价值因子股票基金怎么买（什么叫价值型股票基金）
价值因子股票基金怎么买（什么叫价值型股票基金）
性价比*的因子组台技术是指硬件、软件和服务组合，它使企业可以在更短的时间内更高效地实现业务目标。它可以提高效率，提高生产效率，降低成本，节省时间，提高客户满意度，提高员工满意度，并帮助企业实现创新和可持续性发展。此外，此技术还可以帮助企业更好地支持业务发展，提高管理水平，改善人力资源管理，提高沟通能力，提高安全性，更好地支持协同办公，改善网络连接，增强业务流程，实现数据共享等。
一、在被动指数投资基础上，加点主动投资的逻辑
投资宽基指数一种简单的投资方式，投资者不需要花费太多时间就能获取市场的平均 收益 ，这种收益甚至有可能超越绝大多数投资专家。
如果投资者不满足于追求市场平均业绩，则需要基金经理在跟踪指数的基础上做一些主动操作。在控制组合风险的前提下，获得进一步的超额收益。这个有两种方式：一种是买入指数增强基金，一种是买入聪明贝塔这样的策略指数基金。
指数增强策略是指在跟踪指数的基础上，以主动投资方式来实现“增强”，也就是在控制对指数跟踪误差的基础上超配或低配部分个股，实现超额收益，其实属于主动投资范畴，依赖基金经理的选股能力。
聪明贝塔（SmartBeta）策略则是按照其公布的方法论，严格执行既定的选股策略或另类加权方式，以期达到获取超额收益或降低风险的目的，属于被动投资范畴。
相比指数增强策略来说，聪明贝塔策略透明度高，风格稳定一致， 费率 一般更低，更加关注中长期投资期限和回报。
二、质量价值指数
Smart Beta策略采用了在某个因子上增加其曝光度进而量化超额收益的方法，这些因子包括成长、价值、动量、波动率、红利等等。
在不同的市场情况下，总有一些因子会发挥作用，虽然各个因子的投资逻辑与作用周期不尽相同，但如果将因子合理组合，超额收益的可能性也将不断增强。
华宝基金目前正在发行的华宝质量价值基金(501069)，就是一只“质量+价值”双因子的Smart Beta指数基金。
该基金跟踪的是标普中国A股质量价值指数，所谓质量价值就是在盈利质量好的公司中选取低估值的公司。
具体来说，就是会首先从备选集中筛选出A股质量打分*的200只股票，然后从这200只股票中筛选出价值打分*的100只股票，组成指数成份股。
通过结合质量因子和价值因子来被动复制巴菲特的选股思路，避免了择股难、择时难的问题。
1、价值因子
价值因子是与股票估值相关的因子，着眼于交易价格低于公允价值的股票，价值因子在投资界是受到广泛认可的。
投资大师巴菲特的价值投资体系中，估值是其中一个重要环节，巴菲特强调购买具有“安全边际”的股票，“安全边际”的量化指标即为市盈率PE、市净率PB、市销率PS等主要价值类因子。
以市盈率、市净率为例，简单验证单个价值因子的选股收益表现。在近19年的时间区间内，低市盈率指数、低市净率指数相比于高市盈率、高市净率指数的历史表现。
可以发现，低市盈率、低市净率指数的累积历史回报远超高市盈率、高市净率指数。
19年间，低市盈率指数的年化收益为9.59%、低市净率指数为9.01%；高市盈率指数为-2.68，高市净率指数为-0.46%，可以看出价值因子选股策略在中长期的表现十分优越。
（数据来源：东方财富Choice数据；时间区间：2000年1月1日—2018年12月31日）
2、质量因子
质量因子包含三个核心盈利能力指标，它们就是ROE(净资产收益率)、资产负债应计率、金融杠杆率。
巴菲特说过，如果非要用一个指标进行选股，那么他会选择ROE。可见，ROE指标可以当做质量因子的代表。
我们用申万绩优股指数来检验一下高ROE股票的表现情况，申万绩优股指数选取排名ROE排名前100只股票作为绩优股指数成份股，每年进行两次调整成份股。
（数据来源：东方财富Choice数据；时间区间：2000年1月1日—2018年12月31日）
由上图可以看到，申万绩优股指数长期跑赢沪深300指数和上证指数，在2018年1月达到历史*点7585点。这也证明了在A股进行价值投资的可行性。
3、“质量+价值”双轮驱动
在绩优股指数高收益的背后，我们也能看到单纯靠ROE指标选股的指数波动性也比较大，尤其是在2018年回撤明显，这也暴露出单因子选股的不足。
因为高ROE的股票通常伴随着高估值，而如果只关注低市净率的股票，会发现低市净率的 上市公司 有很多业绩都差强人意。
所以，标普质量价值指数其实是在选股时遵循了质优价廉的原则，在高质量公司中，进一步筛选其中估值低的股票。
另一方面，ROE是企业盈利能力的核心指标，杜邦分析法将其分为净利润率、总资产周转率和财务杠杆系数。
对于一些行业来说财务杠杆高，意味着企业的经营风险大，一方面会增加债务费用支出，另一方面会限制企业未来的融资能力，进而抑制企业发展。
因此质量因子考虑全面的地方，就在于它挑选ROE较高的股票的同时，通过资产负债应计率、财务杠杆两项指标将风险较高的股票剔除出去。
如果公司主要是靠自己的话，那么它对外界的风险就具有更好的一个免疫力。
4、风险收益特征
