量化专题 | 从跨期模仿行为中寻找公募基金的领先者、跟随者和独行者

报告摘要

本文从基金的从众行为特征出发，主要做了以下3件事情 ：1) 从跨期模仿持股的角度构建定量基金因子刻画基金的从众行为特征，包括跨期跟随效应因子与跨期领先效应因子；2) 根据因子给基金分类，研究不同类型基金的投资行为与投资能力；3) 构建可以落地投资的定量FOF策略。

基金因子构建 ： 首先基于公募主动权益基金的重仓持股信息，刻画历史上每个季末股票被基金重仓投资的热度。由基金持股向量与股票热度向量分别计算得到2个基金因子：跨期跟随效应IFF、跨期领先效应IFL。其中，IFF、IFL与其他常用的基金因子之间的相关性较低。

特征分类 ： 基于因子结果给基金分类：1)领先型基金：公募从众效应中的“领头羊”，引领热门投资方向；2)跟随型基金：公募从众效应中的跟随者，偏好追逐过去热门股；3)独行型基金：跨期跟随效应较低，不追热门，偏好过去的冷门股。从类型转移概率对比来看，稳定性排序为：独行者>跟随者>潜力者>领先者。

能力归因 ： 从基金历史长期业绩来看，独行者>领先者>跟随者。从分年度表现来看，独行者长期业绩优异且近几年持续领跑，领先者长期表现居中整体较稳健，跟随者大部分年份表现较弱。从业绩归因来看，领先者和独行者的选股能力较强，三类基金业绩差异的主要来源就是选股能力层面的差异。这三类基金的本质区别在于对热门股的态度不同。

按业绩二分 ： 叠加Sharpe因子进行二分，各细分类型基金组合的年化收益区分度更加显著。成功领先者平均年化收益率为12.47%，成功独行者平均年化收益率为14.16%，而失败跟随者平均年化收益率仅为7.95%。

投资启示 ： 1) FOF选基启示：在领先者类型基金池内选择过去Sharpe较高的基金，规避Sharpe低的。在独行者类型基金池内选择过去Sharpe较高的基金，规避Sharpe低的。规避跟随者类型的基金。2) 基金投资模仿策略：从个股“模仿”效果来看，我们可以模仿成功领先者或者独行者的重仓股票进行投资，抑或反向避免失败跟随者的重仓股票。另外，可以参考成功领先者的行业配置仓位，前瞻性地把握市场热点变化方向。

构建FOF策略 ： 1) 因子预测效果测试：跟随效应因子是预测基金未来业绩的负向因子，且具备较好的单调性；领先效应因子最大端的基金未来业绩通常较好。2) 成功独行者50组合：年化收益14.19%，相对885001.WI的月度胜率为62.96%。3) 成功领先者50组合：年化收益12.65%，相对885001.WI的月度胜率为60.00%。

一、引言

当投资者观察到市场其他参与者的行为后，放弃原有的认知并跟随其他参与者的行为被称为从众效应，这种从众效应属于行为金融学中常见的一种的非理性行为。近年来随着我国股票和基金市场的发展，公募基金的投资行为对股票市场的影响愈发明显，同时公募基金的从众效应对基金本身业绩也有较大的影响，因此，深入研究公募基金的从众效应特征愈发有必要性 。

这方面早期的学术研究主要聚焦于从众效应的存在性问题。关于如何从定量角度刻画股票市场的从众效应，我们梳理了学界和业界已有的部分研究成果，目前主要有如下4个定量模型。

1) LSV模型

Lakonishok(1992)提出的LSV方法通过衡量股票市场中买卖双方的交易量来衡量从众效应，该方法的核心思路是检验股票市场中的股票i是否存在大量的投资者同时买入或卖出同种股票的行为，如果存在该种行为，则股票i的投资者存在从众效应。

