【华泰金工林晓明团队】基金选股择时能力的定量分析法——我国公募基金大多具有较强选股能力

国内公募基金具有正向选股能力，业绩好的基金选股能力较强

择时能力与选股能力是基金业绩的重要评价指标。报告采用T-M、H-M和C-L模型来对国内多类公募基金业绩进行归因分析，结果发现国内公募基金普遍具有正向选股能力，灵活配置型基金的择时能力较强。采用Bootstrap抽样法对普通股票型基金超额收益进行分析后发现，大部分基金的超额收益主要来源于实力而非运气，且α越高，运气成分越少。规模、存续期和基金风格对选股实力也有一定影响。

基金选股择时能力评价模型经多年发展日趋成熟，T-M、H-M、C-L为代表

常用公募基金选股择时能力评价模型起源于CAPM模型，Jensen单因素模型在CAPM基础上增加了α指标衡量基金选股能力，但β不变的假设使其无法评估基金择时能力。T-M模型在Jensen单因素模型基础上引入市场组合收益率的二次项，修正了Jensen模型中的β，使得β能够随市场收益率的变动而连续变动。H-M和C-L模型则假设β二分，在预期市场上涨时取一较大定值，预期下跌时取一较小定值。

主动股票型公募基金多具有较强选股能力，灵活配置型基金择时能力较强

我们采用2014-2020样本区间数据，使用前述三个模型，对国内普通股票型、偏股混合型、平衡混合型、灵活配置型共四类公募基金在不同市场环境下的选股和择时能力进行检验后发现：在牛市中，基金相对自身基准具有较强选股能力；在震荡上涨市中基金选股能力较强，择时能力稍弱，小盘行情下选股能力更加显著；在熊市中，基金选股能力为正的比例较高，但显著性较差，择时能力也较弱。全区间视角下，四类基金均有较强的选股能力，灵活配置型基金由于在仓位、行业、风格和投资工具等方面限制较少，择时能力明显强于其他类别基金。

主动股票型基金的超额收益主要来源于实力，高α基金实力大于运气

本章中我们以Bootstrap方法从基金超额收益中分离运气因素和实力因素。实证结果发现，国内主动股票型基金的超额收益主要来源于实力。分组检验中我们发现：基金α越高的组别，基金经理实力较强的比例越高，运气因素越低；基金规模越小的组别，具有较强选股实力的基金比例越高；存续期越短的组别，选股实力较强的基金比例越高；按风格和风险水平分组，成长型和增值型基金的选股实力较强。整体来看，60%的主动股票型基金凭实力获得正向选股能力。

风险提示：模型对基金业绩的拆解有不够充分的可能性，结果仅供参考；基金历史表现不代表未来业绩，投资需谨慎。

无论是普通投资者，还是FOF、理财子公司等机构投资者，都希望能对国内基金经理的管理能力，有一个明确的认知：基金经理到底能不能挑选出表现优异的股票？基金经理到底能不能预判市场走势并调整持仓？基金的优异表现是来自于实力还是运气？这种表现是可持续的吗？在本篇报告中我们将通过量化手段，定量给出上述几个问题的答案。

在本章节中，我们将首先对后文用到的公募基金选股择时能力评价模型进行介绍，让投资者对模型的发展历程、原理和逻辑有一个整体认知。

CAPM模型采用市场组合的概念开启了对组合收益来源量化解释的先河

基金业绩的评估以现代资本市场理论为基础，将投资的预测能力分为选股能力和择时能力。Fama（1972）提出两者的划分标准为：从微观角度上，预测能力反映为预测个股价格走势能力，即股票选择能力；从宏观角度上，预测能力反映为预测股票大盘走势能力，即市场时机选择能力。大部分主流基金绩效评估模型均以单因素CAPM模型为基础：

CAPM模型在马克维茨的基础上，开创性地为资产预期收益率与风险之间的关系进行了定量建模，是现代金融市场定价模型的基石。但在后续的实证分析中，多国的金融经济学家发现投资低贝塔股票也可以收获更高的回报和风险收益比，单纯的定值beta难以完美刻画资产组合收益。因此，学界又在CAPM模型的基础上改进出了解释力度更强的Jensen单因素模型。