标普中国A股质量价值指数从2007年至今已经大幅跑赢了沪深300指数了。数据显示，从2009年到2018年12月31日，质量价值指数10年的年 化收益率 达到13.48%，高于上证50(8.22%)和沪深300(8.47%)，同期质量价值指数的*回撤也低于上述主流宽基指数。
（截止日期：2018年12月31日）
三、聪明贝塔三剑客对比
至此，华宝基金的聪明贝塔三剑客已经集齐，它们分别是华宝标普中国A股红利机会指数基金（因子：股息率）、华宝港深中国增强基金（因子：价值）和华宝标普中国A股质量价值指数基金（因子：质量+价值）。
这三只基金兼备主动投资和被动管理的优势，三种因子更关注成分股的基本面情况，因此是以中长期超额收益为目标的，这也与A股市场逐渐走向中长期配置的趋势是一致的，能够满足投资人对策略性投资工具的需求。
笔者对三只指数基金的市值分布、行业分布、分年度收益情况做了整理，方便大家对比查询。
1、市值分布
从成分股权重对比来看，质量价值指数和沪港深中国增强价值指数都对前10大成分股给予了40%以上的权重，使得指数整体偏向于大盘蓝筹；
红利指数的前10大成分股占比仅为18.9%，因此尽管其平均总市值并不低，但由于权重分散，整体呈现出中盘风格。
具体来看，质量价值指数成分股500亿市值以上占比41.74%，200到 500亿的市值占比接近20%;100亿到 200亿的市值占比是18%，市100亿以下的股票占比只有20%左右。
红利指数的成分股市值在500亿以上的股票，仅仅只占到21%左右， 200亿到500亿市值的股票占比为 25%，100亿到200亿市值的股票占比位18%，100亿市值以下的占比达到30%左右。
从这个市值分布上来看质量价值指数更偏向于大盘风格，其所属沪深300成分股占比54.58%，所属中证500指数成分股占比20.77%；
相比而言，红利指数是大中小市值都比较均衡的一个指数。
2、行业分布
标普中国A股质量价值指数设置了40%的行业上限，保证了指数覆盖行业的多样性。前五大行业分布为：建筑材料、工业、可选消费、能源、医药生物。
该指数坚持在高ROE行业中选择低估值个股，可以看到格力电器、双汇发展、东阿阿胶等低估值绩优股都出现在前十大成分股中。
标普沪港深中国增强价值指数同样设置了行业权重上限(40%)，目前行业占比较高的有金融、工业、房地产、能源等周期性行业。前十大成分股中银行股居多，符合该指数专注挖掘沪港深三地低估值股票的特征。
红利指数采用股息率加权，且每只股票的权重不得超过3%，单个行业权重不超过33%。前三大行业分别为工业、可选消费和房地产。可以看出，传统行业比重较大，这些行业过了高速发展期，成分股公司发展稳定，有能力进行分红派息。
3、分年度收益
从近10年年化收益来看，红利指数为19.73%、价值指数为16.21%，质量价值指数为13.21%，三大剑客均跑赢了上证50指数（11.19%）和沪深300指数（10.28%）。
分年度来看，红利指数有9年跑赢沪深300指数，价值指数有8年跑赢沪深300指数，质量价值指数有6年跑赢沪深300指数。
（数据来源：Wind；截止日期：2018年12月31日）
数据显示，在一个长周期内，三只聪明贝塔指数能够跑赢主流指数，但是在个别年份会出现策略失效，导致跑输市场。也就是说，不同的因子有其适合的市场环境。
标普红利指数在2009年、2014年、2015年的时候都有很亮眼的表现，爆发力很强。这是因为在当时的市场环境下，小市值公司相对同类型的大市值公司具有超额收益。盈亏同源，在以大为美的2017年则出现跑输现象。
标普沪港深指数价值指数其实就是挖掘低估值股票，进行逆向投资。在投资界遵循低估值投资策略的代表是格雷厄姆，购买价格低于价值的标的。
事实上，该指数也是近10年和近3年回撤最小的指数，防御性十分突出，缺点是牛市容易跑输。不过拉长周期看，它的收益也很明显，其近10年的年化收益仅次于标普红利指数。
标普质量价值指数其实是结合质量因子和价值因子来被动复制巴菲特的选股思路。早期的巴菲特特别奉行“捡烟蒂”投资法，后来受芒格的影响，转而追求价格合理的优质企业。
因此质量价值指数的收益主要来源于企业盈利增长和一部分估值回归。熊市中，好股票被错杀是大概率事件。在经历了2018年的回撤之后，目前的估值具有很大的吸引力。
综上，不同的Smart Beta因子在牛熊市中有不用的表现，但在长周期内有望跑赢主流指数。
一般来说，当经济增长比较强的时候，价值，动能和市值因子表现会很好。
在经济增长比较弱的时候，高分红率，高质量，低波动率会表现比较好。
了解这些特征后，我们才能在不同市场中更好做出选择。
你好，他们说的指数基金，其实指的是大盘型指数基金，比如创业板指数，今年涨的也很好，
这个好是相对的，指的是风险比股票型基金低，指的是定投，举个例子，今年七月底到九月底这两个月的横盘期间，上证指数只跌了200点，大约6%，但是大多数股票自高位夭折了30%以上，这个风险对比很容易看出来。
至于你说的涨幅问题，指数跟踪型基金当然是涨不过股票型基金的，要知道大盘涨***那是什么样的概念，怕是全民炒股也不为过了。
而且哪有风险低，收益高的基金，那大家岂不是都买这个去了。
