合同基准与隐性基准匹配及意义 [page::2][page::4]

• 存在基金合同基准与实际投资风格错配问题，隐性基准定义为与基金净值走势最贴合的指数。

- 单只基金A与合同基准跟踪误差高达28.48%，与隐性基准仅10.54%。

• 多数主动权益基金隐性基准跟踪误差明显低于合同基准，2010-2024年平均跟踪误差分别为13.17%与8.57%。

- 跟踪误差较大的基金更可能存在更小的隐性基准跟踪误差，实现基准匹配优化。

显性风险与隐性风险区分及风险剥离困境 [page::6][page::7][page::9]

• 显性风险为已知风险因子（如Fama五因子模型），隐性风险为未被普遍因子捕捉的未知风险。

- Fama五因子剥离动量因子效果优于简单动量因子，但2021年后均出现回撤，解释力度下降。

• 示例基金E（小市值风格）和基金F（金属行业暴露）显示Fama五因子模型拟合能力不均，行业隐性风险难以捕捉。

基于隐性风险模型的基金收益动量因子改进 [page::9][page::10][page::11]

• 创新基于基金净值相关性寻找同类基金组合，利用同类基金收益序列剥离隐性风险，回归截距项作为改进动量因子AlphaSimi。

- AlphaSimi表现优于Alpha_Fama五因子，2013年以来RankIC均值8.41%，RankICIR1.89，胜率85.42%，多空季度收益1.56%。

• 隐性风险模型对基金收益解释力度明显高于Fama五因子模型，2024年R方分别为92.32%和84.94%。

隐性风险视角统一改进选基因子框架 [page::13][page::14][page::15]

• 扩展隐性风险剥离方法至选基因子截面回归，将原始基因子对同类基金隐性风险因子进行剥离，提炼隐性风险调整因子。

- 以夏普比因子为例，相关性加权生成同类基金夏普比，再截面回归剥离风险后，隐性风险调整夏普比RankICIR由0.77升至1.99，胜率提升至87.41%。

• 隐形交易能力因子类似，经隐性风险调整效果显著改善，RankICIR从1.68提升到2.23。

隐性风险调整综合选基因子与性能 [page::16][page::18]

• 收益类、隐形交易能力、波段交易能力、持仓收益等因子经调整后，RankICIR及胜率明显提升，因子稳定性增强。

- 综合选基因子等权合成，隐性风险调整后RankIC均值13.99%，RankICIR3.18，胜率达93.01%，季均多空收益达2.74%。

• 非所有因子均适合隐性风险调整，如逆向投资能力因子调整后表现大幅下降，因此仅对改善明显的因子进行调整使用。

基于风险控制的FOF精选组合构建及表现 [page::20][page::23][page::24]

• 利用持仓还原技术获取行业与港股配置，选用Wind一级行业分类及港股整体作为行业控制口径。

- 构建最大化隐性风险调整综合选基因子得分的FOF组合，并约束行业偏离 ±3%、港股偏离 ±2%、个券权重≤5%。

• 2014年以来，该FOF组合年化超额收益8.86%，年化跟踪误差3.52%，最大相对回撤3.40%，信息比2.31，表现稳健，月度胜率75.91%。

【国信金工】隐性风险视角下的选基因子统一改进框架 —— 深度分析报告

1. 元数据与报告概览

• 报告标题： 隐性风险视角下的选基因子统一改进框架

- 作者及机构： 张欣慰、胡志超，国信证券经济研究所，量化藏经阁

• 发布时间： 2025年06月18日 08:06（北京）

- 主题： 针对公募主动权益基金的投资基准错配问题，提出“隐性基准”概念，深入剖析基金收益中的显性风险与隐性风险，进而引入隐性风险模型改进基金选基因子，最终应用隐性风险调整综合选基因子构建FOF精选组合，验证其优异的选基和组合稳定性。