Jensen单因素模型增加了选股能力指标，但仍未能对基金择时能力做评估

Jensen-alpha模型在CAPM模型的基础上加了一个常数项alpha，将基准的市场投资组合无法解释的收益率，全部归结于基金经理的选股能力，这个模型是后面所有基金选股择时能力评价模型的雏形：

接下来我们将使用特征线对各个模型进行描述，以直观展示各个模型的逻辑和思路。特征线（characteristic line）以市场组合收益率为横坐标，以基金或投资组合收益率为纵坐标，反映基金实际收益率关于市场组合收益率的变化规律。特征线斜率等于反映基金系统性风险的贝塔。由于Jensen单因素模型中的贝塔不变，因此其特征线是一条直线。

Jensen单因素模型的一个重要前提假设是，基金承受的系统性风险βp，是不随着市场环境而改变的。也就是说，它默认基金经理不会随着市场的波动而调整在系统性风险上的暴露，而这个假设对于主动型基金经理来说，明显是不成立的。

在实际投资中，基金经理可以根据对未来市场走向的判断，调整投资组合的系统性风险水平以及基金仓位。一个合格的基金经理在预期市场组合收益率上行的时候，会提高基金组合和市场组合的相关性，采取更加激进的投资策略，以使基金随着市场组合的上涨而获得更高收益率。而在其预期市场下跌的时候，则会降低基金组合和市场组合的相关性，采取更为保守的投资策略，使得基金不随市场组合的下行而亏损。

因此，基金的择时能力体现为βp在市场上涨时上升，在市场下跌时下降。因为Jensen模型中的βp为定值，并不能反映基金择时能力，所以后续的选股择时能力评价模型基于定义βp的时变性展开，对Jensen模型继续进行修正。当前应用最为广泛的有以下三个能够同时评价基金经理选股能力和择时能力的模型：

1)       Treynor & Mauzy的T-M模型

2)       Heriksson & Merton的H-M模型

3)       Chang & Lewellen的C-L模型

三个模型关于贝塔时变性的前提假设不同，TM模型的假设是贝塔随市场收益率上升而连续上升，HM和CL模型的假设则是Beta二分，在市场收益率较大时取较大定值，在市场收益率较小时取较小定值。两者的不同之处在于，H-M模型通过衡量基金在牛熊市中β值的差异是否显著，来评价基金是否具有择时能力；而C-L模型则是将基金的β区分为了牛市和熊市β，分别衡量基金在牛市和熊市中的择时能力。接下来我们将对这三个模型的逻辑依次进行介绍。

T-M模型拓展了Jensen模型中Beta的可变性，使其能度量基金择时能力

1966年，Treynor与Mazuy提出，基金回报-市场回报曲线是非线性的。T-M模型假设，基金经理能发挥时机选择能力预测市场收益率，具备正向择时能力的基金经理，会在预测市场收益率升高时增大投资组合的贝塔，在预测市场收益率降低时减小投资组合贝塔。由此，T-M模型将Jensen单因素模型中的βp修正为：

H-M模型通过衡量上涨和下跌市场中贝塔差值的方法判断基金择时能力

1981年Henriksson与Merton提出新的评估基金绩效模型，将基金经理择时能力定义为“基金经理能够预测市场收益高于无风险收益”的能力。基金经理只关心市场组合收益率是否超过无风险利率，而不关心超过的幅度大小。模型公式如下：

C-L与H-M模型类似，差别在于分开衡量不同市场环境下的贝塔

C-L模型是H-M模型的变式，模型假设和逻辑与H-M模型相同，但是将上涨市场和下跌市场中的贝塔值明确区分开了。C-L模型公式为：

C-L模型的特征线和H-M模型基本相同，也是一条分段折线。但与H-M模型不同的是，它将基金的贝塔区分为了牛市贝塔（β1）和熊市贝塔（β2），以分别衡量基金在牛市和熊市中的择时能力，与H-M模型相比更加灵活。