关于SP的: Style Momentum Within the SP 500 Index (Chen and De Bondt, 2004)和 Cross-Asset Style Momentum (Kim,2010)
美国行业/板块: Do Industries Explain Momentum? (Moskowitz and Grinblatt, 1999), Understanding the Nature of the Risks and Sources of Rewards to Momentum Investing (Grundy andMartin, 1998)
美国小盘股: Bad News Travels Slowly: Size, Analyst Coverage, and the Profitability of Momentum Strategies (Hong et al, 1999)
欧洲股票市场: International Momentum Strategies ,(Rouwenhorst, 1997)
英国股票市场: The Profitability of Momentum Investing , (Lui et al, 1999), Momentum in the UK Stock Market (Hon and Tonks,2001)
中国股票市场: Contrarian and Momentum Strategiesin the China Stock Market: 1993-2000 (Kang et al, 2002), The “Value” Effect and the Market for Chinese Stocks (Malkiel and Jun, 2009), Momentum and Seasonality in Chinese Stock Markets (Li, Qiu, and Wu, 2010)和 Momentum Phenomenon in the Chinese Class A and B Share Markets (Choudhry and Wu, 2009)
日本股票市场: Eureka! A Momentum Strategy that Also Works in Japan (Chaves , 2012)
澳洲股票市场: Do Momentum Strategies Work?: Australia Evidence , (Drew, Veeraraghavan, and Ye, 2004)
瑞士股票市场: Momentum and Industry Dependence (Herberger, Kohlert, and Oehler, 2009)
新兴股票市场: Local Return Factors and Turnover in Emerging Stock Markets , (Rouwenhorst, 1999)
前沿新兴股票市场: The Cross-Section of Stock Returns in Frontier Emerging Markets (Groot, Pang, and Swinkels, 2012)
全球股票市场: Momentum Investing and Business Cycle Risk: Evidence from Pole to Pole , (Griffin et al, 2002), International Momentum Strategies (Rouwenhoust, 1998), The Case for Momentum (Berger, Isael, Moskowitz, 2009)
外汇市场: Do Momentum Based Strategies Still Work In Foreign Currency Markets? (Okunev and White, 2003), Interaction between Technical Currency Trading and Exchange Rate Fluctuations (Schulmeister, 2006), Momentum in Stock Market Returns: Implications for Risk Premia on Foreign Currencies (Nitschka, 2010),和 Currency Momentum Strategies (Menkhoff et al, 2011)
大宗商品市场: Momentum Strategies in Commodity Futures Markets (Miffre and Rallis, 2007), The Strategic and Tactical Value of Commodity Futures (Erb and Harvey, 2006)
技术分析: 52-Week High and Momentum Investing (Georgeand Hwang, 2004).
