如何选择风险预算以内的固收+基金是摆在不少年金、理财和保险类资管面前的一大课题。我们在报告中创设了两项工具，通过机器学习来习得两者之间的映射关系。继而通过对于后续市场底层资产的风险预估，来实现选择符合回撤预算的基金。此外，我们还通过聚类+降维的算法，来进一步找到满足回撤要求的基金中的代表产品。基于上述两项工具，我们进一步编制了两类固收+组合。这2类固收+组合均实现相较纯债基金的收益增强效果。
即使2024年以来股票与转债市场整体仍偏弱，但广义固收+资管规模还在持续扩充。如何选择风险预算以内的固收+基金是摆在不少年金、理财和保险类资管面前的一大课题。
实践中，被认为是常规操作的历史最大回撤筛选，往往可能既跑不赢基准，也没完全控住回撤。面对不高的风险预算，一些投资者通过历史回撤筛选产品，例如筛选过去2年最大回撤低于5%的产品来构建基金组合。实际存在的问题是：
1. 从实际效果来看，这类固收+并没有跑赢中长期纯债基：如下图，我们依据不同历史回撤作为约束来构建固收+基金组合。2018年以来中长期纯债基金年化收益3.89%，而各类约束的组合年化收益均落后20bps以上。
2. 从实际逻辑来看，这类固收+回撤可能得到适度控制，但不完全理想：假设回撤约束的观察窗口是滚动2年，净值区间内可能并没有发生尾部风险事件，这是历史法常见的瑕疵。或者区间内已经发生了尾部风险，而尾部风险本就是极小概率事件，这时也需要对应调整。
注：(1)策略自2017年12月29日起建仓，起始点净值为100，截至2024年9月25日；(2) 基础基金池为①基金分类属于一级\二级债基、转债基金和偏债混基；②过去2年基金已公告的净资产平均值大于2亿元；③过去2年基金中股票与转债的合计持仓大于0%的产品；④非定开基金且最短持有期不大于3个月；(3)策略是自起算日开始，季度末进行基金筛选，等权重分配，未考虑交易成本和交易时滞
资料来源：Wind，中金公司研究部；
注：数据截至2024年9月25日
资料来源：Wind，中金公司研究部；
此外，对于资方或FOF投资者来说，还存在的常见问题包括：
3. 符合条件的固收+基金往往较多，如何进行筛选？以5%回撤为约束，目前含权规模以上的固收+基金数量已超过160只(若含最短持有期存在限制的基金则有450只以上)，“摊大饼”的基金投资性价比不高，且固收+基金整体风格差异有限，因此需要选择代表基金。
4. 如何分配权重以避免分散后的风险预算过剩？因为大部分约束回撤的组合，受益于等权分配，实际回撤均显著小于约束条件，即预算过剩。如何再通过权重调配、杠杆利用来使得组合效用提高是实务中另一应用的方向。
对于上述问题，我们的思路是创设两个工具来解决痛点②和③，再通过一些组合思路解决痛点①。
工具一：调整基金的风险刻画：例如一个股二债八的被动固收+产品，我们若预估股票最大回撤10%，债券最大回撤2%，股债相关性至0，则产品潜在最大回撤约为3.6%。但大部分固收+产品涉及不同择券和择时策略，也有不同杠杆暴露。因此我们需要构建底层资产风险与基金风险的关系，即刻画底层资产表现和基金表现之间的映射关系。
工具二：找代表基金：先将基金进行分类，而后在每一类产品中，找到相对具有代表性的产品。具体做法为通过聚类+降维算法，来选择具备不同策略特征的典型性产品。
我们以下具体阐述两类工具的逻辑和实现方案：
历史回撤的局限性在于回看窗口。而若我们假定基金的回撤与底层资产表现存在一定关联，即基金A回撤=f(基金A底层资产情况)，我们是可以试图估算当底层资产出现尾部风险时，基金的潜在回撤。首先我们通过四个指标，股票基金指数期间最大回撤、纯债基金指数期间最大回撤、股债基金相关性和现金资产收益率，来刻画各个期间的市场情况。再通过xgboost算法来学习市场情况对于各个基金的期间回撤所带来的影响，即每一个基金具备一个不同的函数式。而后通过假定市场“最坏”的情况，来测算各个基金潜在的回撤，以此进行筛选。
图表4：较弱环境下，固收+基金的预期未来一个季度的回撤分布
注：(1)我们假定较弱的市场情况为股票型/债券型基金过去5年季度最大回撤的95%分位数，现金年化收益过去2年95%分位数，股债相关性为0；(2)数据截至2024年9月24日
资料来源：Wind，中金公司研究部；
def retSepSects(mat, n):
# 将历史数据进行分段
num_rows = len(mat)
segment_indices = [0] + [num_rows // n * i for i in range(1, n)] + [num_rows]
segments = [mat.iloc[segment_indices[i - 1]:segment_indices[i]] for i in range(1, n+1)]
return segments
def preprocess(dfX, dfY, n=8):
# dfX为各个基金的净值，dfY为债券型基金、股票型基金和现金指数的净值
dfData = dfX.join(dfY).fillna(method='ffill')
segments = retSepSects(dfData, n)
dfRet = pd.DataFrame(index=dfData.columns)
dfRet.loc['相关性',:] = np.nan
for i, segment in enumerate(segments):
dfRet[i] = calMDDs(segment.drop('现金', axis=1)) # 计算最大回撤
