【华泰金工林晓明团队】板块风格划分下的基金评价框架——华泰基本面轮动系列之十九
本文力求寻找在不同行业板块和风格基金池内普适的基金评价方法
本文将在板块和风格划分的基础上进行基金评价体系构建，核心目的是寻找在不同的板块和风格间具有普适性的基金评价方法，更加全面立体地对选基因子进行筛选，主要研究内容包括：1、基于AH持仓分析以及晨星风格箱方法，对基金进行板块和风格划分；2、从基金收益获取能力等多个维度整理了包含31个因子的基金评价因子库，囊括了主流的定量选基方法；3、从回测有效性、时间敏感性、板块适应性等维度综合考虑筛选表现较好的选基因子，并且构建复合因子。最终构建的复合策略在不同板块和风格基金池内都可以实现稳定的收益，呈现出稳定的基金筛选能力。
六大行业板块、三大风格划分：AH基金持仓拆解以及晨星风格箱方法
本文以主动偏股型基金为主要对象进行行业板块以及风格偏好划分。我们基于基金详细持仓情况，将基金进行消费、医药、科技、高端制造、周期和金融六个核心板块划分，以及价值、成长、均衡三个主要风格偏好划分。在划分过程中，我们遵循“先板块后风格”的顺序，先依据基金的A股以及港股详细持仓综合测算基金在不同板块的持股占比，筛选在单一板块持股较为集中的基金；然后再基于晨星风格箱，确定非行业主题基金的风格偏好。
从回测有效性、时间敏感性、板块适应性等维度综合评估选基因子效果
从收益获取能力、风险控制能力、牛熊市表现等多个维度出发，本文整理了包含31个因子的基金评价因子库。通过设置不同的因子窗口参数、调仓时间路径以及板块风格划分进行回测分析，再由控制变量法评估选基因子的有效性和适应能力。我们具体构建了因子有效性指标、时间敏感性指标以及板块敏感性指标对选基因子定量评定，其中因子有效性指标衡量选基因子收益的高低，时间敏感性指标判断选基因子受到调仓时间路径的影响，板块敏感性指标评估选基因子在不同板块的适应性。综合评分较高的因子，比如逆境战胜市场胜率等，呈现出稳定有效的基金选择能力。
将多个选基因子有效复合，构建基金评分体系
综合考虑因子测试表现以及相关性等因素，我们确定了基金年化收益率、逆境战胜市场胜率、H-M模型择时、基金份额与下行风险五个综合表现较好的基金评价因子。在此基础上我们基于最大化ICIR方法构建复合选基因子。在2017年至2022年5月的回测区间中，复合选基因子在各板块的平均RankIC达到15.1%，单一板块最低RankIC也在10%以上，在不同板块风格基金池内呈现出稳定的基金选择能力。分板块的基金评价框架可以帮助FOF组合在板块间尽量均衡，降低风格偏离的风险，另一方面也可以直接将板块观点和优选基金相结合，实现层次化的FOF组合构建。
风险提示：本报告对历史数据进行梳理总结，历史结果不能简单预测未来，规律存在失效风险。本报告对于基金产品的研究分析仅基于历史公开信息，基金产品的回溯分析并不预示其未来表现。请投资者谨慎客观看待。本报告不涉及证券投资基金评价业务，不涉及对具体基金产品的投资建议和具体个股的投资建议。
报告正文
本文导读：在板块风格划分基础上寻找通用的基金评价方法
分板块的基金评价筛选具有非常明确的投资意义，一方面市场热门板块和投资风格切换对于传统基金评价筛选工作带来较大干扰，在全市场基金范围内筛选的绩优基金可能恰好与市场投资风格契合，后续的业绩表现可能难以持续；另一方面基金经理普遍具有较为擅长的能力圈，对于特定板块和风格较为偏好的基金经理在市场上也具有越来越突出的表现，将FOF管理者的行业风格观点与风格鲜明的基金经理进行搭配，可以构建出层次清晰、竞争力明确的FOF组合。
