新周期下，基于C-L模型评估基金经理择时选股能力

新周期下，基于C-L模型评估基金经理择时选股能力

在基金业绩评价领域，基金经理的宏观择时能力与微观选股能力是研究的核心。本文通过改进C-L模型中牛熊周期的划分标准，使用BRY-BOSCHAN模型来划分沪深300指数的牛熊周期，并通过实证分析比较了改进模型与传统模型在评估基金经理择时选股能力上的差异。研究发现，在95%的置信度下，仅9.07%的基金产品具有选股能力，10.42%的产品具有择时能力，仅1.14%的基金产品同时具有择时能力和选股能力。

宏观周期划分

关于国内股票市场牛熊周期的划分，没有统一的标准，结果因人而异。本文中，我们选择市场上广泛使用的沪深300宽基指数代表市场走势，其涵盖了在上海和深圳证券交易所上市的300只大市值股票，能够较为全面地反映中国资本市场的整体走势。我们使用BRY-BOSCHAN模型来对其进行周期划分，BRY-BOSCHAN模型是一种广泛应用的非参数方法，能够根据时间序列数据中的峰值和谷值，客观地识别出牛熊周期的转折点，无需对数据做过多的假设，适合用于股市等高频波动的经济数据。

我们选用沪深300指数每月月末收盘价组成的时间序列，来进行牛熊周期的划分，要求单个牛市（熊市）周期不短于5个月，相邻的牛熊周期不短于10个月。我们先用双边HP模型对沪深300指数进行两次滤波以并取得平滑后周期项数据，然后再使用BRY-BOSCHAN模型对上述数据进行周期划分，在经过数据处理后，自2005年以来的沪深300牛熊周期划分结果，如下图所示：

2005年1月至2024年6月，对于沪深300指数，BRY-BOSCHAN模型划分牛市区间9个，熊市区间10个，其中最长牛市区间为2006年1月至2007年10月共计22个月，最长熊市区间为2021年3月至2022年10月共计20个月，牛市区间平均时长为11.56个月，熊市区间平均时长为13个月，基本符合牛短熊长的市场认知。

择时选股模型

C-L模型，即Chang-Lewellen模型，是由Eric C. Chang和Jonathan Lewellen于1984年在《Market Timing and Mutual Fund Performance》一文中提出的，用于测量基金经理的择时和选股能力。该模型通过扩展传统的资本资产定价模型（CAPM）并引入非线性因素，解决了单纯使用线性模型时，对基金经理能力评估的不足。C-L模型的回归公式如下：

Rp - Rf = α + β1(Rm - Rf)D1 + β2(Rm - Rf)D2 + εp

其中，Rp表示基金收益率，Rm表示权益市场收益率，Rf表示无风险利率，D1与D2为方便线性回归而设置的哑变量（取值为0或1），在牛市环境中，D1=1，否则为0，在熊市环境中D2=1，否则为0。β1表示牛市环境下，基金产品的系统风险水平，β2表示熊市环境下，基金产品的系统风险水平，而α表示在牛熊市场环境下共同的超额收益，εp为误差项。

上述回归模型其实可等价拆分为两个线性回归模型，分别为牛市环境下的回归模型与熊市环境下的回归模型，约束条件则为两者的超额收益α相等。从上述公式可以看出，牛熊区间的划分对评价结果起决定性作用，直接决定了回归系数β1与β2，在论文中，作者用月度收益率来判断市场牛熊区间，若Rm-Rf>0表示牛市，则D1为1而D2为0，若Rm-Rf≤0表示熊市，则D1为1而D2为0。在国内对于模型的使用过程中，通常采用周度收益率来回归模型，牛熊市的判定周期更短。

产品测算数据

在测算区间方面，考虑到国内基金经理管理产品平均年限较短，我们则选取近两个牛熊区间（2020.3至2024.6），4年多的数据用于C-L模型回归。

在数据频率方面，由于部分基金产品会不规则披露产品净值（如定开基金），我们则统一采用基金的周度收益率数据，在确保数据统一尺度下（可比性），对单只基金产品而言，有足够多的收益率数据用于模型回归。

在牛熊区间划分方面，将上文牛熊区间的划分作为实验组，在牛市区间（2020.3-2021.2与2022.11-2023.3），C-L模型中D1=1，D2=0，在熊市区间（2021.3-2022.10与2023.4-2024.6），C-L模型中D1=0，D2=1，在此划分标准下，单个牛熊区间周期大于5个月，有利于基金经理进行中长期调仓，更符合实际情况。作为对照组，我们采用传统算法，用股票市场的周度收益率来判断D1、D2，即当根据市场周度超额收益率是否大于0，判定D1与D2的取值，在传统划分标准下，牛市与熊市的区间是以周度为单位的，相对零散。