具体的LSV的模型如下：

2) SLSV模型

在上述LSV模型中，LSV_(i,t)的值越大，则说明投资者的从众效应越严重，但LSV模型的缺陷是无法区分投资者是买入还是卖出股票的从众效应。于是Wermers(1999)将LSV模型进一步改进为SLSV模型，划分出了两个指标：

3) 横截面收益标准差（CSSD）模型

Christle & Huang（1995）提出了横截面收益标准差（CSSD）模型，构建方法如下：

4) 横截面收益绝对偏差（CSAD）模型

Chang（2000）提出了横截面收益绝对偏差（CSAD）模型，构建方法如下：

学术界和业界虽然已有一些关于股票和基金市场从众效应的研究，但大都是主要集中于如何衡量股票市场从众效应的强弱，例如大部分研究目前主要使用 LSV模型或者 PCM 模型对从众效应进行检验，这些方法都是主要关注股票层面的从众效应，通过对股票的超买超卖程度来刻画个股的“从众效应”。 关于基金层面的从众效应相关特征刻画的研究内容目前还比较少，本文将在这方面进行一些探讨。

接下来，本文将从跨期模仿持股行为角度出发构建定量因子，用于刻画基金层面的从众效应。本文主要做了以下3件事情：

1) 构建定量基金因子刻画基金的从众效应。 首先计算股票的基金投资热度，再结合基金重仓股构建跨期跟随效应因子和跨期领先效应因子，根据基金因子给基金分类：领先者、跟随者、独行者、潜力者。

2) 研究不同类型基金的投资行为和投资能力。 从业绩归因、行业配置、重仓股票等角度对不同类型的基金进行全面的解析，发掘对投资有用的启示。

3) 基于跨期模仿行为因子构建FOF策略。 使用跨期领先效应、跨期跟随效应、近1年Sharpe这三个基金因子构建可以落地的FOF策略。其中，成功独行者50组合的年化收益为14.19%，相对885001.WI的月度胜率为62.96%。成功领先者50组合的年化收益为12.65%，相对885001.WI的月度胜率为60.00%。

二、 基金因子构建与特征分类

2.1 基金跨期模仿行为因子构建

本章节首先基于公募主动权益基金的重仓持股信息，刻画各股票被基金投资的热度。接着从持股行为特征出发构建2个基金跨期模仿行为因子：跨期跟随效应、跨期领先效应。

研究样本： 公募主动权益基金，对应Wind分类的普通股票型、偏股混合型、灵活配置型（近1年平均股票仓位>60%），剔除行业主题型基金。

因子计算步骤：

构建逻辑： 1、公募基金每个季度结束后15个工作日内会披露重仓股，综合考虑及时性和准确性，我们使用公募季报披露的重仓股信息进行计算；2、某股票被基金重仓的数量越多，说明该股票的投资热度越高，同时需要考虑股票盘子本身容量的大小，所以将股票的重仓基金数量占比减去流通市值占比作为刻画股票热度的指标更为合理，相当于用公募重仓相对自身盘子的超配程度衡量股票热度；3、若基金本期重仓股越是上期末的热门股，则基金的跟随效应越大，IFF用于刻画基金在从众效应中的跟随程度；若基金本期重仓股越是接下来热度提升大的，则基金的领先效应越大，IFL用于刻画基金在从众效应中的领先程度。4、单看一期数据不足以反映基金的特征，所以最终构建因子时取滚动3期移动平均的方式计算，增强因子稳定性的同时还能反映基金近1年的持股行为特征。

通常而言，量化选基比量化选股的难度更大，主要原因是基金的可得公开信息维度较少，因此我们需要充分使用可得信息，从不同维度出发构建有逻辑的基金评价因子，不断扩充投资者观察基金的 视角。此前国盛金工团队已从 净值分析、持仓分析、交易分析、能力分析、产品分析这五个维度出发构建了300多个不同的基金评价因子 ，本文接下来将补充2个持股行为特征因子，有助于投资者加深对基金经理持股行为的理解。

