研究背景与方法介绍 [page::0][page::1]

• 本文基于Hunter等（2014）提出的APB（Active Peer Benchmark）模型，通过构建基金组内的等权重平均收益，控制基金策略共性，从而提升基金业绩评估的准确性。

- APB扩展模型将APB作为因子加入传统Fama-French四因子模型，有效降低基金残差的相关性，提升alpha估计的准确度。

数据及实证模型设计 [page::3][page::4]

• 选取1980-2010年美国共同基金月度净值收益数据，区分大/中/小盘股及价值/成长等9类基金组。

- 基准模型为标准Carhart四因子模型，拓展模型在回归中加入APB组残差因子 $\varepsilon_{APB}$ 及其调整。

• APB收益为组内基金等权重平均净超额收益。

APB基准的业绩表现 [page::4]

• Table 1显示多个基金组在1980-2010年的APB alpha多为正，显著表示组内基金确实存在共同的正向超额收益。

- APB有效捕捉组内的特殊风险因素，提高了模型解释力。

残差相关性分析 [page::5]

• 表2与图2展示不同基金组之间残差存在显著正相关，说明基金策略存在共性。

- APB扩展模型显著降低组内基金间残差的正相关比例，实现了风险的更好控制。

• 表3数据显示加入APB扩展回归后，正相关残差比例明显下降，模型更能区分基金间独特价值。

Alpha估值及显著性分布 [page::6][page::7]

• APB扩展模型使显著正负alpha基金比例更合理，控制共同策略下表现为正alpha的基金比例降低，提示部分alpha源自共同策略，而非单基金经理能力。

- 样本外检验中，以APB扩展模型t统计量排序基金构建的投资组合未来一年表现更优，特别是在小盘基金中表现更明显。

• 图5与表5展现了此持续性和显著性。

净费用alpha及稳健性检验 [page::8][page::9][page::10][page::11]

• 控制费用后，APB模型依然显著优于传统四因子模型，识别出的优质基金更能跑赢大盘。

- 稳健性检验包括：
- 加入被动指数及流动性因子模型，APB模型仍表现最优，且流动性因子无法替代APB的作用。
- 使用规模加权APB模型结果一致，表明APB适用性广泛。
- 采用基金自定义基准验证分类的稳健性。
- 多个APB因子模型虽能拟合稍优，但易过拟合，建议使用单因子模型。

• 债券基金应用同样显示APB因子提升了管理能力的识别。

投资应用与策略建议 [page::5][page::7][page::11]

• 投资者可利用APB模型筛选基金，实现基于积极同业基准的资产配置。

- APB因子作为交易资产具备实用价值，有助于优选真正具备管理能力的基金经理。

• 通过对Alpha的调整和样本外绩效验证，APB扩展模型提升了业绩预测的准确性，并减少了因共同策略带来的误差。

海外文献推荐(第73期)：基于APB指标的共同基金业绩评估 —— 详细分析报告

---

一、元数据与报告概览

• 报告标题：海外文献推荐(第73期)：基于APB指标的共同基金业绩评估

- 发布机构：天风证券股份有限公司，金融工程团队（吴先兴团队）

• 发布日期：2019年1月30日

- 分析师：吴先兴 等

• 研究对象：美国共同基金绩效评估，重点在主动同业基准（Active Peer Benchmark，简称APB）的应用和效果分析

- 文献来源：Hunter D, Kandel E, Kandel S 等发表在《Journal of Financial economics》（2014年第112卷第1期）的论文《Mutual fund performance evaluation with active peer benchmarks》

• 报告核心观点：

- 提出基于APB指标的基金业绩评估方法，认为通过构造同行业等权重平均基金收益（APB）作为基准，可以更好解释基金业绩中的共同部分，改善传统四因子模型的 alpha 估计。
- 该方法显著降低了基金间残差的相关性，提高了基金经理未来收益预测的准确性。
- 实证结果表明，APB扩展模型优于传统模型，能够更有效识别具持续超额收益的主动管理基金，并对不同股票及债券基金均适用。