公司盈利: Momentum Strategies (Chan et al, 2006), Firm-specific Attributes and the Cross-section of Momentum (Sagi and Seasholes, 2007)
在时间维度上: Market States and Momentum (Cooper, Gutierrezand Hameed, 2003), Time-Varying Momentum Profitability (Wang and Xu, 2010), Time Series Momentum (Moskowitz et al, 2011), 212 Years of Price Momentum (Gezcy, 2013), A Century of Evidence on Trend Following (Hurst, Ooi, Pedersen, 2012), Two Centuries of Trend Following (Lempérière, 2014).
还有各种从价格动量(price momentum)衍生出的变体，例如：
“新鲜”动量： Fresh Momentum (Chen, Kadan and Kose, 2009)
“残余”动量： Residual Momentum (Blitz, Huij and Martens, 2011)
CAPM/Fama-French“残余”动量： Some Tricks to Momentum (SocGen, 2012)
“双重”动量： Risk Premia Harvesting Through Dual Momentum (Antonacci,2013)
“共同”动量: Comomentum: Inferring Arbitrage Activity from Return Correlations (Lou and Polk, 2012)
趋势因子: Trend Factor: A New Determinant of Cross-Section Stock Returns (Han and Zhou, 2013)
在跨多种资产的研究中，人们通常把动量因子（Momentum Factor）和价值因子（Value Factor）放在一起研究，例如: Global Tactical Cross-AssetAllocation: Applying Value and Momentum Across Asset Classes (Blitz and VanVliet, 2007), Value and Momentum Everywhere (Asness, Moskowitz, and Pedersen,2009), Using a Z-score Approach to Combine Value and Momentum in Tactical Asset Allocation (Wang and Kohard, 2012), 和 Size, Value, and Momentum in International Stock Returns (Fama and French, 2011)
也有和反转（Reversal/Mean Reversion）一起研究，例如： Momentum– Reversal Strategy (Yu and Chen, 2011), An Institutional Theory of Momentumand Reversal (Vayanos and Woolley, 2010), Momentum and Mean Reversion across National Equity Markets (Balvers and Wu, 2006), Macromomentum: Returns Predictability in International Equity Indices (Bhojraj, 2001)
至于动量因子产生的原因至今没有定论，投资者的行为偏差（behavior bias）算是其中一个，主要体现在投资者对于自己掌握的信息过于自信，从而导致资产价格对于新信息反应不足（underreaction）: Investor Psychology and Security Market Under-and Over-Reactions (Daniel, Hirshleifer, Subrahmanyam, 1998), Overconfidence, Arbitrage, and Equilibrium Asset Pricing (Daniel, Hirshleifer, Subrahmanyam,2001)
其他类似的解释例如：