前文我们分别得到了基金的跨期跟随效应因子IFF和跨期领先效应因子IFL，通过下表可以看到，IFF因子与IFL因子之间呈现一定程度上的负向关系。 IFF、IFL与其他常用的基金因子之间的相关性较低 ，如果这2个基金因子还有较好的预测基金业绩的效果，则很适合补充到投资者们现有的基金因子库当中，从而提升FOF策略的绩效。

2.2 基金分类：领先者、跟随者、独行者

2.2.1 分类定义

根据每期基金的IFF与IFL这2个因子，从持股行为特征的角度我们可以定义公募基金之中不同类型的参与者：

• 领先型基金 ：公募从众效应中的“领头羊”，引领热门投资方向；

• 跟随型基金 ：公募从众效应中的跟随者，偏好追逐过去热门股；

• 独行型基金 ：跨期跟随效应较低，不追热门，偏好过去的冷门股；

• 潜力型基金 ：从众效应特征不显著，介于上述3类基金之间。

一般而言，使用定量因子给基金分类，需要格外关注分类是否稳定，因为不够稳定的分类很难落地到FOF策略。接下来我们用2种方式分别检验上述基金分类的稳定性。

1) 因子Top基金留存概率

根据基金因子的大小，每期选择因子值Top100的基金，计算下期仍处于Top100的留存概率。留存概率越大则稳定性越好，也就是说每次选出因子最大的100只基金，下期更新因子之后相应的Top100基金名单不会剧烈变化。从因子Top基金留存概率来看，根据IFF与IFL得到的Top100基金留存概率较大，稳定性较好。

2) 转移概率矩阵

根据基金分类，计算基金从一种类型转移到其他类型的概率。从下面的基金类型的转移概率矩阵来看，对角线元素较大，前文定义的基金类型稳定性较强。具体从类型转移概率对比来看， 稳定性排序为：独行者>跟随者>潜力者>领先者 。其中，最稳定的是独行者和跟随者，这两类基金的跨期模仿行为特征稳定；其次是潜力者和领先者，整体而言稳定性也较强，只是相比另外两类基金而言稍弱，由此可见领先者要想做到每期持续领先并非易事。

由于潜力者类型的基金不具备显著的跟随效应或者领先效应，下文在进行分类研究时我们暂且不对其进行深入探讨，主要关注领先者、跟随者、独行者这3个类型。

2.2.2 历史业绩与能力归因

从历史长期业绩来看，独行者>领先者>跟随者。 我们在每期基金季报公布后立刻更新各类型基金池，并从构建策略角度测算各类型基金接下来的平均收益。自2013年1月25日至2024年5月10日，三类基金的平均年化收益率分别为：独行者（12.29%）>领先者（10.30%）>跟随者（8.69%）。

从分年度表现来看，独行者长期业绩优异且近几年持续领跑，领先者长期表现居中整体较稳健，跟随者大部分年份表现较弱。 领先者长期表现相对稳定，大多数年份表现处于中间位置，今年以来整体平均表现稍弱；跟随者长期业绩与偏股混合基金指数接近，年度表现波动性相对较大，大部分年份在这三类基金中表现最差；独行者长期业绩较好，尤其是近几年表现突出，独行者类型的基金具备较好的抗回撤属性。

关于基金的业绩归因，国盛金工团队之前构建了一个 基金收益完全分解模型 ，该模型使用基金的重仓持股实现了对基金的收益能力进行多层次多维度的拆解： 风格能力（10）+行业能力（30）+选股alpha+动态能力 ，本文接下来利用该模型给上述3类基金历史业绩进 行归因，对比各类基金的收益来源和能力差异。

该业绩归因框架主要通过对四类不同类型基金的历史超额收益进行分解，从而观察不同类型的基金历史业绩主要由什么投资能力驱动，这里我们主要关注四类收益能力： 风格能力、行业能力、选股能力、动态能力，尤其是选股能力对于主动权益基金而言至关重要。 从业绩归因的结果来看，主要有如下结论：