C-L模型中，基金择时能力反映为市场上涨时贝塔值大于下跌时贝塔值，即，β2 - β1>0指示基金具备正向的择时能力，小于零则指示基金择时能力为负。

在本章节中，我们将使用上一章节里介绍的三种模型，来对国内公募基金的选股与择时能力进行实证检验与定量评估，检验其在不同市场环境下的选股择时能力。

实证设计：对四类基金区分不同市场环境与全区间进行检测

我们选取了WIND上所有2020年4月30日前成立的开放式基金，采用其2014年3月-2020年4月的周度收益率进行实证分析，总样本池内包括438只普通股票型基金、1133只偏股混合型基金、83只平衡混合型基金、1400只灵活配置型基金。此外，由于大部分基金成立时间晚于2014年3月，所以在各个周期中，样本池内的基金个数也会存在差异。

出于样本量和市场环境区间的考虑，我们选取的实证时间区间为2014.03.31-2020.02.28，并将其划分为了五段时间区间，包括2014.03.31-2015.05.29的牛市区间，期间沪深300涨幅约125.54%；2015.06.01-2016.02.29的熊市区间，期间沪深300跌幅约40.56%；2016.03.01-2018.01.31的震荡上涨市区间，期间沪深300涨幅约39.83%；2018.02.01 -2018.12.28的熊市区间，期间沪深300跌幅约29.59%；2019.01.01-2020.04.30的震荡上涨市区间，期间沪深300涨幅约29.96%。在实证研究中，我们将首先对四类基金在不同市场环境下的选股择时能力分别进行实证评估，最后再对全区间内四类基金的选股择时能力进行评估。

由于我们的模型中还需要用到市场组合收益率和无风险利率这两个参数，我们也需要对其进行预先设定。我们取各个时间区间内，一年期存款利率的均值作为无风险收益率rf。由于部分区间跨越了较长时间，涉及到一年期银行存款利率的变动，本文统一采用区间内一年期银行存款利率的均值作为该区间的无风险收益率，具体如下：

第二种方法则是直接采用基金自身业绩比较基准作为基准市场组合，绝大部分基金均有同步发布的业绩基准指数。

两种基准市场组合方法各有利弊，第一种方法确定的市场组合能够比较好地考察基金预判大盘走势的能力，考察基金经理能不能正确预判大盘走势并调整基金组合与大盘的相关性。但这种方法对于选股能力的测算不够精准，原因是，较多基金有明确的行业倾向和风格倾向。若这些行业或风格在某段时间内走势明显超越大盘，那么基金的超额收益实际上是由行业或风格带来的，而不是自身在行业内或风格内的选股能力带来的。但以宽基指数构建的市场组合会将这两种超额收益来源均归结到基金的选股能力，无法很好地区分开两者之间的差别。而第二种方法计算市场组合则能够将其区分开，更好地考察基金超越自身基准的选股能力。我们将同时对两种方法进行测试，互相对照分析结果。

实证思路如下图所示，用3种模型、2种基准市场组合，分别对4类标的在6个区间内的选股择时能力进行回测。由于H-M和C-L模型的结果和T-M模型的结论基本相同，我们将这两个模型的回测结果放到了备注里。在正文中仅对T-M模型的结果进行深入分析。

基金在牛市中具有较强选股择时能力，小盘行情下选股能力更突出

牛市行情下基金选股择时能力都较强

在2014年3月-2015年5月的牛市区间内，四种类型的基金选股能力相对大盘指数构建的市场组合表现较差，可以看到在下图表中，普通股票型、偏股混合型、平衡混合型三类基金选股能力为正的占比都不足50%，选股能力显著为正的占比也很低，仅灵活配置型基金中，选股能力为正的基金占比为60%左右。

在这个区间内，择时能力为正的占比均高于70%，且择时能力显著为正的占比高于35%，部分类别超过了50%，说明大部分基金经理在牛市中都很清楚自己是处在牛市阶段的，并且能够跟随趋势进行加仓或选择进攻性更强的，更能跟上大盘走势的标的。