dfRet.loc['现金', i] = calAnnualRet(segment, '现金') # 计算年化现金成本
dfRet.loc['相关性', i] = calCorr(segment, '股', '债') # 计算股债相关性
return dfRet.T
def train(mat):
# 对单一产品进行回撤预测的函数建模
x = mat[['股', '债', '现金', '相关性']]
Y = mat.drop(['股', '债', '现金', '相关性'],axis=1)
modelDict = {}
for fund in Y.columns:
modelDict[fund] = xgb.XGBRegressor(objective='reg:squarederror',
max_depth=2, learning_rate=0.1, n_estimators=50)
modelDict[fund].fit(x, Y[fund])
return modelDict
例如，我们需要对市场在管规模在2亿元以上，同时近两年权益持仓维持在10-20%之间的固收+基金，进行回撤估算：我们可以分5步进行：
1. 获取样本基金过去两年的基金净值，同期股票型基金指数、债券型基金指数和现金指数的净值；
2. 将历史数据进行分段，并依据指数净值计算四个市场状态的刻画指标；
3. 对于历史数据的进行训练，获取市场状态与基金回撤之间的潜在关系式(xgboost模型参数)；
4. 计算市场极端环境下的底层资产的表现情况(5年，95%VaR)；
5. 利用潜在关系式，计算基金对应极端情况的表现。
资料来源：Wind，中金公司研究部；
注：数据截至2024年9月10日
若以5%回撤作为仅有的筛选条件，实际可以选择的固收+基金可能超过1000个。那么如何从中进行选择？我们的想法是选择其中具备代表性的基金。一个解决方案是，先通过历史收益率数据分组，以将同类型(策略/净值表现相似度高)的基金进行归类，实践中我们以k-means进行归类。再通过识别同一组中最具备代表性的基金，来选择整体的代表基金。实践中我们以同一组基金滚动的五日涨跌幅作为特征，进行主成分提取(PCA)，并选择对应载荷最高的基金作为代表基金。
def getPCA(matPct, n_component=1):
# 找到第一主成分中最重要的特征
scaler = StandardScaler()
scaled_data = scaler.fit_transform(matPct)
pca = PCA(n_components=n_component)
pca.fit_transform(scaled_data)
arrayIdx = pca.components_.argsort(axis=1)[:,:1]
return matPct.columns[arrayIdx][0][0]
def selectTypicals(mat, n=20):
# 首先进行Kmeans分组，而后各组内选择最具有代表性的基金
km = KMeans(n_clusters=n, random_state=42)
t = mat / mat.std()
km.fit(t.values.transpose())
srsRet = pd.Series(km.labels_, index=mat.columns)
tempCodes = []
for i in np.arange(0, n):
tempCodes.append(getPCA(mat[srsRet[srsRet==i].index]))
return tempCodes
例如，我们在“市场在管规模在10亿元以上，同时近两年权益持仓维持在10-20%之间的固收+基金”中，选择代表基金(以2024年9月10日为截止日，样本数量为46个；权益仓位等于股票仓位+转债仓位*0.5，以占净资产为基准)，具体分三步进行：
1. 计算样本基金过去两年的周度涨跌幅数值；
2. 通过K-means来将样本基金进行分类，这里我们暂取簇数为5；
3. 通过PCA提取每一组中的第一主成分，并获得各个基金对第一主成分的贡献情况，选取贡献最大的基金。
要注意，所谓代表基金并不一定是同一组里表现最好的，也并不一定是其中规模最大的，而仅是其净值变化情况“相对最能够代表”这一组产品的。
资料来源：Wind，中金公司研究部；
注：数据截至2024年9月10日
组合方案一：通过上述两个工具，将满足要求的固收+基金直接进行组合。
组合方案二：对于固收+基金先进行分层并各自约束风险，而后通过整体的回撤约束进行精选，最后合并组合。
首先我们对整体可投固收+基金进行回撤约束。其中可投基金为①基金过去2年存续且规模最小大于2亿元；②基金最短持有期小于或等于3个月，且非定开型基金；③基金过去3年权益类资产占比至少大于0。而回撤约束为季度窗口下，要求拟合回撤要求2%以下。同时我们要求基金过去半年收益率跑赢中长期纯债基指数。
资料来源：Wind，中金公司研究部；
注：数据截至2024年9月25日
资料来源：Wind，中金公司研究部；
注：数据截至2024年9月25日
其次我们对筛选后的基金池进行分组，选取10个样本基金(若符合要求的基金数量不足10个，则不进行分组)。等权组合下，该组合的表现与全基金池指数接近。前者年化收益为4.11%，后者年化收益为4.30%，最大回撤分别为2.29%和2.60%。