• 风格能力 ：独行者>领先者>跟随者

• 行业能力 ：跟随者>领先者>独行者

• 选股能力：独行者>领先者>跟随者

• 动态能力 ：跟随者>独行者>领先者

业绩归因结果显示3类基金在各项收益能力上差异性显著：

• 领先者 ：总体具有长期稳健优异的行业能力与选股Alpha；

• 跟随者 ：在风格上亏损较多，动态交易层面亏损较少，选股Alpha不足；

• 独行者 ：在选股层面优势较大，风格层面相对亏损较少。

上述归因模型是使用各时点的基金分类获得日期往前推取1年区间滚动进行业绩归因，不可避免地存在一定的误差，但大体上能够让我们看到三个不同类型基金的业绩来源。对于大部分主动股基而言，基金经理的选股能力是决定基金业绩最直接的因素，也是持续性最强的因素之一。从上面的归因结果可以看到， 以上三类基金业绩差异的主要来源就是选股能力层面的差异。 整体而言，领先者和独行者具备较好的选股能力，而跟随者的选股能力整体偏弱。

2.2.3 三类基金的核心特征小结

前文我们基于基金的重仓股跨期模仿行为特征定义了3个类型的基金：领先者、跟随者、独行者。事实上， 这三类基金的本质区别在于对热门股的态度不同，领先者探寻新的热门股、跟随者追逐过去热门股、独行者避开热门股。

2.3 按业绩进一步划分

前文我们对比了领先者、跟随者、独行者的业绩表现，然后做了业绩归因供大家参考。虽然整体上平均而言，领先者和独行者业绩更优秀而跟随者较差，但其中也会存在做得差的领先者与独行者，同样也存在做得好的跟随者。其实，简单地按照一两个持股行为因子给基金分类，会由于数据方面的噪音扰动导致误判，例如有部分基金可能只是由于数据误差导致领先因子较大但实际上做得不好，也存在基金跟随效应较大但实际上做得很好。上述分类仅是持股行为因子角度的初步分类，从基金投资的角度来说，得到这三个类型的基金池之后，还应该思考如何进行精选。

我们选取基金近1年Sharpe作为衡量基金在持股行为因子期间做得好/做得差的标尺。 因为基金的Sharpe比率是一个综合考虑了基金收益与风险的基金历史业绩指标，而跨期模仿因子是近1年持股行为的综合体现，所以Sharpe也滚动选择近1年区间。在前面3个基金分类的基础上再结合一个历史业绩因子辅助进行二分。可以看到，叠加Sharpe因子进一步划分之后，各细分类型基金组合的区分度更加显著。

从上述结果可得到有3个FOF选基启示：

1、在领先者类型基金池内选择过去Sharpe较高的，规避Sharpe低的基金。

2、在独行者类型基金池内选择过去Sharpe较高的，规避Sharpe低的基金。

3、剔除跟随者类型的基金。

问题：跟随者们跟的是谁？谁更容易被跟随？

我们遍历每个行业，从时序角度测算了跟随者行业仓位（滞后1期）与其他类型基金行业仓位的相关系数，发现 跟随者的滞后1期行业仓位与领先者相关度较高 ，也就是说，成功跟随者 更多跟的是成功领先者，而失败跟随者更多跟的是失败领先者。

问题：哪些行业更容易出现跟随效应？

领先者型基金往往在寻找热门度提升较大的方向进行投资，而跟随者型基金倾向于投资已确认是热门的方向。领先者偏向左侧布局，而跟随者更多是偏向右侧抓趋势追进。那么具体哪些行业更容易发生这种现象，遍历每个行业，从时序角度来看领先者的行业配置与滞后1期的跟随者行业配置相关度较高，尤其是计算机、电力设备及新能源、商贸零售、家电、传媒等行业这种跟随效应更加显著。