但若与自身基准组合相比，这些基金则体现出了较强的选股能力。

熊市行情下基金正向选股能力不明显，择时能力较弱

2015-2016年熊市中基金正向选股能力不明显，择时能力失效

第二段区间是2015年6月-2016年2月，这是一段跌幅较大，下跌速度较快的熊市区间。在这一区间内，各类基金的择时能力都很差，大部分基金类型中择时能力为正的基金占比不到50%且显著性低，仓位没有限制的灵活配置型基金也没有表现出明显的择时能力，可见公募基金在这段时间内并未及时降低股票仓位。数据统计也显示，此次熊市期间，各家基金公司在恐慌性下跌的区间内，股票仓位并没有明显下降，部分基金公司甚至有所上升。其原因或为此次下跌速度太快，且公募基金规模较大，快速减仓难度较高，因此择时能力不太显著。

而在此期间内，大部分基金都有着正向的选股能力，但选股能力显著的基金寥寥无几。说明在这个区间内，基金经理能够选择一些防御性较强的大盘蓝筹质优股，抱团取暖减少损失，但由于大盘整体下跌，能够减少的损失有限，导致基金选股能力在统计上不显著。

2018年熊市中开放型基金选股和择时能力均一般

2018年熊市区间内，基金的选股能力和择时能力均不太显著，仅有少数基金展现出了较强的选股和择时能力。结论和原因推论与2015-2016年股灾类似。

震荡上涨市中基金具有正向选股能力，择时能力则较不稳定

2016-2018年震荡上涨市中基金择时能力较强同时具有一定选股能力

在2016.3.1-2018.1.31的震荡上涨市中，普通股票型基金、偏股混合型基金和平衡混合型基金具有较强择时能力，说明大部分基金经理在期间均能够判断出震荡上涨市，但选股能力相对来说比较一般。与其他三类基金相比，灵活配置型基金选股能力更强而择时能力更弱。

我们认为这种现象或来自于市场分化。在该区间内市场分化出了两批股票，仅有被称作“漂亮50”的50只质优大盘蓝筹股走势很好，另外3000只股票走势很差，而前者在基准指数中通常会占据较高权重，所以分散投资到小票上的基金，相比基准指数就不会展现出更强的选股能力。普通股票型、偏股混合型基金和平衡混合型基金通常存在一定行业、风格和仓位的配置限制，难以将仓位全部转移到“漂亮50”，因此选股能力表现较差。而灵活配置型基金则没有固定限制，可以自由减小中小盘股仓位，并将仓位转移到“漂亮50”，因此该类基金选股能力表现较好。

此外，灵活配置型基金的投资工具较为灵活，能够充分享受2016-2017年IPO提速带来的打新红利。一般来说，股票型基金只能用15%的仓位来参与打新，而灵活配置型基金最多可以有90%的资金来参与打新，因此此类基金能够在大盘趋势不明朗且频繁震荡时（如2016年）转而去做打新，提高基金收益，最终这部分收益反应在了选股能力上。据Wind数据统计，2016年共有超过半数的灵活配置型基金参与打新，也从侧面论证了这一观点。

2019-2020年震荡上涨市中开放型基金选股能力较强，择时能力较差

在2019.1.1-2020.4.30的震荡上涨市中，四种类型的基金中具有正向选股能力基金的比例都在90%以上，且40%以上的基金均有显著的选股能力，可见在此期间基金经理能够较好地筛选出表现优异的股票。而在此期间，四类基金择时效果均不理想，择时能力为负的基金占比超过70%。原因可能是在这段区间内，股市震荡较为频繁，且震荡幅度较大，基金经理很难正确预判每一次上下波动，因此择时能力较差。

全区间视角下四类基金均具有较强的选股能力

最后，我们使用全区间的数据进行实证检验。长期来看，四类基金都具有很强的选股能力，选股能力为正的基金占比都在90%左右，显著为正的基金占比在50%左右，说明国内基金经理的整体选股能力较为出色。