When are Contrarian Profits Due to Stock Market Overreaction? (Lo and Mackinlay, 1990), A Model of Investor Sentiment (Barberis,Shleifer, Vishny, 1997), A Unified Theory of Underreaction, Momentum Trading and Overreaction in Asset Markets (Hong and Stein, 1997), Price Momentum andTrading Volume (Lee and Swaminathan, 1998), Underreactions and Overreactions:The Influence of Information Reliability and Portfolio Formation Rules (Bloomfieldet al, 1998), Rational Momentum Effects (Johnson, 2002)
除此之外，还有从其他不同角度进行解释的，例如:
交易成本(Trading Cost): The Illusory Nature of Momentum Profits (Lesmond, Schill, and Zhou,2004), Trading Cost of Asset Pricing Anomalies (Frazzini, Israel and Moskowitz, 2012)
横截面预期收益(Cross-sectional Expected Returns): Momentum is Not an Anomaly (Dittmar et al, 2007)
知情交易(Informed Trading): Momentum and Informed Trading (Hameed et al, 2008)
市场情绪(Sentiment): Sentiment and Momentum (Doukas et al, 2010)
经济周期(Business Cycle): Momentum, Business Cycle, and Expected Returns (Chordia and Shivakumar,2002)
文化差异(Cultural Difference): Individualism and Momentum around the World (Chui, Titman and Wei,2009)
过度协方差(Excess Covariance): Momentum and Autocorrelationin Stock Returns (Lewellen, 2002)
避税(Tax Loss Harvesting): PredictingStock Price Movements from Past Returns: The Role of Consistency and Tax-LossSelling (Grinblatt and Moskowitz, 2004)
宏观风险溢价 (Macroeconomic Risk Premium): Momentum Profits, Factor Pricing and Macroeconomic Risk Factor (Zhang, 2008)
前景理论(Prospect Theory ): Prospect Theory, Mental Accounting, and Momentum (Grinblatt and Han,2004)
处置效应(Disposition Effect): The Disposition Effect and Underreaction to News (Frazzini, 2006)，其中前景理论与处置效应均指投资者在处理股票时，倾向卖出赚钱的股票、继续持有赔钱的股票。
回报预期 (Return Expectation): Momentum Trading and Performance with Wrong Return Expectations (Gatev and Ross, 2009)
推定预期 (Extrapolative Expectation): Expectations of Returns and Expected Returns (Greenwood and Shleifer, 2012)， Extrapolative Expectations and the Equity Premium (Choi and Mertens, 2013)， X-CAPM: An Extrapolative Capital Asset Pricing Model (Barberis, Greenwood, Jin, Shleifer, 2013)，推定预期是行为金融学中专门为解释动量因子而提出的假设，即指人们往往根据最近的变化来预测未来的变化，并不断改变对未来的预期。
另外，动量因子也可以用Fama-French三因子模型来解释: Explaining Momentum within an Existing Risk Factor (Liu, 2012), 或者用风险溢价来解释: Asymmetric Risks of Momentum Strategies (Dobrynskaya, 2014),或者用动态beta来解释: Dynamic Beta, Time-Varying Risk Premium, and Momentum (Zhang, 2003)