• 目标：向中国投资者介绍APB指标方法的理论基础、实证表现及应用价值，提升共同基金业绩评价的科学性和实用性[page::0,1,2]

---

二、逐节深度解读

1. 引言与研究背景

• 关键论点：主动管理基金普遍采用的业绩评估难以捕获内部策略的共性因素，导致残差序列相关性高，影响 alpha 的准确估计。传统的报道业绩主要基于夏普比率、Jensen's alpha、Fama-French三因子乃至Carhart四因子等模型，虽然经典但未能充分解释基金经理间策略相似性。

- 底层逻辑：基金经理往往不完全独立地构建策略，基金产品往往表现出同质化现象，导致业绩评估的残差误差项存在共性风险，忽视这一点可能高估或低估个别基金经理的真实能力。

• 创新点：提出APB，即同行业等权重基准收益，将同类基金作为基准来解释共同策略的风险溢价，补充四因子模型以捕捉未被传统因子解释的共性残差，提高alpha的估值精度。

- 实际意义：该方法简单、易于实现，不局限于股票基金，且基准来自可投资资产，便于机构及散户应用[page::0]

2. APB指标定义与经济模型

• APB定义：对于某一类别的主动管理基金，APB为该组基金当月初可交易所有基金收益的等权重平均，体现该组基金的共同表现。

- 数学表达：
- 基金i在时点t的净超额收益定义为 $r{i,t} = R{i,t} + m{i,t} - r{f,t}$ ，其中$R{i,t}$扣除费用后的净收益，$m{i,t}$为管理费，$r{f,t}$是无风险收益。
- APB收益为组内基金收益的平均：$r{APB,t} = \frac{1}{N{APB}} \sum r{i,t}$。

• 模型扩展：

- 基本资产定价模型的误差项包含共性风险 $Lt$，基金残差项为 $\varepsilon{i,t} = \rhoi Lt + \omega{i,t}$。
- APB扩展模型中引入APB残差 $\varepsilon{APB,t}$ 代替 $Lt$，提高alpha估计的准确性，即模型为：

$$
r{i,t} = \alphai + \betai ft + \frac{\rhoi}{\rho{APB}} \varepsilon{APB,t} + \left[\omega{i,t} - \frac{\rhoi}{\rho{APB}} \omega{APB,t}\right]
$$

• 经APB调整的alpha模型引入APB的alpha，区分基金经理个人能力和共同策略的贡献，若基金绩效完全来自共同策略，则经调整的基金alpha为零。

- 总结：该模型通过内生控制共同策略的风险特征，提高主动管理基金真实alpha的估计精度[page::1,2]

3. 数据与实证研究设计

• 数据来源：使用1980年1月至2010年12月的CRSP美国股票共同基金月度净值数据，剔除佣金份额以减少交易成本影响。

- 基金分类：
- 基于基金招募说明书及Morningstar等行业标准，采纳9大类股票基金分组（大盘股、中盘股、小盘股，每类再分价值、成长和总体三种风格），对应Russell系列指数。
- 稳健性检验阶段引入Cremers和Petajisto指定的被动基准分类，控制自身基准选择错误的风险。

• 实证模型：

- 采用Carhart四因子模型作为基准：

$$
r{i,t} = \alphai + \beta{r m r f} r{r m r f} + \beta{s m b} r{s m b} + \beta{h m l} r{h m l} + \beta{u m d} r{u m d} + e{i,t}
$$

其中r为净收益减无风险利率，四因子分别代表市场超额收益、市值、小市值与价值比动量因子。
- 拓展模型通过在回归中添加APB残差 $\varepsilon{APB,t}$ 调节，进一步控制组内共同策略的波动影响。

• 回归窗口：使用至少拥有30个月有效数据的基金，三年滚动回归分析。

- 目标：评估加入APB因子对alpha估计准确性和基金业绩区分能力的提升[page::3,4]

