来源：华泰金融工程
林晓明 S0570516010001
SFC No. BPY421 研究员
李聪 S0570519080001 研究员
韩皙 S0570520100006 研究员
王佳星 S0570119090074 联系人
报告发布时间：2021年4月20日
摘要
本文梳理了科技主题基金池，并构建了一套统一的框架进行基金评价分析
本文从基金配置的角度，继续推进行业配置落地研究，主要聚焦于科技主题基金的梳理与评价。主要工作包含：1、被动型科技主题基金的筛选与评价，重点考察跟踪指数的投资价值，以及基金是否能够紧密跟踪目标指数的表现；2、主动型科技主题基金的筛选与评价，重点关注基金经理的收益获取能力、回撤控制能力、行业配置能力、个股选择能力，并基于画像分析来对基金经理的操作风格进行全景扫描。经统计，截止2021年3月31日，全市场共有被动型科技主题基金57支，规模总计1236.7亿；共有主动型科技主题基金104支，规模总计2320.5亿元。
科技主题基金筛选：结合持仓信息和跟踪指数/业绩基准筛选科技主题基金
本文以持仓为核心，辅以跟踪指数/业绩比较基准，筛选科技主题基金。以被动型为例：1、根据Wind开放式基金分类，获取所有被动指数型和增强指数型基金；2、剔除ETF联接基金、分级基金仅保留母基金、同一基金的不同份额仅保留A份额；3、将基金成立日之后3个月内的持仓数据置为空值，避免因建仓尚未完成而导致误判；4、基于每支基金的半年报和年报完整持仓数据，计算调整后科技行业持仓权重；5、对于有历史持仓数据的基金，要求其科技行业持仓权重最低值大于40%，平均值大于50%；对于刚成立不久，缺乏持仓数据的基金，通过匹配跟踪指数中的关键字来进行筛选。
被动型科技基金评价：重点考察跟踪指数投资价值与基金跟踪紧密度
投资被动指数型基金的核心有两点，一是其跟踪指数是否有投资价值；二是该基金能否紧密跟踪目标指数的表现。对于前者，本文主要从指数编制规则、历史表现和子行业配置三个维度出发；对于后者，本文参考了金牛奖评比规则，将被动型基金分为标准指数型、增强指数型和ETF三类。其中，标准指数型基金主要考察跟踪误差和信息比率；增强指数型基金主要考察信息比率、超额收益；ETF基金主要考察跟踪误差、场内规模和日均成交量。结合成立年限、基金规模等投资约束后，在57支被动型科技基金中有28支满足推荐条件，其中，标准指数型7支，ETF型21支。
主动型科技基金评价：收益能力、回撤控制能力、归因分析、画像分析
本文对主动型科技主题基金的评价主要从两个维度展开：1、基于净值的评价方法：主要考察基金的收益获取能力和回撤控制能力，它们是影响投资者持有体验的最核心的两个维度；2、基于持仓的评价方法：主要开展归因分析和画像分析。其中，归因分析重点关注基金的子行业配置能力和选股能力；画像分析重点关注基金是否择时、持仓集中度、持仓纯净度、长线持仓股表现和隐含交易能力。结果表明，主动型科技主题基金中，优秀基金经理的业绩持续性较高，普遍具备较强的子行业配置和个股选择能力，这得益于科技行业内成分股基本面、价格走势分化较大，有广阔的超额收益挖掘空间。
风险提示：本文梳理的科技主题基金池，以及推荐标的，都是基于一套自定义的定量标准得出，不排除其他优质产品暂未纳入其中的可能性；本文梳理的科技基金推荐池是基于历史表现给出，历史表现并不一定代表未来，请投资者理性看待。
报告正文
本文研究导读
基本面轮动系列报告主要聚焦于中观层面行业轮动研究，在首篇报告《确立研究对象：行业拆分与聚类》（2020-03-03）中，我们进行了行业拆分和板块聚类研究，为后续系列报告确立了统一的研究对象；在系列报告二到五中，我们分别从宏观风险因子、中观风格因子、微观经营模式和产业链上下游关系四个视角进行行业画像分析，力求从不同维度对各行业的核心驱动因素进行梳理；在系列报告六到九中，我们分别从宏观因子、趋势追踪、景气度、拥挤度四个维度展开了具体的行业轮动策略开发。在系列报告十到十一中，我们从指数增强的角度展开了行业配置落地研究，力求将行业轮动模型转化为实际可投资策略。