2.4 基金投资模仿策略

从分类定义来看，领先者、跟随者、独行者最本质的区别是对热门股的态度不同，业绩因子Sharpe则进一步将基金分类二分为历史上做得成功或失败，前文提到这几类基金在选股能力上存在较大的差异。基金季报公布仅滞后15个工作日，这里我们想探讨一个有意思的问题： 是否可以通过“模仿”的方式，模仿 成功领先者 或者 成功独行者 做投资，抑或反向避免 失败跟随者 做投资。 接下来我们分别从个股模仿与行业模仿2个角度都做了尝试，发现成功领先者、独行者的重仓股、重仓行业都具备一定的借鉴意义。

个股模仿策略测算方法： 滚动每次在季报公布15个工作日之后，计算跨期模仿行为因子，更新各类型基金池，并立刻买入各群体的前20大重仓股。

行业模仿策略测算方法： 滚动每次在季报公布15个工作日之后，计算跨期模仿行为因子，更新各类型基金池，并立刻买入各群体的前5大重仓行业（用30个中信一级行业指数作为相应资产的代理变量）。

从上述结果可得到如下2个投资启示：

1、从个股“模仿”效果来看，我们可以模仿成功领先者或者独行者的重仓股票进行投资，抑或反向避免失败跟随者的重仓股票。

2、可以参考成功领先者的行业配置仓位，前瞻性地把握市场热点变化方向。 历史上各类基金对各行业的配置与切换节奏有所不同，具体从历史各期配置数据来看，领先者和跟随者的行业切换速度较快（各行业配置比例的波动率较大），而独行者的板块配置比例相对稳定一些。经过复盘可以发现领先者往往能够比跟随者更早地嗅到市场未来的热点方向，长期来看成功领先者的行业配置具有前瞻性。季报披露的公募整体行业配置仓位数据对投资的指导意义有限，应更多关注成功领先者与独行者的行业配置。

三、 基于跨期模仿行为因子构建FOF策略

3.1 因子预测效果检验

长期来看，基金的跟随效应因子IFF越大，未来业绩越差。 每季度按照基金样本的IFF因子值升序排序将基金分成5组，测算各分组基金未来区间的平均收益率。不论是短期季度预测还是长期年度预测，都呈现严格单调递减的效应，即IFF因子越大的分组，未来收益率往往越小。第1分组（跟随效应最小组）的未来收益率显著较高，第5分组（跟随效应最大组）的未来收益率显著较低。

通过计算当期基金因子与未来季度收益的相关性，得到基金因子的截面rank IC，可将其作为因子选基效果的评价指标：

我们分别计算了IFF因子的季度IC、年度IC， 从历史各期IC来看，季度预测的IC均值为-0.07，年度预测的IC均值为-0.10，因此IFF因子有较好的基金未来业绩预测效果，是一个优秀的选基因子。

很少会有基金因子永远都有效，IFF因子在历史上也有失效的阶段，需要清楚地了解在什么样的环境下才可以放心使用该因子进行选基。如下图所示我们展示了IFF因子的季度IC的变化情况，结论如下：

1、从长期业绩来看，跟随效应越大的基金对应未来业绩大概率越差。 从截面IC角度来看，IFF因子的历史IC均值为-0.07，在纳入统计的历史45个季度中有29个季度(占比64%)的IC都为负数。

2、基金IFF因子通常为反向选基因子，但在公募抱团系数上行时会阶段性失效。 根据公募基金抱团系数大致将历史区间划分成3个阶段，在公募抱团系数下行区间，IC均值为负，在公募抱团系数上行区间，IC均值为正。因此，通常情况下基金IFF是一个优秀的反向选基因子，但如果市场抱团效应大幅上行会干扰IFF因子的有效性，此时抱团追热点反而是“正确”的事情，真正具备自主选股能力的基金经理难以被识别。