前期报告中，我们从消费、科技、医药板块进行主题基金筛选和评价工作：《行业配置落地：医药基金筛选》（2021-02-09）、《行业配置落地：科技主题基金筛选》（2021-04-20）、《行业配置落地：消费主题基金筛选》（2021-05-20）。在原有报告的基础上，我们希望可以对基金评价的方法进行深挖细化，基于基金的风险收益特征、持仓明细、隐形交易能力等多个方面，寻找可以对基金收益有预测能力的选基指标：
1、 首先，“板块风格划分”+“基金优选”的权益基金筛选层次分明、归因清晰，可以减少由于基金风格偏好带来的筛选误差。如果不对基金的行业板块与风格偏好进行划分，一旦市场风格切换就容易出现FOF组合表现下滑的风险。
2、 其次，在不同的板块与风格划分之下，我们可以寻找更具普适性的选基因子。在剔除板块风格影响下寻找表现稳定的基金评价方法。
3、 最后，我们希望将行业轮动策略与主题基金评价筛选方法相结合，构建逻辑清晰且回测表现更加稳健的FOF组合策略。
本篇报告作为华泰金工基本面轮动系列报告的第十九篇，将聚焦在行业配置策略的应用层面，力求寻找在不同板块间通用的基金评价方法进行板块风格基金优选，以期进一步和行业轮动策略相结合进行FOF组合构建。本文的主要研究内容将分为以下几个方面：
1、 对主动偏股型基金进行所属行业板块以及投资风格偏好的划分。我们将基于基金详细持仓情况，将基金进行消费、医药、科技、高端制造、周期和金融六个核心板块划分，以及价值、成长、均衡三个主要风格划分。
2、 构建完整详实的基金评价因子库。从基金收益获取能力、风险控制能力、机构持仓特征等多维度整理了包含31个因子的选基因子库，对基金进行全方面评价。
3、 从回测有效性、板块敏感性和时间敏感性三个方面对选基因子进行客观评价。在不同板块上测试选基因子的IC以及年化收益，定量分析板块选择以及回测时间路径对于因子表现影响，选取通用的选基因子进行复合。
基金行业主题以及风格划分
本文主要以主动偏股型基金为研究对象，首先按照基金的持股明细进行行业主题基金划分，然后在此基础上将余下的基金按照晨星风格箱进行风格偏好的划分，具体流程如下：
1.主动偏股基金选取：以所有的普通股票型、偏股混合型和灵活配置型基金为主要研究对象，计算时只按照A类基金进行相关计算统计。
2.行业主题基金筛选：根据AH股详细持仓计算板块持仓权重进行行业主题基金筛选。根据半年报和年报的详细持仓情况计算基金在细分行业板块的持仓比例，连续三个报告期满足相应阈值后划分归入行业主题板块基金。
3.风格偏好基金筛选：基于晨星风格箱方法计算基金的风格偏好。优先进行行业主题板块划分，然后进行基金持仓风格划分。
基金池筛选及行业板块划分
我们先对全市场主动偏股型基金进行板块划分。这里主要基于基金的半年报、年报详细持股列表数据进行分析，具体处理流程如下：
1.确定基础池：以Wind开放式基金分类为基础，获取所有普通股票型、偏股混合型和灵活配置型基金，作为基础池。同一基金的不同份额仅保留A类份额。
2.数据预处理：对于上述基金池，分各期对基金持股比例进行筛选，要求各期有效基金为连续三个详细持仓报告期（半年期）平均持股比例大于60%。
3.持仓行业板块权重计算：基于每只基金的半年报和年报完整持仓数据，计算其在各行业板块持仓权重，并进行归一化处理。
4.筛选符合条件的行业板块基金：将基金第一大持仓板块权重与设定阈值比较，要求基金连续三个详细持仓报告期（半年期）最低持仓板块权重35%以上，平均持仓板块权重45%以上。
对于行业板块划分，这里按照各股票对应的中信一级行业（针对A股）和恒生一级行业（针对港股）进行划分，将各类基金尽可能划入各类行业主题板块。在合并A股和港股权重时，直接将持股市值在板块内叠加。
本文给出的行业划分带有一定的主观性，随着基金关注热点的变化，我们也可以将主题板块的划分做得更加细致。不过整个流程计算方法相对固定，计算结果也可以根据设定的板块跟踪紧密程度而定。
基于晨星风格箱进行基金风格划分