资料来源：Wind，中金公司研究部；
注：数据截至2024年9月25日
所谓分层控回撤的含义在于，对于不同权益中枢的产品而言，回撤的约束需要有所放宽。举例而言，对于权益资产中枢在0-10%之间的产品，其季度回撤可能控制在1%以内；对于中枢在20%以上的产品，其季度回撤可控制在4%以内。分层之后，我们分别依据回撤约束和相对超额进行筛选。最后再分层选择对应的代表基金。
具体实践上，我们依据过去2年基金的平均仓位，按照0-10%，10-20%和20%以上分为三档，分别约束季度最大回测为1%、2%和4%，以及过去半年跑赢中长期纯债基金。最后选择各层中的3个代表基金。从2018年以来，该组合模式的效果相对较好，若以风险平价进行调整后，整体风险收益比较高。
资料来源：Wind，中金公司研究部；
注：数据截至2024年9月25日
资料来源：Wind，中金公司研究部；
注：数据截至2024年9月25日
• 我们提出两个基金筛选的工具，第一是预估基金潜在回撤的模型，以此补充历史回撤指标的局限性；第二是找到基金池中代表基金的模型，以此降低实务中的覆盖难度。我们依赖这两个工具，探索了当前在回撤要求较高的背景下，如何选择固收+基金的两条路径。其一是整体回撤约束下，选择超额收益较高的部分，进行组合；其二是进行分层回撤约束，并选择相对收益较高的产品进行组合。两类组合基本都能实现回撤约束下，对中长期纯债基金的超额收益。
• 固收+虽然从定义上，意在突破资产有效前沿的边界，但实际过程中在回撤约束下持续获得超额收益是不容易的。我们也可以看到，在没有加入更多对基金经理择券能力量化表征的情况下，固收+FOF要做超额，更依赖于产品策略的多样性。23Q3以来，固收+基金的单体规模已缩减到10亿元以下，规模已不是固收+策略同质性高的掣肘。我们期待后续随着市场企稳，固收+基金的策略多样性能够进一步显现。
模型对于基金风险的刻画失真，依据算法筛选代表基金的方式与实际基金策略情况出现较大偏移，资金面价格超预期调整，机构者行为超预期变动。
本文摘自：2024年9月26日已经发布的《如何选择风险预算以内的固收+基金》
杨 冰 分析员 SAC 执业证书编号：S0080515120002 SFC CE Ref：BOM868
罗 凡 分析员 SAC执业证书编号：S0080522070003 SFC CE Ref：BUL744
陈健恒 分析员 SAC 执业证书编号：S0080511030011 SFC CE Ref：BBM220
特别提示
本公众号不是中国国际金融股份有限公司（下称“中金公司”）研究报告的发布平台。本公众号只是转发中金公司已发布研究报告的部分观点，订阅者若使用本公众号所载资料，有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的关键假设、评级、目标价等内容产生理解上的歧义。订阅者如使用本资料，须寻求专业投资顾问的指导及解读。
本公众号所载信息、意见不构成所述证券或金融工具买卖的出价或征价，评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。该等信息、意见在任何时候均不构成对任何人的具有针对性的、指导具体投资的操作意见，订阅者应当对本公众号中的信息和意见进行评估，根据自身情况自主做出投资决策并自行承担投资风险。
中金公司对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果，中金公司及/或其关联人员均不承担任何形式的责任。
本公众号仅面向中金公司中国内地客户，任何不符合前述条件的订阅者，敬请订阅前自行评估接收订阅内容的适当性。订阅本公众号不构成任何合同或承诺的基础，中金公司不因任何单纯订阅本公众号的行为而将订阅人视为中金公司的客户。
一般声明
本公众号仅是转发中金公司已发布报告的部分观点，所载盈利预测、目标价格、评级、估值等观点的给予是基于一系列的假设和前提条件，订阅者只有在了解相关报告中的全部信息基础上，才可能对相关观点形成比较全面的认识。如欲了解完整观点，应参见中金研究网站（http://research.cicc.com）所载完整报告。
本资料较之中金公司正式发布的报告存在延时转发的情况，并有可能因报告发布日之后的情势或其他因素的变更而不再准确或失效。本资料所载意见、评估及预测仅为报告出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。证券或金融工具的价格或价值走势可能受各种因素影响，过往的表现不应作为日后表现的预示和担保。在不同时期，中金公司可能会发出与本资料所载意见、评估及预测不一致的研究报告。中金公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论和/或交易观点。
在法律许可的情况下，中金公司可能与本资料中提及公司正在建立或争取建立业务关系或服务关系。因此，订阅者应当考虑到中金公司及/或其相关人员可能存在影响本资料观点客观性的潜在利益冲突。与本资料相关的披露信息请访http://research.cicc.com/disclosure_cn，亦可参见近期已发布的关于相关公司的具体研究报告。
本订阅号是由中金公司研究部建立并维护的官方订阅号。本订阅号中所有资料的版权均为中金公司所有，未经书面许可任何机构和个人不得以任何形式转发、转载、翻版、复制、刊登、发表、修改、仿制或引用本订阅号中的内容。
