满仓干？！揭秘基金经理如何构建股票FOF

FOF一般是以组合投资的方式进行分散配置，降低风险，通常会选取相关性较低的资产/策略进行搭配。上周，我们已经研究了单一策略其实可以构建FOF（参考《FOF底层一定要是多策略吗？》），经过细致的数据进行量化测算，选取不同的细分子策略、子基金合理搭配即可。

那么，如果组合内的底层配置都是投资股票市场，做一个纯股票投资的FOF，该如何去构建呢？我们是否需要考虑相关性问题，以及能在多大程度上减小回撤？会有超额收益，还是会和指数基本上保持着同样幅度的涨跌趋势？

就这些问题，最近我们从数据模型入手，进行量化测算，给大家分析了一下。

什么是股票多头策略？

顾名思义，股票多头策略就是通过对市场环境的研究和分析，在合适的价位选择买入看好的股票，并在股价上涨至某一价位时卖出进行获利的策略。

一般来说，与现金和债券相比，股票被认为是投资风险更高的资产类别。股票的表现与多种因素有关，主要包括宏观经济因素以及持仓的公司。然而，事实证明，股票策略的历史回报率高于银行定期存款等传统投资，但也要承担相应的风险。

作为全市场最主流的一种策略，股票多头策略深受众多投资者所喜爱。它往往是高仓位运行，很少利用衍生品或者对冲工具来进行策略投资风险的对冲，当不看好后市时，一般会选择降低仓位。

股票多头策略通常不以每年的绝对收益多少作为目标，而是会拿这只基金跟指数相比，在大部分的时候，根据相对收益来判断这只基金做的到底好不好。股票多头策略的收益特征是高风险、高收益相伴相生，一体两面，盈亏同源。

在私募策略中，股票多头的产品可以大致分为主观多头和量化指数增强两类。主观投资通过对宏观经济的判断，寻找当前经济环境下看好的企业，更多的是去评估公司未来的成长空间；而量化是根据历史数据挖掘因子，进行统计学分析，从市场的波动中寻找投资机会，投资过程更依靠量化模型。从趋势上来讲，主观与量化都会是未来中国私募基金发展的重头戏。

股票多头策略的分类

股票策略中大家非常熟悉的有价值投资和成长投资，这两类投资风格最为显著，很多基金的名字里面就旗帜鲜明地将“价值”、“成长”明确标示出来，比如XX价值回报、XXX成长优选等，以此展示该基金的投资理念。

从股票策略的分类来看，这两类都属于主观多头，两者兼而有之、同时兼顾的一般称之为均衡风格，根据市场情况实时调仓捕捉交易热点、跟踪投资趋势的一般称之为灵活配置风格（择时、主题轮动）。

量化多头策略相比主观多头策略更偏重定量决策，通过预先设置的多因子模型输出交易及风控信号，以程序化的方式快速实现对市场盈利及风险的捕捉，具备高纪律性，交易频率、持股数量相对主观多头策略显著较高。

量化多头策略一般是利用因子（包括基本面因子、量价因子、机器学习因子、另类因子），为每项因子设定一定权重，来构建多因子模型从而进行选股。然后通过回测拟合，最后进行实盘执行交易。

因子通俗来说就是风险敞口，不同的量化多头策略利用不同的因子进行定量分析测算，执行策略交易，交易频次一般分为T0、中高频、中低频等。

股票策略FOF该如何考虑相关性？

股票多头策略分类其实还有很多，在此仅做一些简单介绍，更多内容可以关注后了解。我们从股票多头策略的各个分类当中，分别选取不同的股票私募管理人，搭建FOF组合。

根据这些私募产品的业绩测算发现，它们之间的正相关性比较明显。其实这也很容易理解，因为底层投资的都是股票资产，国内的股票市场虽然分为沪深市场、北交所，还有主板、中小板、创业板、科创板等，但互相之间关联性较强，涨跌趋势趋同。

同样是利用风险平价模型配置，单只子基金占比上限15%，构建股票策略FOF，根据历史数据回测发现，近一年来区间收益1.94%，远超同期沪深300指数-13.5%的收益。

不过，我们注意到一个问题，就是纯股票策略的FOF该如何考虑相关性？

资产之间的相关系数描述的是资产收益率各自围绕均值波动的一致性程度。而风险平价模型能实现不同类别风险的对冲，依赖于不同经济环境下各资产收益率均值的负相关性，这与不同资产在时间序列上的负相关并不等价。

同时，资产的波动并不独立，资产之间相关性的变动意味着资产之间可替代性的变化。在考虑资产相关性的情况下，我们采用层次聚类的方法，对FOF底层的资产进行聚类，之后做相关性矩阵调整，再次计算各类资产的权重，据此调整组合配置。

博取经过风险测算后的更高收益

如果不同资产之间的相关系数接近1，说明两资产的波动方向近乎一致，波动幅度也存在一定的比例关系。在进行权重分配时，模型需要结合这一特性进行调整，或应低配与其他资产相关性高的资产。这是我们调整组合配置的基本原则。

而层次聚类可以更好地将资产/因子划分为具有相似特征的集群，从而缓解协方差矩阵求逆过程中可能存在较大误差的问题。其核心思想为首先对组合资产进行层次聚类，即根据资产间的相关性强弱进行逐层聚类，形成一个树状图，树的叶节点表示网络。

树杈的最底层节点为排好序的资产，表现相似的资产被放置于相近的位置，在协方差矩阵中的表现为较大的值沿着对角线分布。在此基础上，再运用二分法与波动率平价法对重新排序的资产进行权重求解。该方法在保留部分主要相关性信息的同时，可以忽略其他相关性带来的噪声。

最终，我们使用经过测算调整后的HRP风险平价模型配置，单只子基金占比上限15%构建组合，这样就得到了一个和一开始明显不同的股票多头策略FOF，姑且称之为FOF组合-HRP，近一年的区间收益为2.88%，超过之前的FOF将近1个百分点，而在回撤方面则承担了稍微更大一点的幅度。不过相对来说，依然保持了组合的稳健，同时博取了远超沪深300指数基准的更高收益。

在这个意义上，这一策略构建是十分有效的。

尽管我们选取的是最近一年的区间范围，股市走出了大幅震荡、深V形态的过山车行情，但是和沪深300指数基准相比，股票多头策略的FOF组合回撤幅度少了将近一半，获得了将近2%的正收益，远超基准15个百分点，而经过调整后的组合，收益表现则又更上层楼。

不过，这一模型的长期有效性仍然需要选取更长的时间区间进行测算，增加更多的FOF组合样本。如果您对此有兴趣，或者有什么观点和看法，欢迎关注并和我们探讨交流。

本文由海川慧富旗下海川HighTrust首发