虽然动量策略能够带来市场超额回报（market excess return），但要承担风险，有时候这个风险是巨大的。这就是所谓的“动量崩盘”（Momentum Crash）: Momentum Crashes (Daniel and Moskowitz, 2011), Tail Risk in Momentum Strategy Returns (Daniel,Jagannathan and Kim, 2012)。如下两图所示，动量因子在市场触底反弹时的收益率*。
学者们对此有不同的解释，有的认为是拥挤交易(Crowded Trades)造成的： Crowded Trades, Short Covering, and Momentum Crashes (Yan, 2014),而有的认为是由动量因子本身的性质决定的： Momentum Has Its Moments (Barroso_Clara,2013)
总而言之，动量因子与价值因子是各种资本市场中普遍存在的现象，而且跑赢大盘的时机各有不同。一些我们通常对动量因子的认知都是错误的( Fact, Fiction and Momentum Investing ,Asness and Frazzini, 2014)。在投资组合中利用这两者的负相关性，便可获得较高的风险调整后收益(risk-adjusted return)和Sharpe 比率。
作为投资异象(Anomaly)中的成员，动量因子与价值因子的存在（尤其是前者）是对有效市场假设(Efficient Market Hypothesis)的一个巨大挑战。（ Dissecting Anomalies , Fama and French, 2007; On Persistence of Mutual Fund Performance , Carhart, 1997）尽管有效市场假设支持者认为这些异象可以用风险溢价(risk premium)来解释，但是资本市场归根到底是“人”的市场，人的本性在市场交易里暴露无遗，所以投资者的行为偏差（behavior bias）是一个大家比较能接受的解释。
世界知名对冲基金AQR的基金经理Clifford Asness和John Liew（都是Gene Fama的学生）用他们连续数十年稳定优异的基金收益表现告诉我们：有效市场与投资异象共存于这个复杂的真实世界中。有时候，投资者的非理性行为使得资产价格超过了合理模型所能解释的范围，从而打破了有效市场假设。但并不是所有的投资异象都能始终盈利（例如动量崩盘），从而又佐证了有效市场假设。事实上，市场有效是常态，只有少数时候才会出现极端情况。长期来看，要想通过主动管理（active management）取得稳定优异的回报是很困难的，投资过程会受到各种情况影响，稍有不慎，所有可盈利的机会都将付之东流。
1.在股票市场上，长期以来存在着两个
特别显著和稳定的规律，一一个是市值效应，
即买市值小的公司未来更赚钱。第
二个是市净率效应，即买市净率低的股
票未来更赚钱。
2.根据这两个规律，
法玛和弗伦奇就提
出了三因子模型，
即用市值因子和价值
因子来衡量除市场风险以外的系统性风
险，
也就是规模风险和价值风险。
3.在美国市场上，市场、规模和价值这
三个因素对所有股票收益率的解释能够
高达90%。
1. 风格捕捉与投资决策
自2014年私募基金登记备案制度实行以来，我国私募基金行业发展迅速，目前已经进入到规范化、制度化发展阶段。如果说2014年~2015年是制度规则密集出台的“起步规范年”，那么2015年至今可谓风生水起的“FOF投资年”。据统计，2015年在上半年行情的推动下，私募FOF市场迎来大爆发，全年私募FOF产品发行数量达到836只，几乎是2014年的5倍。2016年，私募FOF发行数量增长趋势仍在延续，但增长通道趋于平稳。我们估算，当前市场上存续的私募FOF初始规模超1500亿元，FOF投资的方法论成为市场追捧热点。
私募FOF长期稳健的资本增值需要通过合理的资产配置和有效的组合来实现，相对完整的路径是：大类资产配置——类别资产的选择——具体资产的挑选，同时还包括根据市场环境变化进行的动态配置。风格捕捉在私募FOF投资链条上可充当多个角色：在类别资产选择阶段可以作为风格轮动策略具体实施的参考依据，在具体资产挑选阶段有助于更准确地评价基金业绩，在动态配置阶段可以监测标的基金风格变动情况从而及时做出调整，有效降低了选择成本。
若抛开私募FOF复杂的流程形式不谈，对私募基金投资个体而言，风格捕捉在直观上也有助投资决策的确定。由于不同风格类型的标的基金在相同市场环境下的表现有差异，风险收益特征不同，因此对标的基金及时的风格捕捉有利于根据投资者不同的风险偏好与需求选择相应的标的基金。另外，在一定时间段业绩较好的基金，基本都是切合当下基础市场行情市场风格的产品，因此对全市场基金产品的风格捕捉或许可以从一定程度上帮助判断当前市场风格走势。