在划分好行业主题型基金后，我们进一步对余下的基金采用晨星风格箱方法判断其风格偏好。晨星风格箱方法首先对股票的规模、价值成长特性进行测算，给出各股票对应的大小盘以及价值成长评分，进而按照基金持股权重确定基金所属的风格标签。
计算过程中我们将明细持仓分A股和港股分别计算，也就是A股和港股在各自的市场环境下有独立的晨星风格打分。然后按照AH持仓权重将基金持股的风格评分相加，得到最终的基金风格划分。
原始的晨星风格箱方法对于基金的大小盘也有明确划分，不过在我们的计算中发现，大部分国内市场的基金都是大盘型基金，涉及到小盘股基金并不多。所以在风格划分时我们忽略市值偏好属性，只对成长价值偏好进行划分。
晨星风格箱进行大小盘以及市值成长划分的具体计算过程如下：
1.股票市值属性划分：按照股票流通市值大小将其划分为大、中、小盘股。将股票按流通市值降序排列，计算各股票对应的累计市值占全部股票累计流通市值的百分比（市值累计占比）。其中流通市值累计占比小于等于70%的股票划分为大盘股，流通市值累计占比在70%-90%之间的股票划分为中盘股，其余划分为小盘股。
2.价值成长属性划分：计算个股价值成长得分，在同类规模中划分价值平衡成长股票。在完成规模分类的基础上，将大盘、中盘和小盘分别作为“打分集合”，衡量其中股票的价值和成长得分。
相比于原始的晨星风格箱，我们去掉了预期估值等维度，尽量构建符合市场公允的成长价值划分标准。其中价值维度主要通过PE/PB/PS/PCF四个估值指标计算、成长维度主要通过净利润和营收增长率计算。
价值、成长相关指标分别通过排序进行打分，得到各股票的价值、成长属性得分，然后将股票的成长得分减去其价值得分，得到股票的价值-平衡-成长得分VCG（Value-Core-Growth）。同时，在股票规模分类的基础上，分别确定大盘股、中盘股、小盘股的价值门限值和成长门限值，使得在上述每一规模分类市值属性中，价值型、平衡型、成长型股票的流通市值合计占总流通市值的三分之一。
3.股票风格坐标定位：按照给定坐标公式计算股票规模、风格定位。这里通过二维坐标系——X轴和Y轴将各股票定位于风格箱中，其中，X轴反映价值-成长得分，Y轴反映规模得分。
X轴定位公式：
这里的VCG即股票的价值-混合-成长得分；VT(Flag)表示Flag类股票的价值门限值；GT(Flag)表示Flag类股票的成长门限值；其中Flag表示股票大中小盘类型，大盘时为1，中盘时为2，小盘时为3。
Y轴定位公式：
这里Cap表示股票总市值；MST表示中小盘门限值；LMT表示大中盘门限值。
根据前面计算股票的规模、价值成长属性分值分别计算出其相应X轴、Y轴得分，然后按照相应股票风格划分标准，确定股票所属晨星风格标签。
4.基金晨星风格确定：根据基金持股市值，找出基金市值占比最多的风格。在股票晨星风格标签划分的基础上，根据基金持股权重以及相应股票市值，找出基金对应持有市值最多的风格标签，即为基金所属的风格标签。
基金数目以及最新数据统计
截止到今年3月末2021年基金年报披露完毕，全市场总计有主动偏股型基金2460只，其中普通股票型391只、偏股混合型1035只、灵活配置性1034只。经过行业主题以及风格偏好的划分，六大板块以及三个风格对应的基金个数在图表8中列示。
统计数据来看，在板块配置方面2021年以前科技、消费、医药是主要的投资方向，2021年高端制造板块基金逐渐增多，周期和金融主题型基金一直较少；在风格配置方面，成长和均衡型基金占比较高，价值型基金占比一直较少。
基金评价因子梳理汇总以及回测评价
选基因子汇总整理
我们从收益获取能力、风险控制能力、牛熊市表现、选股能力、择时能力等多个角度出发构建了包含总计31个因子的基金评价因子库。典型的基金评价因子主要是通过历史高收益、低回撤、低波动等思路进行构建。在附录中我们给出所有因子的详细计算方法。根据因子利用信息时间窗口的差异，主要分成以下三种频率的因子类型，对应的因子数据更新时间安排如下：