报告核心论点：

• 当前公募基金合同基准与实际投资风格严重错配，须引入隐性基准进行更合理的基金基准匹配。

- 多因子模型中存在未被捕捉的“隐性风险”，针对隐性风险的剥离能提升因子稳定性和基金业绩解释度。

• 基于基金净值相关性构建的隐性风险模型，对传统Fama五因子模型的剥离效果明显优越。

- 将隐性风险剥离方法推广到各类选基因子，实现选基因子的统一改进框架，显著提升因子表现的稳定性与选基效率。

• 利用隐性风险调整后的综合选基因子，结合行业与港股配置约束构建FOF精选组合，取得持续稳定的优异业绩表现。

2. 逐节深度解读

2.1 报告摘要（页码1）

关键论点：

• 合同基准vs隐性基准： 揭示公募基金普遍存在“合同基准”与真实投资风格不符的问题，提出量化识别“隐性基准”的方法。

- 显性风险vs隐性风险： 明确已知风险称为“显性风险”，市场不断涌现但未被模型捕捉的风险定义为“隐性风险”。

• 隐性风险模型： 基于基金净值走势相关性的同类基金收益相关性回归剥离显隐风，隐性风险模型对基金收益解释效果优于Fama五因子模型。

- 选基因子改进： 对收益因子、隐形交易能力、波段交易能力、持仓收益等选基因子进行隐性风险调整后，选基稳定性显著提升。综合隐性风险调整选基因子指标，表现出极佳的RankIC及年化信息比。

• FOF精选组合： 结合基金持仓还原补全行业及港股配比，在隐性风险调整综合选基子基础上构建FOF组合，费后年化超额收益8.86%，跟踪误差仅3.52%，夏普比和胜率表现稳健。

推理依据：

• 公募基金基准配置的错配和业绩评价的不合理，催生隐性基准的需求。

- 市场环境导致传统显性风险模型（如Fama五因子）剥离不足。

• 基于净值相关性构造的隐性风险模型更能捕捉基金间潜在风险共性。

- 结合行业及港股配置控制，保障组合风险分散与风格均衡。

2.2 基金业绩基准：合同基准与隐性基准（页码2-5）

主要内容：

• 合同基准定义： 基金合同中约定的公募基金业绩比较基准（如“中证50075%+上证国债25%”），但基金实际运作中偏离合同基准较大。

- 隐性基准定义： 与基金实际净值走势最匹配的基准，即使未被合同约定，也反映基金真实风格。

• 具体案例：（图1-图4）基金A与合同基准偏离大（年化跟踪误差28.48%），隐性基准（国证芯片）跟踪误差较小（10.54%）；基金B在不同时期隐性基准动态体现其风格迁移（如中证新能源指数、5G通信指数）。

- 匹配流程详解（图2）：
1. 选取权益类ETF覆盖的标的指数池作为备选基准指数池。
2. 计算每只基金相对备选基准指数的跟踪误差（9成仓位调整），选择跟踪误差最小的基准指数作为隐性基准。
3. 说明实际可构建多指数隐性基准，但为实现效率，本报告默认使用单指数隐性基准。

• 统计分析（图5-图6，表1）： 历年主动权益基金相对合同基准跟踪误差中位数平均为13.17%，而相对隐性基准为8.57%；2024年仅20%主动权益基金对合同基准的跟踪误差小于10%，而相对隐性基准则有60%；跟踪误差差距越大，隐性基准的优势越明显。

解读：

• 说明传统合同基准未必真实反映基金实际投资风格，导致业绩评估不科学。

- 引入隐性基准更准确地衡量基金表现和风险暴露，便于后续风险剥离和选基模型设计。

• 逐年数据及案例验证隐性基准的存在客观性和广泛性。[page::2,3,4,5]

2.3 业绩评价绝对与相对视角（页码5-6）

• 传统评估基于合同基准的超额收益排名（绝对视角），会忽视基金实际投资风格差异。

- 以基金C（成长风）和基金D（价值风）为例，绝对收益排名基金C优于D；但相对隐性基准及同类基金表现的超额收益排名则基金D优于C，反映隐性基准视角能更合理评价基金管理能力。

• 年度“一年动量”因子表现展示，2021年后动量因子选基能力显著下降，反映传统收益简单动量因子存在因素失效风险。[page::5,6]

2.4 显性风险与隐性风险（页码6-9）

• 定义：

- 显性风险：学界及业界广泛研究、可定量刻画的已知风险因子（如Fama五因子）。
- 隐性风险：未被传统模型捕捉，随市场环境动态变化，阶段性对收益有较大影响的未知风险。