在基金样本方面，我们选取2020年以来的主动权益基金（天相基金二级分类中积极股票基金、偏股混合基金、灵活配置混合基金），为了剔除灵活配置混合基金中部分股票仓位太低的产品（具有很强的固收属性），我们要求在测算区间中产品需满足季度平均仓位在50%以上。经过滤后，有1708只产品（仅统计基金主份额）符合要求。

测算结果分析

根据上述描述，我们C-L模型，在不同周期的划分标准下，对1708只基金进行了测算，并计算出回归参数在几种情形下的P值，分别分α=0,β1=0,β2=0，β1=β2，以观察基金产品在95%的置信度下，是否具有择时选股能力。

为了直观展示两组模型计算结果的差异，我们用散点图分别将选股能力（超额收益α，其大于0表示有选股能力，否则不具备选股能力）与择时能力（β1-β2，结果大于0表示有择时能力，否则不具备择时能力）展示出来，并标注出在95%置信度下，在两组模型测算下，具有选股能力、择时能力的基金产品，如下图所示：

1、不同模型下，基金产品选股能力分析

在选股能力方面，从左图可以看出，两组模型的的结果呈现正相关，意味着在对于基金产品的择时能力判断上，两组结果大部分结论相同。在不区分置信度的情形下，62.70%（左图中第一象限，1071/1708）的基金产品在两组模型测算下均具备选股能力，14.99%（左图中第三象限，256/1708）的基金产品均不具备选股能力；还有部分基金产品，两种模型的测算结果相反，16.16%（左图中第二象限，276/1708）的基金产品实验组支持其有选股能力而对照组不支持，6.15%（左图中第四象限，105/1708）的基金产品对照组支持其有选股能力而实验组不支持。

在95%的置信度下，在选股能力方面，两组模型结论更加一致，12.06%（左图中第一象限，206/1708）的基金产品的具备选股能力（至少一种模型的结果具有95%的置信度，绿色点+蓝色点+红色点），其中3.63%（左图中第一象限，62/1708）的基金产品两种模型均支持其具备选股能力（红色点）。

2、不同模型下，基金产品择时能力分析

在择时能力方面，从右图可以看出，两种模型的结果差异较大，我们重点关注在在95%的置信度下(P(β1=β2)<0.05)，有4只产品分布在第二象限（红色点），表明实验组模型支持其具备择时能力（β1-β2>0）而对照组不支持，这4只产品的测算数据如下表所示：

从上表可以看出，在选股能力方面，对照组在95%置信度下均支持4只产品具备选股能力（超额为正，标红部分），而实验组的数据并不能支持这一结论，我们结合持仓数据来看，用业绩归因模型（BF模型）分析（具体数据请查看天相基金评价助手TXMRT），005493、005741与160726等三只产品，在2020.3至2024.6区间内，选股贡献累计为负，不具备选股能力，说明对照组在选股方面判断有误。在择时能力方面，结合股票仓位、持仓风格等指标来看，在下跌期间，上述产品或降低仓位，或增加价值风格暴露，初步分析，实验组的数据更符合实情，即产品具有择时能力。

结合上文牛熊区间的划分标准，基金经理若判断未来一段时间，权益市场表现较差，其或降低股票仓位，或换仓配置防御属性较高的股票，在择时方面，实验组数据更具说服力。

3、在同一模型下，基金产品的择时选股能力分析

在对比两种不同周期下两组CL模型的测算结果后，下文我们将展示在同一组模型下，1708只基金产品的择时选股能力，查看他们的大致分布，找出同时具有择时选股能力的基金产品。两组模型测算结果如下图所示，下文将主要分析实验组数据。

在实验组（左图），在95%置信度下，9.07%（左图中Y轴右侧蓝色点+红色点，155/1708）的基金产品具有选股能力，10.42%（左图中X轴上侧绿色点+红色点，178/1708）的基金产品具有择时能力，仅1.14%（左图中第一象限红色点，24/1708）同时具备择时与选股的能力，下文将附24只基金产品名单（按基金代码排序）。而在对照组（右图），在95%置信度下，没有基金同时择时选股能力。

总结

在采用两种不同的市场周期划分方法时，我们发现基金产品的择时能力呈现出明显的差异。在采用新的牛熊周期划分标准后，我们发现实验组的择时能力表现优于对照组。实验组的优势在于其周期划分的灵活性，这种方法不依赖于固定的自然周或自然月的收益率，而是通过BRY-BOSCHAN算法来更精确地识别真实的市场牛熊周期，从而减少了随机波动的干扰。这种方法有助于我们筛选出那些在不同市场周期中真正具备择时和选股能力的基金产品，为产品研究和资产配置提供了有价值的参考。然而，需要注意的是，本文的研究仅覆盖了4年多的时间跨度，基金经理在这一时期内表现出的择时能力，并不能保证在未来或不同的市场环境下同样有效。

接下来，我们将对24只表现出择时和选股能力的基金进行深入分析，将基于净值回归来对其持仓进行测算，从而追踪这些基金的持仓变化，观察基金经理是如何调整仓位来适应市场变化。