---

三、图表与数据深度解读

表1：股票APB的Alpha表现

• 表示1980-2010年不同时间段内，不同基金分组的APB四因子alpha和对应的t值。

- 观察到部分时间窗口内APB具有显著正alpha，尤其在1980-1982、1998-2000及长期1980-2010期，显示对应投资组合整体存在超额收益。

• 不同细分组别的APB alpha表现变动，表明基金间存在不同程度的共同时变业绩和策略差异。

- 这为后续引入APB因子解释基金间共同波动提供了实证基础[page::4]

表2：APB残差间相关性（组间基金策略共性）

• Panel A显示36对基金分组的四因子残差彼此高度正相关（35对达到10%显著水平），说明跨组策略存在共性风险。

- Panel B针对此类相关性进行指数残差的比较，发现指数相关性与基金APB残差相关性存在差异，提示除了非完美因子定价外，共同策略的存在贡献显著。

• 结果确保考虑基金间的共性风险至关重要，普通的四因子模型未能充分捕获这些相关性[page::5]

表3＆图3：单只共同基金残差相关性比例

• 四因子模型残差显著正相关比例高于负相关，且无明显时间趋势，说明模型未能消除基金策略的共性。

- 加入APB因子后，正相关比例显著降低，尤其高峰期消失，表明APB有效控制了组内共性风险。

• 该结果表明，APB作为补充因子极大地改善了系统风险因子对基金收益的解释力[page::5,6]

表4＆图4：具体基金alpha显著性比例及因子载荷情况

• 在基准模型（四因子）中，有较大比例基金表现出显著正或负alpha。

- APB扩展模型筛除基金间共性策略所贡献的alpha后，显著正alpha的比例下降，负alpha比例上升，说明部分alpha来源于共同策略，而非个人能力。

• 不同因子（市场、小市值、价值、动量）显著比例及APB因子系数的统计意义也体现了APB因子的重要性。

- 表明基金业绩评估须区分共同策略贡献与基金经理的个人超额收益[page::6,7]

表5和图5：样本外业绩验证（费用前alpha）

• 基于APB扩展模型计算目前的统计显著alpha，用其排序基金并考察下一年超额收益。

- 结果显示分组内前25%基金具显著的业绩持续性，尤其小盘基金在群内差异表现更为突出。

• 说明APB模型在样本外具有良好的预测能力，有效识别续航能力较强的基金经理[page::7,8]

表6和图6：样本外投资组合收益的进一步空间分布分析

• 通过比较APB扩展模型和标准四因子模型排序差异，发现APB因子提升了模型对“优质”基金的识别度。

- 控制共同策略 alpha 后，持续性有所减弱但依然存在，支持APB控制共同风险的有效性。

• 提供实际可操作的投资策略参考价值[page::8]

表7和图7：基金费用后的净收益alpha样本外表现

• 相较费用前表现，净费用后的alpha有所下降，体现费用对实际收益的侵蚀。

- APB模型依旧优于标准四因子模型，更准确辨别在扣费后仍具持续超额收益的基金。

• 说明APB模型不仅适用于理论上的alpha评估，也与散户实际投资回报紧密相关[page::9]

表8、9和图9：稳健性检验（被动基准和流动性因子加入）

• 将被动指数及Pastor-Stambaugh流动性因子纳入四因子模型，检验APB模型的有效性。

- 结果显示APB模型筛选的基金持续性优于被动基准模型和流动性因子模型，表明APB捕捉的是不同且实质性的基金管理能力。

• 通过规模加权与自定义基准分类，同样确保APB模型稳健，未见显著偏误或特异效应。

- 同时采用多个APB因子模型虽能捕获更多特征，但存在过拟合风险，单一APB因子已具备良好性能。

• 在债券基金中，APB模型同样表现出与股票基金类似的识别能力，尽管强度略低。

- 结论强化了APB指标作为业绩评估的重要补充工具[page::10,11]