• Fama五因子模型介绍及应用，其包含市场、规模、价值、盈利、投资五个因子，广泛应用于风险剥离。

- 但Fama五因子模型选基能力近年明显下滑（图11-12，表4），反映该显性模型难以捕获新兴隐性风险或风格，剥离效果不足。举基金E、F案例对比：基金E五因子模型拟合度高（R²=97%），基金F拟合度差（R²=31%），原因在于基金F的行业风险未被五因子覆盖，表现隐性风险特征。[page::6,7,8,9]

2.5 基于隐性风险模型的动量因子改进（页码9-12）

关键思路

• 基于公募基金净值走势相关性，通过寻找与目标基金净值相关性高的N只同类基金，构建相关性加权同类基金组合收益率序列（SimiRet）。

- 以SimiRet作为隐性风险因子，对单只基金日度收益做时序回归剥离相关风险，截距项即为隐性风险调整后的Alpha动量因子（AlphaSimi）。[公式说明及图17]

• AlphaSimi因子和传统Fama五因子剥离后的Alpha对比分析（表5，图18-19）：AlphaSimi表现优异，稳定性强，特别是在2021年后其他Alpha回撤阶段仍保持稳健。

- 进一步通过基金E、F案例验证，隐性风险模型回归的R²明显优于Fama五因子模型，表明隐性风险因子有较高解释力（图22-24）。

• 该模型剥离了基金所暴露的传统显性风险与更多隐性风险，提升了因子预测准确度和稳定性。[page::9,10,11,12]

2.6 隐性风险视角下的选基因子统改进框架（页码13-17）

• 国信金工团队先前构建了10个维度的基金选基因子体系，覆盖收益类因子、基金规模、员工信心、机构关注度、隐形交易能力、波段交易能力、逆向投资能力等（图25）。

- 拓展隐性风险模型应用范围，对所有选基因子进行同类基金隐性风险因子剥离，实现统一改进框架。

• 具体流程（图26）包括：计算原始因子值，匹配同类基金（N=20），计算同类基金隐性风险因子（SimiFactor），截面回归剥离，残差作为隐性风险调整因子（RiskAdjFactor）。

- 以夏普比因子为例展开（页码14-15）：
- 以两个相关度最高基金的夏普比加权作为同类基金夏普比，回归残差作为调整后夏普比。
- 调整后夏普比因子RankICIR从0.77升至1.99，胜率提升，十档分组更为单调稳健（图28-29，表6）。

• 以隐形交易能力因子为例（页码15-16）：

- 调整后RankICIR从1.68提升至2.23，胜率大幅提升（图30-31，表7）。

• 多因子隐性风险调整效果显著。

- 并非所有因子均获益，例如逆向投资能力、机构关注度、员工信心、基金规模等非收益类因子经调整后表现下降（表9）。

• 基于因子表现，选取收益类、隐形交易能力、波段交易能力、持仓收益因子做隐性风险调整，其余保持原始因子。

- 组合后隐性风险调整综合选基因子解释力强，表现稳定，年化RankICIR达到3.18，胜率93%（图34-37，表8-10）。[page::13,14,15,16,17]

2.7 FOF精选组合构建（页码18-24）

• 简单组合构建（页码18-20）

- 采用隐性风险调整综合选基因子对所有基金评分，选取TOP20、30、40、50、100构建等权组合。
- 年化费后超额收益位于5.63%-8.7%之间，且年度表现稳定正向，最大回撤控制较好（表11，图38）。

• 风险控制改进（页码20-24）

- 针对基金持仓集中导致的风险，进行持仓还原补全（已知持仓、管理人持仓、回归拟合三阶段还原法），获取基金详细行业和港股配置。
- 选择行业分类口径：对比证监会、中信、Wind行业分类，选用均衡且适中细度的Wind一级行业分类为组合行业分布度量口径（图39）。
- 港股配置因增长而不可忽视，以整体港股作为行业限制（图40-41）。
- 组合优化中引入行业与港股配置约束，设置行业配置偏离不超过3%，港股偏离不超过2%，个基权重最高5%，限制卖空（公式详见23页）。
- 费后FOF精选组合稳健增长，自2014年以来持续超越主动股基中位数指数，跟踪误差低，夏普比高，最大回撤可控（图42，表12）。

