲线，负尾更重，正尾曲线趋近模拟或略有优势。

- 说明净收益情况下差基金拉低总体表现，优秀基金经理的优势显现有限。

• 总收益曲线右尾趋于真实Alpha领先模拟，更好地体现管理技能的存在，但仍有限。

---

四、估值分析

报告并不涉及具体估值模型或目标价格的分析，主要聚焦于基金表现的统计分析和经济学意义验证，无需单独估值部分分析。

---

五、风险因素评估

本报告并未特别强调风险因素列表，但隐含风险主要涉及：

• 成本风险：管理费用成为投资者净收益的关键压制因素。

- 技能识别难度：业绩持续性差及统计噪音使得真正具备投资技能的基金难以确认。

• 样本偏差风险：样本规模限制、存续期限制可能影响对技能的测度。

- 市场环境变化风险：研究期1984-2006期间的结论是否适用于当前市场尚需观察。

这些风险均可能影响对基金经理“技能”判断的准确性。报告通过Bootstrap辅助减弱噪音误判风险，但风险依然存在[page::0][page::1][page::2].

---

六、批判性视角与细微差别

• 报告作者基于严谨数据分析，未过度强调积极观点，立场较为中立客观。

- 但在“技能与运气区分”的分析框架内，成果依赖于回归模型选取以及模拟生成基金残差序列的假设，模型本身可能无法完全捕捉复杂的选股行为或市场异象。

• 四因子模型中Alpha显现负值，暗示动量因子在净收益解释中起关键作用，但对动量因子的稳定性和未来适用性缺少更多讨论。

- 规模限制虽提高了样本均质性，但也可能削弱对新兴基金或小型基金技能的识别。

• 厚尾分布的揭示提示收益波动异常，然而报告未深入讨论如何调整模型以纳入此类特征，这或是进一步研究点。

- 报告所述“少许基金经理确实具备投资技能”存在主观判断成分，其统计显著性和经济意义均难以精准量化。

---

七、结论性综合

本报告精细分析了美国主动管理权益基金的表现，结合Fama-French及Carhart因子模型，并利用Bootstrap残差抽样对基金Alpha分布的实际情况与无技能假设模拟进行对比，揭示了基金经理“技能”与“运气”之间的微妙关系。

• 主动基金整体业绩表现呈现零和博弈特征，扣除管理费后成为负和游戏，投资者难以从整体市场获得超额正收益。

- 统计检验显示多数字段基金经理表现接近随机波动，但在基金业绩分布右尾存在少量明显优异的基金经理，具有一定的投资技能来实现覆盖管理费的超额收益。

• 大型基金的超额收益分布更接近于t分布，显示收益厚尾特性，风险波动较大。

- Bootstrap模拟为度量基金经理技能提供了一种稳健方法，缓解了传统持续性检测中噪音影响，提升了对技能存在的辨别能力。

• 报告所附图表详实，数据充分支撑结论，具有较高的现实指导价值和学术严谨性。

总体来看，作者认为虽然主动管理市场难以整体超越被动，且大部分管理者表现差强人意，但部分基金经理确实存在技能优势，投资者在选择基金时应警惕技能与运气的区别，合理评估基金的长期表现和成本结构。

---

附图展示

图3：基金Alpha累计密度函数比较（净收益，三因子模型）



图5：基金Alpha累计密度函数比较（总收益，三因子模型）



---

参考文献标注

本文部分论述及数据均摘自吴先兴《基金经理的运气与技能》报告正文[page::0-4]。

报告