1.月频因子：月频因子主要基于基金的净值进行计算，比如计算基金年化收益、波动率、最大回撤等相关指标。相关指标会在每月末汇总最新的净值数据进行计算。
2.季频因子：季频因子主要依据季报数据进行计算，基金季报公布时间主要是每季度结束之日起15个工作日，所以季频因子相关数据在每年的1、4、7、10月进行更新，其他时间沿用前期信号。
3.半年频因子：半年频因子主要依据基金半年报和年报信息进行构建，主要涉及到管理人员工持有份额、机构投资者持有份额等相关信息。其中基金半年报在上半年结束之日起六十日内披露，年报在每年结束之日起九十日内披露。所以在每年3月末和8月末更新基金半年频因子。
选基因子评价维度
与传统的基金评价方法相比，我们更关注基金评价因子在不同场景下的适应能力，具体测试时主要关注以下四个维度信息：
1.关注选基因子适合的窗口参数。一般来说，季频和半年频因子都利用最新的基金定期报告信息进行计算，不过月频因子大部分基于基金净值数据计算，所以月频因子在计算时选取的时间窗口对结果有很大影响。本文尽量选取相对常用的时间窗口期设定，比如3个月、6个月、9个月以及12个月。不过我们需要在不同因子构建方式下，选择表现相对稳定的时间窗口。
2.关注设置的调仓时间路径对选基因子测试结果的影响。实际的基金组合调整一般以季频为主。在回测时我们会设置多组调仓时间路径，评估不同路径下回测收益情况，判断选基因子是否对时间路径选择比较敏感。
3.关注选基因子对于基金收益的解释能力。我们主要通过回测分析的方式判断选基因子对下一期基金收益的解释力度。这里可以通过对回测风险收益指标进行分析，或是计算选基因子的IC以及ICIR值进行定量判断。
4.关注选基因子测试表现受到板块选择的影响。这一部分是本文的核心研究，即在不同的板块和风格设定之下，统计选基因子的回测收益表现差异，进一步判断选基因子对于板块选择的偏好。我们一方面可以寻找在不同板块风格下更具有普适性的基金评价因子，另一方面可以针对特定板块进行选基因子的优选。
在后文的测试中，我们会设置不同的因子窗口参数、调仓时间路径、板块划分。然后通过控制变量的方法对上述四个问题逐一进行分析。
回测过程以及调仓细节
确定选基因子后，我们通过回测检验的方式进行有效性评估。基金申赎过程涉及到的交易细节比较多，在回测时本研究做了如下设定：
1．初始数据准备：以主动偏股型基金（包括普通股票、偏股混合、灵活配置型基金）构建基础基金池，同基金不同份额仅保留A类。
a)基金数据预处理：筛选各期持股比例大于60%的基金。
b)板块风格确定：设定要回测的板块风格，根据前文的板块风格划分进行基金池设定。
c)选基因子数据计算：计算所有选基因子的月度数据，其中季频和半年频因子未更新时沿用前值。
2．基金池二次筛选：回测过程会考虑到基金的规模限制、成立时间以及在任基金经理持续时间等要求。
a)基金规模要求：当期基金合计规模大于1亿。
b)成立时间要求：基金成立时间在1年以上。
c)管理人在任时间：当前基金最长在任基金经理任职时间不少于1年。
3．调仓过程限制：后文策略统一的回测区间从2016年12月31日开始至2022年5月31日。在每期调仓截面下，多头持仓主要是选取因子排名前20%的基金等权买入，回测过程中我们也会考虑到基金的申赎限制、申赎费率等要求。
a)调仓月份设定：回测过程中，调仓月份可以根据需要灵活设置，比如调仓节点为1-4-7-10月，则分别在1、4、7、10月底截取最新因子信号并在下月初调仓。
b)申赎限制：调仓过程中处于暂停赎回状态的基金保留不调出，处于暂停申购或暂停大额申购基金不买入。