• 以上逻辑充分体现风险平衡与收益稳健的结合，保障组合长期业绩稳定。[page::18,19,20,21,22,23,24]

3. 图表深度解读

• 图1（页2） 展示基金A净值、合同基准及隐性基准走势对比。红线（合同基准）与基金走势偏离明显，蓝线（基金净值）与灰线（国证芯片）走得较近。说明隐性基准捕捉基金真实风格更精准。

- 图2（页3） 匹配隐性基准流程图，清晰分步展示选基准池、计算跟踪误差、确认隐性基准，流程简洁易理解。

• 图3 & 图4（页4） 基金B不同时间点（2022年及2024年）合同基准与隐性基准对比，凸显动态调整隐性基准优势。

- 图5 & 图6（页4） 柱状图与分布图展示合同基准跟踪误差普遍高于隐性基准，且绝大多数基金相对隐性基准跟踪误差较低，数据证实隐性基准更合适。

• 表1（页5） 明确不同合同基准跟踪误差分组对应隐性基准误差分布，证实误差越大，隐性基准优势越突出，数据详实。

- 图7（页5） 绝对视角与相对隐性基准视角评价收益排名差异示例，形象论证工作业绩评估的新思路。

• 图8&9（页6） 基金C和基金D相对隐性基准及同类基金等权收益对比，定量呈现因风格差异出现收益排名倒置现象。

- 表2（页6） 一年动量因子2021年前后表现显著下降，提示传统单因子失效。

• 图10（页7） 显性风险与隐性风险的区别示意，帮助理解关键风险分类。

- 表3（页7） 常见显性风险因子分类及定义，内容翔实，兼顾学术与业界适用性。

• 图11&12（页8） 展示Fama五因子Alpha因子回撤，及其优于一年动量因子的多头表现，支持剥离模型必要性。

- 表4（页8） 各时期Fama五因子与动量因子的选基效果对比，彰显模型局限性。

• 图13&14（页9） 基金E各因子暴露及五因子模型拟合度高，支持使用多因子解释。

- 图15&16（页9） 基金F高暴露于RMW、CMA，五因子解释力差，体现隐性风险存在。

• 图17（页10） 隐性风险改进动量因子流程图，步骤逻辑性强，方法清晰。

- 表5（页10） AlphaSimi较AlphaFama五因子多项指标均优，体现隐性风险模型优势。

• 图18&19（页11） AlphaSimi累积RankIC曲线及十档分组差异，展示因子稳定度提升。

- 图20&21（页11） 他动量因子与隐性风险因子关系说明隐性风险调整机制原理。

• 图22&23（页12） 基金E与F收益率与同类基金收益的高R²图像，定量证明隐性风险模型有效。

- 图24（页12） Fama五因子与隐性风险模型回归R²变化趋势，隐性风险模型优势显著稳定。

• 图25（页13） 国信金工选基因子体系，概览全景，涵盖多维度因子。

- 图26（页14） 选基因子隐性风险统一改进框架，步骤简洁明了。

• 图27（页15） 同类基金相关性加权夏普比计算表，直观展示方法。

- 表6（页15） 夏普比相关因子测试，显隐性风险调整结果对比。

• 图28&29（页15） 夏普比三因子累计RankIC及分组，表现出隐性风险调整效果显著。

- 表7&图30,31（页16） 隐形交易能力因子隐性风险调整表现明显优于原始因子。

• 表8&图32,33（页16-17） 多选基因子隐性风险调整前后对比，展示大幅提升稳定性。

- 表9（页17） 反面案例，提醒非所有因子均适合隐性风险调整。

• 图34（页18） 隐性风险调整综合因子构成示意，清晰展示策略思路。

- 图35&36（页18） 综合选基因子表现出极高预测力与收益弹性。

• 表10&图37（页18-19） 综合因子排名及多头超额表现，进一步佐证优势。

- 表11&图38（页19-20） 不同规模TOP组合年度表现及超额净值曲线，表现稳定。

• 图39（页21） 不同行业分类下基金行业配置对比，理清分类选择依据。

- 图40（页22） 主动权益基金港股配置逐年上升趋势，经济背景佐证。

• 图41（页22） 以港股作为行业一级类别，平衡行业与区域配置。

- 公式（页23） FOF组合优化模型，行业及港股偏离控制，框架严谨。

• 表12&图42（页24） 基于风险控制FOF精选组合长期稳健超额统计及净值曲线。

4. 估值分析

报告未涉及传统意义上的估值模型，如DCF或市盈率法。报告核心在基金业绩比较基准和风险因子剥离，及因子选基和组合结构优化，属于量化投资策略研究而非企业估值分析范畴。