本文对风格捕捉方法在投资决策上的应用进行了探讨。感谢吴昱璐同学对本文的贡献。
2. 模型构建与因子选取
2.1. 模型选择
对基金投资风格的研究方法主要有基于持仓的分析方法和基于净值收益的分析方法两种。其中，基于持仓的分析方法穿透至底层、搭建了基于持仓数据的横截面统计模型和多期叠加模型，准确性较高。但由于私募基金的信息获取存在一定限制，无法获得高频率的具体持仓信息，因此本文选用基于净值收益的分析方法。
基于净值收益的分析方法较多，典型的有Sharpe资产分类因子模型、Fama-French三因素模型、Carhart四因素模型等。Sharpe模型将基金的历史收益与风格资产收益联系起来，根据基金的收益率对各类风格资产的暴露度来判断基金的风格。Fama-French三因素模型以市场风险溢价因子、市值因子和账面市值比因子来解释基金获得的超额收益。Carhart四因素模型在Fama-French三因素模型的基础上，增加了动量因子。
上述方法具有相似的一般形式，即多因子模型，但在具体的因子选择和可得到的统计结论上各有侧重。Fama-French三因素模型和Carhart四因素模型对风格判定的维度侧重于规模风格、成长风格、动量风格。而Sharpe模型通过对风格资产的切分、可从更个性化的多个维度考察基金风格，通过对各类风格资产的敏感度来判断产品风格较为直观。因此本文选择Sharpe模型对私募基金产品进行风格捕捉。
Sharpe资产分类因子模型的一般表达式为：
其中，R_i表示私募基金i的收益率；因子F_i表示各种类别资产的收益率；其系数b_ij表示私募产品i的收益率对各风格资产j的敏感度，而ε_i代表私募基金i的非因子收益部分，包括了基金经理的主动管理alpha和残差项等在内。按照Sharpe的说法，模型表明基金收益率由风格收益和选择收益两个关键部分组成。
2.2 因子选取与风格界定
Sharpe资产分类因子模型要求类别资产（也即风格因子）满足三个条件：互斥性、全面性、收益差异性。具体而言，任何一个底层证券不应被同时纳入多个类别资产；应将尽可能多的证券纳入所选资产类别；类别资产间或是相关度较低，或是有不同的标准差。由于类别资产构成往往会更替，一定程度上会引起私募基金收益率和风格收益率的偏差。
本文重点探讨风格研究以后的应用问题，因此选择最简单的规模维度做示例：大盘因子、中盘因子、小盘因子。具体应用中使用申万大盘指数、申万中盘指数、申万小盘指数分别作为大盘、中盘、小盘三种风格资产组合，这样的类别资产划分满足三条件的互斥性和收益差异性，但在全面性上存在一定缺陷。Sharpe在1992年的论文中采用了价值股票、成长股票、中等规模股票、小规模股票、欧洲股票、日本股票等12个类别资产做风格探讨。
本文以40天为一个回归周期，通过对回归后的风格因子系数设定一个阈值来判定基金在该段时间内的风格类型。在回归结果拟合度较高的基础上，若某一风格因子系数大于或等于0.5，则判定基金在该周期内为此类风格；若系数均小于0.5，则认为该基金无明显风格，较为均衡。
3. 数据选取与清洗
本文选取私募排排数据库内净值披露频率为天，且净值数据不少于41个的股票多头私募基金作为样本，共计937只。考察期为2016年1月4日至2017年3月31日，以40天为一个回归周期按天进行滚动回归，即每天都将得到一个风格判定。
数据清理过程中涉及以下几点：
（1）考虑到存在数据缺失问题，在提取初始数据时，若该工作日无数据，则选取前10日内最靠近该日的净值数据作为该日数据，若前10日内均无数据，则标记为无数据。
（2）对于每只基金，回归将从考察期内净值披露的首日后40日算起，该日前所有日期标记为无风格数据。
（3）若40天的回归期内有超过5天无净值数据，则不进行回归，即无风格数据。若符合回归要求，则对缺失数据进行插值处理。
4. 股票多头私募全貌：持续显著个体不及一成
本文对符合条件的937只股票多头私募基金在2016年1月4日至2017年3月31日内的日收益率进行以40天为周期的滚动回归，每只基金共计264次回归。经过检验后，据上述风格界定方法判断基金每日相对应风格类型。
在所有937只基金中，共有310只产品有至少一次拟合度符合条件的回归结果，约占所有基金的33.1%。在这310只产品中，符合拟合度要求的回归结果占比低于50%的有252只基金，约占81.3%；符合拟合度要求的显著回归结果占比高于50%的有58只，约占18.7%，其中有两只基金的所有回归结果均符合拟合度要求。
结果表明，多数股票多头私募基金的风格特征无法通过显著性检验，我们理解原因主要有：
一是私募基金仓位设定灵活，在建仓期、风险规避期、策略调整期、多策略分散期、人员调整期都有可能低仓位运行，而产品的存续期限往往是1年~3年，因此在较长的时期（如40个交易日内）持续八成仓位及以上的情况较少，影响了模型的有效性。
二是私募基金投资风格多变，除了少数持续深耕优势行业的私募基金以外，多数私募基金从历史投资周期看均经历过全市场、全行业的投资，随风而动与守株待兔型的风格切换实属常态。另外，如果基金经理在行业和市值风格上持续保持分散，也会导致风格判定的失败。