择时能力方面，普通股票型、偏股混合型、平衡混合型基金的择时能力都比较差，而灵活配置型基金的择时能力相对较好。原因可能是前三类基金的仓位、行业和风格限制比较多，比如普通股票型基金中必须有80%以上的资金投向股票，偏股混合型要有50%-70%的资金投向股票，平衡混合型则要将仓位保持在50%股票、50%债券的水平，并且它们在使用其他工具增厚收益的时候也会有诸多限制，而灵活配置型基金则限制很少，不需要保持风格和行业固定，也不需要保持固定仓位，还有较多增厚收益的手段，因此它们在面临市场波动时能够很快的调整配置思路，展现出了较强的择时能力。

历史回测中选股择时能力较好的基金

本节中我们筛选出历史回测中选股择时能力较强的基金，并列在了下表中，为投资者提供参考。第一个表格是在五个分区间内选股择时能力同时为正的次数较多的基金，但这里并未要求显著为正，因此筛选力度较弱，第二个表格是在五个区间内选股能力显著为正的次数较多的基金，如安信价值精选、诺安稳健回报等常出现在FOF十大重仓子基金列表中。

在上一章中，我们主要研究了基金的alpha和beta的时变性特征，并证实了主动股票型基金的beta不具有明显的时变性。因此这一章中研究主动股票型基金的超额收益来源时，我们把beta看做定值，而将研究重点转移到基金alpha收益和模型无法解释的残差项之上，通过研究基金alpha与残差项的关系来研究基金实力和运气的占比。

通过运气获取的超额收益不稳定，Bootstrap方法能分辨运气与实力

通过运气获得的超额收益是不可持续的，而实力是可持续的

首先解释一下，我们为什么需要从基金超额收益中区分运气因素与实力因素。我们以詹森alpha的计算模型为例，这个模型是通过回归来得到的alpha，我们一般以这个alpha来衡量基金的选股能力，但实际上，这个alpha有可能是来源于运气的。

例如，下方两张图表分别代表我们模拟出来的A，B两只基金，图表横轴是市场组合收益减去无风险收益，纵轴是基金收益减去无风险收益。两张图中的alpha是一样的，但是左图A基金各点偏离趋势线的平均幅度明显更大，肉眼来看，这只基金很有可能是凭运气得到的这个alpha，只要某一个点偏离原先位置，alpha就可能发生较大幅度改变。而右图B基金各点偏离趋势线幅度较小，这只基金达到当前alpha的运气因素就比较小。

运气是不可持续的，而实力是可持续的，在alpha相同的前提下，投资者都想买到持续稳定具有选股能力的B基金而不是A基金。这就是我们要区分运气和实力的原因。在本文中，我们主要采取Bootstrap方法来对运气和实力因素进行分离。

Bootstrap方法通过独立重复的抽样重构样本集，剥离出运气因素

Bootstrap方法是非参数统计中的一种推断方法，对总体分布未知的样本数据集，按照有放回抽样的方法抽取子样本集，通过独立重复的抽样获得子样本集集合，利用子样本集集合对总体分布进行推断。在研究中，我们对残差项采用bootstrap的方法，来重构收益率序列。

接下来，我们以Jensen Alpha模型为例来说明具体步骤。

接下来，我们分单只基金检验和基金分组检验的情形来进行解说：

可以看到A基金的原始alpha没有落到bootstrap alpha分布的右侧拒绝域，所以我们说这种基金达到这个alpha主要依靠运气。而B基金的原始alpha落到了bootstrap alpha分布的右侧拒绝域，所以我们说这种基金达到这个alpha主要依靠其基金经理较强的管理能力。

实证检验：国内主动股票型基金的超额收益主要来源于实力

以五因子模型为主要框架，样本基金超额收益中位数在2%以上

在后续实证分析中，我们以Fama French 5因子模型为主，在必要时也会采取Jensen单因素模型、Carhart 4因子模型和Treynor Mazuy模型的结果作为参考。

我们选取了CSMAR数据库中全部主动股票型基金作为回测标的。剔除数据量不足一年的基金和投资范围为境外证券的基金后，剩余350只基金。回测周期选取2010/01/01至2020/04/30，数据频率为日度。