5. 风险因素评估

报告指出的主要风险包括：

• 市场环境变动风险：市场波动和宏观因素变动可能导致模型假设和指标失效。

- 因子失效风险：因子有效期不恒久，当前选基因子未来表现存在不确定性。

• 基准错配风险：合同基准和隐性基准匹配错误，会影响风险剥离和后续因子分析的准确性。

- 行业与区域配置偏离风险：组合未能有效控制行业与港股配置，可能引起超额收益波动扩大。

• 数据和模型局限性：基金持仓还原存在估计误差，隐性风险模型基于相关性假设，可能面临过拟合风险。

报告未明确给出缓解策略概率，但通过行业及港股配置约束、同类基金相关性筛选机制等手段进行风险控制，呈现一定风险管理思路。[page::1,24]

6. 批判性视角与细微差别

• 隐性基准方法依赖单一指数匹配，未采用多指数隐性基准，虽考虑计算效率但可能忽视基金混合风格复杂性。

- 隐性风险模型核心假设为同类基金收益相关性高即风险暴露近似，这一假设在极端行情或策略分歧大时可能失效。

• 因子改进框架依赖相关性加权及截面回归，存在数据滞后和模型稳定性风险。

- 非所有选基因子均适合隐性风险调整，调整可能导致某些因子预测能力下降，选取过程依赖历史表现，可能存在样本选择偏差。

• FOF组合行业与港股配置约束相对简单，未见进一步滚动调整或动态风险预算细节。

- 持仓还原方法多阶段迭代，模型参数和备选池选取规则将直接影响结果准确性，报告未详细说明操作细节。

• 报告整体基于历史数据拟合与回测，表现较好，但对未来市场突发事件或结构性变化是否能稳健适用未作充分探讨。

7. 结论性综合

本报告基于公募基金合同基准与实际投资风格错配的发现，首创性提出“隐性基准”概念，通过历史净值数据定量匹配最贴切的隐性基准，显著优于传统合同基准的跟踪误差表现。进一步，报告区分显性风险与隐性风险，针对传统显性因子模型（如Fama五因子）剥离能力不足和选基效果减弱的问题，创新构建基于基金净值相关性隐性风险模型。该模型同类基金相关性与相关性加权剥离机制大幅提升了基金收益剥离的解释力度和Alpha动量因子稳定性，表现显著优于传统模型。

将隐性风险模型推广应用于选基因子改进，形成统一的风险剥离和改进框架，报告以夏普比、隐形交易能力、收益类因子、波段交易能力等为例，展示了隐性风险调整带来的显著提升，组合层面的隐性风险调整综合因子取得了极佳的RankIC均值（13.99%）、年化RankICIR（3.18）与胜率（93.01%）。

结合基金持仓还原和行业划分，报告量化细化了基金行业及港股配置特征，并建立基于Wind一级行业和港股整体分类的风险偏离约束，设计严格行业及港股配置限制的FOF精选组合构建方案。该FOF组合表现稳健，年化费后超额收益8.86%，跟踪误差3.52%，超额收益信息比达2.31，多头年化超额信息比2.4，最大回撤与风险回撤比得到有效控制，在主流主动股基中业绩排名领先，具备较强的风险调整后收益优势。

该报告结合严谨的理论模型、丰富的实证数据与案例分析，以严密的量化框架系统揭示和解决了公募基金隐藏的基准匹配和隐性风险剥离难题，提出的隐性风险调整统一改进框架具有较强的创新性和实践指导意义，能够帮助投资者更准确地评价基金业绩、构建更稳定的选基因子、打造更优的FOF组合体系。

----

参考来源页码：

该结论整理来源于报告全文，主要溯源页码为：[page::1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26]

版权声明

本解析基于国信证券2025年6月发布的《隐性风险视角下的选基因子统一改进框架》报告，结合所有图表与数据，独立编写，旨在提供一份全面精准的金融研究报告解构分析。

报告