三是量化交易理念的普及一定程度上扩大了私募基金选股的风格面，其中择时模型和行业轮动模型往往会提升私募基金换手率，加速私募基金仓位和选股的切换。量化交易信号往往随市而动，会减少持续的风格暴露。
由于未通过检验的分析结果不具备统计意义，我们重点探讨如何利用显著性的风格结果辅助私募基金FOF投资。
5. 玩转风格捕捉，辅助私募FOF投资
5.1. 单产品风格漂移监测
风格漂移是私募FOF投资关切的重点之一，高低风险品种的切换、策略重心和集中度的改变等都会造成私募实盘中的风格漂移。对于股票多头私募基金的投资而言，在无法获得高频持仓信息的情况下（往往是投前，投后也常如此），基于净值的风格监测记录了产品的投资轨迹、可作为投资经理所宣称策略的重要印证。对于同一公司管理的多个股票多头产品，风格监测可侧面反映私募基金投资决策会是否有效达成了一致结论、产品间是否有效控制了差异度。某种程度上，后者也反映了私募是否公平对待各类投资者。
从单产品来看，回归结果最直观显示的是该产品在观察期内的风格变化情况，从而能够对产品风格漂移进行监测，反映该产品是否有投资策略的变化。
在通过显著性检验的观察样本中，我们发现某私募基金公司旗下几乎所有的股票多头产品都表现出了相似的风格轨迹：2016年7月份以前，该私募旗下股票多头产品明显偏向大盘风格，而2016年8月份以后，旗下股票多头产品风格逐步向中小盘倾斜，2017年初以来，大市值偏好再度提升。
我们认为，同策略产品净值走势的趋同、风格轨迹的趋同可帮助私募FOF在投资中有效识别纯平台型或投资管理不集中的私募基金，当然，若产品处于截然不同的投资周期例外。
5.2. 从产品风格统计看市场风格倾向
从全市场基金产品的维度看，通过对当前有明显风格表现的基金数量分别进行统计，可以判断当前市场风格倾向。
理论上，全市场股票多头私募基金的风格倾向表明了其当前的配置情况，进一步，隐含了私募基金对市场的看法与预期。作为二级市场的重量级参与者，这种风格倾向或将为投资提供一定参考。然而，如前所述，2016年以来，绝大多数股票多头私募基金的市值风格并不明显，仅基于显著小群体的风格统计极有可能偏离行业的真实看法。
由于经过回归后显著表现出风格属性的私募基金产品个数有限，我们仅陈述结果，而不讨论意义。从百分比堆积图看，2016年以来，显著样本对市场的风格倾向逐步由大盘转向中小盘。
5.3. 寻找风格胜率较高的单产品
传统上，我们以各类绩效指标衡量私募基金的业绩表现，典型的如收益率、*回撤、波动率、夏普比率等。对于股票多头而言，风格的成功切换可侧面验证择时择股逻辑的有效性，可考虑成为绩效评价的维度之一。
风格胜率指在一定观察期内产品风格与市场风格相符的比例。
大多数产品的风格胜率在10%以下，胜率大于10%小于等于30%的有95只，另外有16只基金产品风格胜率大于30%，*达40.53%。当然，我们此处统计考虑的是基于历史数据计算的风格与当前风格资产表现之间的关系，更为合理的做法可能是基于历史数据计算风格与未来一段时间风格资产表现计算胜率。
5.4. 配置风格资产可以获得预期效果吗？
在对产品以及市场风格进行观测的基础上，更进一步，可以在选取当前市场中符合投资者风格偏好的产品以后，观测未来产品的表现是否与市场风格走势一致。但是由于基金产品风格切换频率较高或持仓变化较快，我们认为该模型存在一定局限性，无法准确判断产品未来风格走势。
我们发现，对不同的考察期运用该模型会得到不同的结果。本文选取风格资产组合走势同向和分化阶段两种典型情况分别观察，走势分化阶段以2016年11月17日至2016年12月1日为例。走势同向阶段以2017年1月16日至2017年2月17日为例。
在2016年11月17日至2016年12月1日阶段，大盘与中小盘指数走势出现明显分化，大盘指数持续走高，中小盘指数基本持平。统计该阶段显示为大盘和小盘风格的产品收益率，大盘风格收益率从普遍高于小盘风格收益率，且小盘风格产品收益率均小于零，与指数走势一致。
在2017年1月16日至2017年2月17日阶段，大盘与中小盘指数走势基本相同，小盘指数收益率相对*，大盘指数收益率相对*。统计该阶段显示为大盘和小盘风格的产品收益率，发现大盘风格产品收益率普遍高于小盘风格产品收益率，与市场风格走势相悖。
5.5观测单产品的风格追踪误差
Sharpe曾提出，在尽可能描绘基金的风格全貌以后，可以考虑搭建一条模拟的风格基准，观测产品未来表现相对风格基准的偏离。但我们认为，私募基金追求的是更为宽泛的投资理念与*收益的实现，本身极少考虑对模拟的风格基准的追踪问题，因此我们此处不讨论这一话题，仅作为开阔思路提出。
6.总结
综上所述，将Sharpe资产分类因子模型应用于股票多头私募基金、辅助FOF投资，目前较为可行的用法是监测单产品风格漂移，在观测市场风格倾向方面面临可用样本占比过低的问题、在寻找风格胜率较高的产品方面可能面临方法缺陷对结果的扰动、在配置风格资产方面可能面临追踪误差较大的风险。我们将持续关注完善基于风格捕捉的私募FOF投资改进。
此外，就数量模型本身而言，由于R^2仅能反映模型对整个回归周期的拟合度，而无法显示周期内模型估计值偏离程度的走势，因此当回归周期末模型估计值偏离程度较高时，对未来风格趋势的判断可能存在偏差。