c)申赎费率：单因子回测时暂不设申赎费用，检验各因子不考虑手续费下的原始表现。复合因子测试时加入双边手续费0.25%进行测试。
4．选基因子回测参数设置：通过不同的参数设置，我们总共进行三种时间路径、四种时间窗口期、九种板块风格设定的回测，总计3×4×9=108种测试结果：
a)调仓时间路径：分别为1-4-7-10、2-5-8-11以及3-6-9-12月三种情况。
b)因子时间窗口期：分为3个月、6个月、9个月以及12个月四种情况
c)基金范围设置：分为消费、医药、科技、高端制造、周期和金融六个核心板块，以及价值、成长、均衡三个风格偏好，总计九种情况。
窗口期判断：评估时间窗口判断对于因子回测的影响
首先我们分析时间窗口变化对于选基因子表现的影响，对回测结果统计时我们会分别固定选基因子的窗口期（比如三个月），然后统计所有在当前窗口期下的选基因子平均RankIC和年化收益率。
从测试情况来看，窗口期的设定对于选股因子的平均表现影响并不显著。在不同窗口期设定下，回测区间内选基因子的平均RankIC基本处于4%至6%之间，年化收益率基本处于14%和15%之间。我们认为时间窗口选取影响不明显的原因可能在于基金的收益表现具有一定的持续性，绩优基金具有持续跑赢市场的能力。
从更细致的比较来看，12个月的调仓窗口期设定下，选基因子的平均回测表现略优于其他情况。从相对长时间来考察基金的表现也能适当降低策略的换手，减少调仓信号的反复变化。后文的测试中统一将选基因子的窗口期设定为12个月，尽量减少参数调整带来的过拟合现象。
时间敏感性：评估选基因子受到调仓时间路径的影响
从上一小节的图13和图14能够看到，调仓路径的选择对于选基因子的回测结果影响比窗口期选择更加显著。而且1/4/7/10月末进行基金调仓的回测效果会优于其他两个预设的时间路径。所以一个自然而然的猜测就是在目前我们构建的选基因子中，是不是1/4/7/10月这组调仓路径会稳定优于其他路径。
为了进一步验证这个结论，我们分板块统计在不同时间路径下选基因子的平均RankIC。从测试结果来看，1/4/7/10月这组调仓路径下选基因子的平均RankIC在消费、医药、成长、价值、均衡六个板块中都是最高值，九个板块平均IC也高于2/5/8/11月和3/6/9/12月这两组路径。也就是说1/4/7/10月基金调仓效果较好这个结论，不受基金池变化影响，具有一定的可靠性。
上述现象一个可能的原因在于1/4/7/10月是公募基金季报的披露期，此时基金市场信息量增多，进行调仓的信息增量较高。为了进一步验证结论的可靠性，我们将月频、季频以及半年频因子RankIC分别进行统计。从测试结果上来看，季频和半年频因子在调仓路径影响上并不明显，反倒是月频因子在1/4/7/10月IC表现更为突出。
从更贴近实际操作的情况来看，我们很难严格按照1、4、7、10月的路径进行调仓。所以对于一个表现优异的因子，需要在不同的时间路径设定下都呈现出稳定的表现。为此，我们构建了时间敏感性指标定量刻画选基因子受到调仓路径的影响，主要计算方式为不同调仓时间路径下选基因子在各板块平均RankIC的标准差。
选基因子时间敏感性指标数值越大，说明因子回测效果越容易受到调仓时间影响。而且我们发现指标的时间敏感性和因子构建方式存在一定的关联性，比如：
1、用到基金季报信息的因子（基金规模增长率、隐形交易能力）、风险调整类因子（基金索提诺比率、特雷诺比例、夏普比率等）以及基于回归方式构建的选基因子（H-M、T-M模型等）时间敏感性比较高，容易受到调仓日期影响。基于季报信息构建的因子存在路径依赖较容易理解，因为季报发布的时间节奏对测试影响较大。另外两类指标之所以会对调仓时间更敏感，主要是因为这两类因子容易选出来单位风险贡献下收益更高的基金，这样的基金本身就容易有较大的波动，时间路径的影响容易被放大。