在样本数据集中，基金发行规模最小的为0.05亿元，中位数为8亿元，最大值为197.33亿元，样本集具有较好的代表性。样本集基金在存续时间上，从2.2年至18.6年，分布比较均匀。而收益率的矩特征呈现出很大的分化，70%的基金收益率为正值，偏度显示约40%的收益率分布负偏态、约60%收益率分布正偏态，峰度显示约45%的收益率分布尖峰态、55%的收益率分布低峰态，这些间接说明样本内基金收益率分布不能简单视作正态分布。其他传统评价指标如夏普比、贝塔、Treynor 指数的分布也列示在表中。

四种模型回归结果基本一致。原始超额收益αi（以FF五因子为例）的中位数为2.2%，65%以上为正值，说明样本集内超过一半的基金在样本期内具有超过市场基准的盈利能力。超额收益分布方面，FF五因子、Carhart四因子模型在右尾更厚，Jensen单因素模型、TM模型在左尾更厚。在回归残差项的正态性检验上，绝大部分检验结果是拒绝原假设，即推断残差不是正态分布。这与前文根据峰度、偏度的推断结果一致。

在拟合优度上，FF五因子模型表现最好，所有基金中约85%的拟合优度超过0.8。说明五因子能够更好地解释基金收益的来源，这个模型中的残差项也能够更好地代表纯粹的运气因素。所以在接下来的研究中，我们将主要以FF五因子模型来进行实证检验。

上图表展示了四个模型的原始alpha回归结果的分布对比。此处我们引入了对t(alpha)的测算。原因是不同基金残差项方差不同，这些包含异方差噪音的alpha难以横向比较。例如，残差项波动比较小的基金，它的alpha回归结果是比较准确的，而残差项波动很大的基金，它的alpha回归结果可能就不太准确，这样的两个alpha较难横向比较。

而通过alpha 除以残差标准差计算出来的统计量t(alpha)，则可以较好地控制残差项方差和样本数量对于alpha估算的影响。t(alpha)在横向比较时，相比alpha有更好的参考意义，所以下面报告中会同时给出alpha与t(alpha)的检验结果。

四个模型估计所得超额收益的分布形态基本一致，但t(alpha)统计量的分布有较大差异。差异体现在峰度上，TM模型的t统计量分布更陡峭，Carhart4模型更平缓。

接下来，我们将进行以下几部分实证检验：

1.      对所有基金的原始alpha及Bootstrap后的alpha进行累积分布函数（CDF）对比检验，以观察全体基金的超额收益分布特征，并预估基金运气与实力的占比。

2.      对基金分组后检验各组基金的运气实力占比。

3.      我们将对单个基金进行Bootstrap检验，挑选出实力最强的基金以供读者参考。

全部样本基金整体检验：业绩好的基金平均选股能力较强

下方图表是把所有基金进行bootstrap检验之后得出的结果：蓝线为Bootstrap alpha的累计分布函数，红线为原始alpha的累积分布函数。如果Bootstrap alpha和基金原始alpha累积分布函数完全一致或接近的话，则说明基金的超额收益可能均来自于运气；如果Bootstrap alpha和基金原始alpha的累积分布函数差别很大，说明横截面上基金的超额收益没有办法被运气单一地解释。

由四个模型的实证结果来看，两者的分布差别很大。整体来看基金的超额收益无法被运气单一的解释。（此处仅放了Fama-French五因子模型检验结果，另外三个模型检验结果在附录2中）

基金分组检验：高α、小规模、存续期短、成长风格组别实力因素占主导

按alpha分10组检验：alpha越高，基金经理实力较强的比例越高

本节按照alpha值大小，将样本集内全部基金依照分位数由小到大均分为10组。以Fama French 5因子模型，下图表中展示了根据alpha大小分组的CDF检验结果。

由左上图可以看到，在每一个组别中，原始alpha和bootstrap alpha的分布都是差别较大的，说明基金的超额收益情况不能被运气完全解释。而bootstrap alpha分布明显较窄，说明运气相对选股能力而言，对基金收益率的解释力度较小。

