基金评价新视角：统计学方法在业绩评价中的全新应用

　　近十年我国公募基金迅速发展，其在市场中的地位愈发重要。随着公募基金的业绩表现进一步影响投资者利益，在全球经济形势复杂、市场波动加剧的当下环境，投资者如何选择优质的产品成为目前基金投资领域的一大痛点。《推动公募基金高质量发展行动方案》着重强调了基金业绩基准的重要性与约束作用，随着业绩基准的不断规范，基金的业绩评价将面临更高的要求与挑战。本报告就国内公募基金经理是否具备投资超额能力以及基金业绩评价这两大基金研究领域中的重点课题，从统计学视角出发深入探究前沿技术在其中的全新应用，以求为从业人员提供新思路与启发。

    　　为了验证国内主动权益基金经理是否具备投资超额能力，本报告采用Fama&French(2010)的方法对国内主动权益基金的超额收益横截面表现进行统计分析，并得到了与原论文关于美国共同基金市场截然不同的结论：（1）国内主动权益基金的真实业绩数据表现出其显著存在能够产生正超额的产品，由于与作为对照组的模拟数据生成的结果相比具有较大差值，基于此我们认为国内这批表现相对更为优异的权益基金所获得的超额收益并非来自运气，而是源于其自身优秀的投资管理能力；（2）采用三因素模型风险调整超额与超越基准收益两种指标来衡量基金超额时均得到与上述相一致的结果，然而两者之间的横截面表现存在一定差异，对于其中原因我们认为可能是国内权益基金的超额能力更多来源于选股而非风格择时。

    　　为了能够从历史数据中更好地挖掘基金经理的投资超额能力，本报告采用Harvey&Liu(2020)的检验框架，基于国内主动股票型基金对常见的业绩指标进行统计检验与分析，从而得到各单一指标的错选率、漏选率等核心指标，并得到结论：（1）对于单一基金业绩指标，其错选率显著高于漏选率，从而导致从业人员在通过业绩指标评选基金时有更大概率选出实际不产生正超额的产品；（2）对于不同基金业绩指标，其各自的错选率、漏选率以及相对比率均可能存在较大差异，这取决于指标本身的构建方式及其筛选基金时采用的阈值；（3）基金业绩指标的错选率与漏选率表现出显著的相互制衡关系，且不同指标间亦表现出不同，因此在选择业绩指标与确定其阈值时需要重点关注其错选率与漏选率的制衡关系。

    　　Harvey&Liu(2020)首次在“基金业绩评价中的MHT 问题”领域中引 入对错选率与漏选率指标的评估方法，该方法重点聚焦样本内数据，并充分利用基金的业绩表现数据来得到所需指标，因此该方法属于“数据驱动型(Data-Driven)”方法。传统验证过程将这种数据样本展现出的结构与分布的复杂性视为随机扰动或误差，而H-L 方法欣然接受这种数据间的差异并将其作为检验结果的自变量，从而进一步提升对样本内数据的挖掘能力。

    　　事实上构建高效的基金业绩评价具备较大的挑战。本报告介绍的HL方法进一步将分析的重心聚焦于数据，在评估业绩指标时将样本数据本身作为整个模型的参数，基于此在构建基金业绩评价体系时从业人员需要根据历史数据评选出有效性较强的业绩指标，这意味着不同的数据集可能产生不同的指标集合，导致该方法的计算量与复杂度相对较高，因此该方法与框架仍需进一步优化与完善。

    　　本报告通过统计模型验证得出了国内主动权益基金具备正超额能力的正面结论，这意味着在全市场中存在具备优秀投资管理能力的基金经理。由这些基金经理管理的产品从长期来看将产生正超额，相反投资管理能力不足的基金经理其业绩表现往往是不稳定的。基金业绩评价的工作建立在“优秀的投资管理能力能够持续”这一核心理念之上，通过历史业绩表现挖掘出具备优秀投资管理能力的基金经理即能够为投资者提供长期来看会产生正超额的产品，有利于投资者实现其长期回报与财富增长的目标。

    　　关于H-L 方法，限于计算能力与篇幅限制本报告仅对常见的单一业绩指标做检验，而该方法支持对更为复杂的业绩评价体系进行验证分析，并且其中部分算法与处理细节亦存在较多待优化的地方。如今经典统计学与AI 的理论研究发展迅速，我们认为将前沿学术成果应用于实务有望进一步推动基金评价领域的全方面健康发展，通过全新的视角来探索业绩评价方法能够为从业人员构建高专业度与完善的基金评价体系提供参考与启示。

    　　风险提示

    　　本报告大量采用统计学模型与模拟数据，因此读者需注意以下风险事项：（1）读者应明确区分报告中使用的真实市场数据与模拟数据，模拟数据并不代表真实市场情况，仅作为采用统计学模型做推断时的中间辅助数据；（2）本报告中使用的若干统计学模型与估计方法均借鉴于海外知名经济学家发表的论文，但不排除模型与方法在国内市场存在失效的可能，读者应对此保持谨慎。