2、不过与之相反的是，衡量基金风险控制能力的选基因子时间敏感性较弱，比如下行风险、最大回撤等指标。此类因子容易找到业绩表现较为稳定的基金，此类基金本身波动就很小，受到时间路径的影响也会弱一些。
因子有效性：评估选基因子的收益解释能力
选基因子有效性最直接的度量就是区间回测的平均收益或是平均RankIC等风险收益指标，本文以选基因子在不同板块下平均RankIC作为核心度量指标。综合考虑前文的结论，本小节在统计时结果将选基因子的窗口期统一设置为12个月，三种时间路径下回测结果按平均值计算。
在回测区间内，我们整理的总计31个选基因子都展现出了有效的基金选择能力，平均年化超额收益在2%以上。不过因子的平均RankIC表现有一定分化，表现最好的是夏普比率、索提诺比率、基金份额、年化收益率、单因子模型alpha五个指标。按照选基因子的构建方式来看：
1.首先，和收益相关的指标总体上表现最好。这也符合我们对基金业绩具有持续性的理解，即过去一段时间表现较好的基金经理在未来一段时间的业绩也容易跑赢市场。在进行板块划分之后，基金的业绩持续性表现更加显著。
2.其次，基金份额和基金规模类因子表现居次。“小规模效应”在基金上也有体现，即大规模的基金调仓相对困难，小规模基金容易通过及时操作来获取超额收益。
3.最后，逆境战胜市场胜率以及逆境收益率因子也比较好。可能意味着整个股市环境不好时，基金的表现差异分化比较大，此时基金的表现具有较强的参考意义。
4.除上述强调的维度外，选股能力（单因子模型alpha）、择时能力（H-M模型择时、T-M模型择时）、风险控制能力（回撤最大回补天数、VaR）等指标也具有一定的基金选择能力。每个板块下选基因子的详细回测效果在附录中详细列示。
在回测过程中，我们也发现相同的基金评价因子在不同板块间测试效果存在明显差异。比如基金选股alpha与H-M模型择时能力两个因子测试表现就有很大的差别，选股alpha因子在金融、价值、科技板块上表现较好，但是H-M模型择时主要在消费、价值、均衡板块上表现较好。
从分板块的测试结果来看，大部分板块内测试表现较好因子较为接近，夏普比率和索提诺比率等指标适用板块较多。不过周期板块适用因子和其他行业差别较大，我们认为可能是因为周期板块内行业beta属性比较强，基金之间的差距没有其他板块那么明显。
板块敏感性：评估选基因子受到板块变化影响
如果选基因子的表现容易受到板块范围设定的影响，这意味着因子本身的表现可能依赖于板块的选择，不具有普适性。因此本文构建板块敏感性指标定量刻画选基因子在不同板块上表现的差异性，主要计算方式为不同板块下选基因子RankIC的标准差，三种调仓时间路径下得到的标准差取平均值作为最终的结果。板块敏感性越低的选基因子普适性越强。
从测试结果来看，而逆境战胜市场胜率、隐形交易能力与管理人员工持有比例等因子板块敏感性较低、板块普适性较强，Hurst指数、beta以及单因子模型alpha等因子对板块的变化较为敏感。因子的构建方式和板块敏感性之间并没有明显的关联性。可以根据测试结果尽量优先选择板块敏感度较低的基金评价因子。
选基因子综合评判
我们综合回测有效性、时间敏感性以及板块敏感性三个维度对选基因子进行综合打分。因子有效性指标主要衡量选基因子收益的高低，时间敏感性指标用于判断选基因子受到调仓路径的影响，板块敏感性指标则评估选基因子在不同板块的适应性。其中因子有效性指标是核心维度，时间敏感性和板块敏感性指标可以用于辅助筛选更加稳定的因子。
每个维度原始数据计算方法以及数值结果在前文中已经给出。将原始数值归一化到0-1区间给出最终的排名得分，1分对应原始数据最大值，0分为最小值。综合考虑各项因子的权重最终的选基因子综合打分按如下公式计算：