在alpha最小的组别中，横截面基金表现出负向的选股能力，在alpha最大的组别中，横截面基金表现出正向的选股能力。值得关注的是，在alpha值为正的组别中，随着alpha值的增大，alpha和bootstrap alpha之间的差距越来越大，说明alpha越大的基金组别中，alpha来源于实力的基金所占比例越高。

为了排除异方差的影响，我们又对不同分组的 t(alpha)进行了CDF对比检验，由右上图可以看出，t(alpha)的检验结果与alpha的检验结论基本一致。主要差异是，在alpha值为负的组别，也就是最上面几组中，仍然存在一部分基金具备正向的选股能力。

按发行规模分5组检验：小规模基金具有更强的选股能力

接下来我们按照发行规模的大小，将基金均分为5组，可以看到，从上往下，随着发行规模的增加，超额收益alpha的分布逐渐变窄。平均来看，中小规模的基金，也就是上面几行的基金中，具有较强选股能力的基金比例较高。

一般来说，基金规模越大，调仓时需要面对的冲击成本就越大。小规模基金在调仓方面会更加灵活，因此能够随着市场热点和投资机会的发掘而即时调整持仓，体现出了较强的选股能力。当然基金规模也不是越小越好，在选择基金时还需要综合基金历史业绩、公司实力等方面慎重考虑。

按存续期分5组检验：存续时间较短的基金中，选股能力较强的基金比例较高

本小节中我们按照基金存续期将样本基金平均分为5组，alpha和t(alpha)的检验结果显示，存续时间较短的基金中，选股能力较强的基金比例较高，而存续期较长的基金中，选股能力较强的基金比例较低，这个结果可能与基金业绩收敛现象有关。

基金业绩收敛现象是学者Carhart在研究美国公募基金业绩的时候发现的，公募基金的单年业绩差异巨大，但经过数年运行之后，基金业绩会趋同。具体原因是在有效性较高的市场中，各类证券的定价较为合理，基金经理很难长期超越市场。

按投资风格分组检验：成长型基金的选股能力最强

本小节中我们按照国泰安数据库中基金的投资风格和风险水平分组，来对样本内基金进行分组检验。样本内基金共划分为八类：价值型、增值型、平衡型、成长型、收益型、稳健增值型、积极成长型、稳健成长型。

检验结果显示，在alpha检验中，成长型基金的选股能力最强，平衡型基金选股能力较弱。在t(alpha)的检验结果中，增值型基金选股能力与成长型基金不分上下。

单只基金检验：过半基金凭实力获得正向选股能力，α排名前列的基金主要靠实力

60%的主动股票型基金凭实力获得正向选股能力

在本部分中，我们采用Fama-French五因子模型依次对单个基金进行Bootstrap检验，检验结果表明，样本集350个基金里，有60%落在右侧拒绝域，意味着有正向选股能力；有33%落在左侧拒绝域，意味着有负向选股能力；7%的基金则落在接受域，即认为靠运气获得的超额收益，无法明确判断其选股能力。对t(alpha)的Bootstrap检验结果与对alpha的一致。其他三个模型的检验结果较为相似。

上述实证结果说明，无论是从全部基金的角度来看，还是从分组的角度来看，还是从单只基金的角度来看，运气不能单一的解释我国普通股票型公募基金的超额收益，大部分基金均具备正向或负向的选股能力。

alpha排名前10%的基金中，实力因素均多于运气因素

我们对alpha排名前10%的基金均依次进行了bootstrap测试，发现这些基金的存续期均在2年以上，且实力因素均多于运气因素。我们把这些长期表现优秀的股票型基金按基金代码排序列在下图表中，以供投资者参考。

风险提示

1、模型对基金业绩的拆解有不够充分的可能性，结果仅供参考。

2、基金历史表现不代表未来业绩，投资需谨慎。

附录

附录1：H-M模型和C-L模型测试结果

附录2：全部基金在三个模型下的累积分布函数