---

四、估值分析

本报告主要为共同基金业绩评估的量化研究，核心在于统计模型的构建与检验，未涉及传统意义上的公司估值分析，如DCF、市盈率等。因此无直接估值方法论分析。

---

五、风险因素评估

• 风险识别：

- 共同策略导致基金残差高相关，过度忽视这一点会高估基金经理的管理能力。
- 多APB因子模型容易产生过拟合问题，可能导致模型稳定性下降。
- 被动基准和流动性因子的影响需妥善区分，防止市场误差购买。
- 数据选择上的自我选择代理风险，例如基金基准选择错误。

• 潜在影响：

- 残差相关性如未适当控制，则alpha估计误差大，投资决策失误。
- 过拟合可能导致样本外表现恶化，降低模型实际应用价值。

• 缓解措施：

- 设计APB模型并严格控制残差相关性。
- 使用等权重APB代替规模权重避免过度依赖大基金。
- 多分类方法稳健性测试验证结果一致性[page::4,5,9,10]

---

六、批判性视角与细微差别

• 报告陈述了APB模型明显优于传统四因子模型，但也提到加入多个APB因子可能产生过度拟合，暗示该方法的灵活性和普适性受到一定限制。

- 报告数据样本来自美国市场，虽然对债券基金作了初步应用，但结果的跨市场适用性和面对其他资产类别时的有效性仍需进一步验证。

• 报告强调净费用前后alpha的差异，反映管理费对基金表现的重要冲击，说明APB模型需结合实际费率考虑，避免过于理想化的结论。

- 报告中虽提及APB作为“可交易资产”，但没有具体阐述实施策略的交易成本、流动性及实际操作复杂度，投资者需额外关注实际交易障碍。

• 报告整体呈正面积极，但未过分宣称APB模型绝对优越，体现较好的学术严谨性[page::0-11]

---

七、结论性综合

总体来看，本报告详细介绍了基于积极同业基准（APB）的共同基金业绩评价方法，系统证明了该方法在降低基金间残差相关性、提高alpha估计准确性和提升对基金经理真实管理能力识别的优势。

• 理论贡献：

- APB因子捕捉了传统因子模型未能涵盖的共同策略风险，显著改善残差结构，提高了alpha的计量准确性。
- 分析框架包括基准模型（Carhart四因子）、APB扩展模型以及经APB调整的alpha模型，系统完整。

• 实证结果亮点：

- APB模型中，绝大多数基金组的APB显示出不同程度的显著超额收益，基金组间和组内的残差均存在较明显的共性和相关性。
- 加入APB因子后，基金残差相关性大幅降低，说明APB有效捕获了共同策略风险。
- 样本外表现显示基于APB模型所筛选的基金显示出更好的alpha持续性和更强的未来业绩预测力。
- 在考虑费用后，APB模型同样保持较高识别力，实际应用中更接近散户投资真实情形。
- 针对被动指数和流动性因子的稳健性测试表明，APB的贡献不仅仅是市场错误定价或流动性风险，实际上更代表管理能力差异。
- 债券基金业绩评估显示APB模型适用范围广泛。

• 投资意义：

- APB因子可作为主动基金业绩评估的重要补充工具，帮助投资者更准确鉴别真假alpha，避免盲目追逐策略共性带来的“虚假阿尔法”。
- 基于APB的基金组合策略便于实施，特别适合机构和散户投资者应用。

• 图表深度洞察：

- 多张表格和图形直观显示了残差相关性下降、alpha显著性比例变化及样本外业绩提升，数据支撑结论充分。
- 实证回归细节反映了四因子模型与APB扩展模型的巨大改进，数据准确度和回归统计值均较为稳健。

综上，APB指标方法从理论创新到实证验证均显示其提高基金业绩评估科学性的巨大潜力，拓展了现有绩效分析框架，推动主动基金管理能力研究向前发展。[page::0-11]

---



---

参考与声明

• 本报告基于公开文献和天风证券研究所研究成果，内容不构成具体投资建议。

- 投资者应注重风险管理，结合自身情况审慎决策。

• 详细报告及风险提示详见完整版本。

---

（全文完）

报告