从不同的打分维度上，我们也能看因子之间鲜明的差异：比如逆境战胜市场胜率、基金份额、逆境收益率是三个打分最好的因子，相对来说三个因子有效性比较高，板块和时间敏感性比较低，也就是因子收益比较高而且相对稳定。部分因子则具有明显短板，比如以年化收益率、夏普比率、隐形交易能力为例的因子时间敏感性较高，测试结果容易受到时间路径影响；回撤最大回补天数等因子板块敏感性太高，普适性不够强。
我们进一步结合选基因子的相关性，确定最终推荐的因子。图表29展示了综合评分处于前列的选基因子相关系数矩阵。可以很明显地看到，综合评分较高的选基因子鲜明地分成五个类别：
1.基金收益：年化收益率、夏普比率、索提诺比率、单因子模型alpha、卡玛比率。
2.逆境收益：逆境战胜市场胜率、逆境收益率。
3.择时能力：H-M模型择时。
4.基金规模：基金份额、基金规模。
5.风险控制：下行风险。
取各类因子中评分最高因子作为相应代表，最终选取的五个因子是基金年化收益率、逆境战胜市场胜率、H-M模型择时、基金份额与下行风险五个因子。
选基因子复合以及基金评分体系
选基因子复合方法对比
确定选基因子后，我们基于简单等权和最大化ICIR两种方法进行选基因子复合。其中最大化ICIR方法核心思路是基于因子历史IC及其协方差表现，通过以因子权重为自变量进行调整，使得最后所配置因子综合ICIR最大。其中对因子协方差的估计可以采用样本矩阵估计法或是压缩矩阵估计法进行，具体计算细节可以参见前期报告《华泰多因子系列之十——因子合成方法实证分析》（2019-01-04）。
本文在应用最大化ICIR方法时，对单个因子权重限制在10%-30%间，时间窗口设为6个月，每个选基因子的原始数值进行排名归一化然后进行复合。在回测时按照前文结论，基金只在1、4、7、10月进行调仓。从复合因子的表现来看，基于样本矩阵的max_ICIR方法从收益和板块敏感性上都具有一定优势，优于其他两个方法。
选基因子复合结果
本节进一步展示复合因子在各板块分层回测结果，考虑到部分板块基金数目比较少，我们在每个板块按照因子数值仅分三层进行测试。从回测结果上来看，复合选基因子在所有板块都展现出稳定分层效果，在科技、周期、高端制造、成长、均衡板块选基效果相对较好。
基金评分体系示例
我们可以从年化收益率、逆境战胜市场胜率、H-M模型择时、基金份额与下行风险五个因子具体数值，对基金进行五个能力综合打分。每个维度根据因子数值在板块内排名，给出0-100的评分。比如以图44给出的三个基金示例，我们可以从分项得分上看到基金之间的差异，基金A在各方面表现综合来看优于其他两只基金。
最新一期基金评分列表
基于五维度复合因子打分体系，我们给出截止到4月30日各板块内单因子评分以及最终的综合打分。每个板块中评分较高的基金在目前的策略中推荐优先级处于前列。
本文在板块和风格划分构建的基金评价框架，一方面可以帮助我们控制FOF组合的风险，通过对多个板块内部进行基金优选，让组合在板块间尽量均衡，降低风格偏离的风险；另一方面，我们也可以直接将板块观点和优选基金相结合，实现层次化的FOF组合构建。
风险提示
1.本报告对历史数据进行梳理总结，历史结果不能简单预测未来，规律存在失效风险。
2.本报告对于基金产品的研究分析仅基于历史公开信息，对基金产品的回溯分析并不预示其未来表现。请投资者谨慎客观看待。
3.本报告不涉及证券投资基金评价业务，不涉及对具体基金产品的投资建议和具体个股的投资建议。报告内容仅供参考，投资者应结合自身风险承受能力，充分考虑指数编制规则、样本股变化、市场风格变化等因素对基金产品业绩产生的影响，根据自身情况自主做出投资决策并自行承担投资风险。
附录
附录一：各因子在不同板块详细RankIC数据
附录二：选基因子计算方法简介
风险提示与评级说明
公众平台免责声明