从系列报告第十二篇《行业配置落地：医药主题基金筛选》（2021-02-09）开始，我们从基金组合构建的角度尝试将行业配置策略落地，本篇报告作为基本面轮动系列第十四篇，延续了《医药》报告的思路，主要聚焦于科技主题基金的筛选与评价，本文所定义的科技主题主要包含计算机、电子、通信、传媒四个行业。后文内容主要分为两部分：1、被动型科技主题基金的筛选与评价，重点考察跟踪指数的投资价值，以及基金是否能够紧密跟踪目标指数的表现；2、主动型科技主题基金的筛选与评价，重点关注基金经理的收益获取能力、回撤控制能力、行业配置能力以及个股选择能力，同时会从多个维度对基金经理操作风格进行画像分析。
被动型科技主题基金筛选与评价
被动型科技主题基金筛选
本文主要结合基金持仓和跟踪指数来筛选被动型科技主题基金，处理流程如下：
1.确定基础池：以Wind开放式基金分类为基础，获取所有被动指数型和增强指数型基金，作为基础池。
2.基金预筛选：在基础池中，剔除ETF联接基金；分级基金仅保留母基金；同一基金的不同份额仅保留A类份额。
3.数据预处理：为了剔除建仓期的影响，将基金成立日之后3个月内的持仓数据置为空值，避免因建仓尚未完成而导致误判。
4.持仓科技行业权重计算：基于每支基金的半年报和年报完整持仓数据，计算调整后科技行业持仓权重，即持有的科技行业个股，占全部A股持仓的比例。
5.筛选符合条件的科技基金：对于有历史持仓数据的基金，要求其最低持仓科技行业权重在40%以上，平均持仓科技行业权重大于50%；对于刚成立不久，暂时缺乏持仓数据的基金，通过匹配跟踪指数中的关键字来进行筛选。
需要说明的是，上述筛选的核心目的是获取科技主题相关的基金池，并非投资推荐，因而条件设置中并未包含可投资性约束（比如基金规模、是否开放申赎等）。
截至2021年3月31日，全市场共有被动型科技主题基金57支，其中：
1. 规模角度：所有被动型科技基金最新规模总计1236.7亿元（后文如无特殊声明，基金规模数据均取自2020年年报）；规模最大的是华夏国证半导体芯片ETF，最新规模238.7亿元；规模前五的基金占总规模比例超过60%，其中有3支都是半导体概念。此外注意到，规模前十的基金全部是ETF基金，说明投资者对于场内科技板块投资工具的偏好更高。
2. 管理人角度：一共有28家基金公司布局了被动型科技主题基金；其中，规模超过100亿的基金公司包括华夏（463.31亿）、国泰（189.11亿）、华宝（109.89亿）、国联安（105.54亿）；数量超过3支的基金公司包括富国（5支）、鹏华（5支）、天弘（4支）。
被动型科技主题基金评价
投资被动指数型基金的核心因素有两点，一是其跟踪指数是否有投资价值；二是该基金能否紧密跟踪目标指数的表现，并且满足规模、合同约定等投资约束。因此，本文对被动型科技主题基金的评价框架也是从这两个维度展开：
1.跟踪指数分析：核心是评估跟踪指数的投资价值。本文主要从指数编制规则、业绩表现和子行业配置三个维度出发，编制规则主要是考察指数构建逻辑是否科学有效，是否有差异性，能否及时“优胜劣汰”；业绩表现主要是考察跟踪指数的收益获取能力；子行业配置主要是考察指数在科技相关子行业（计算机、电子、通信、传媒）上的配置情况，同时也对风险集中度有一个客观评估。
2.基金分析：核心是评估基金是否能紧密跟踪目标指数的表现。本文参考了金牛奖的评比规则，将被动型基金分为标准指数型、增强指数型和ETF三类。其中，标准指数型基金主要考察跟踪误差和信息比率；增强指数型基金主要考察跟踪误差、信息比率和超额收益；ETF基金则主要考察跟踪误差、场内规模和日均成交量。
跟踪指数编制规则
前文梳理的被动型科技主题基金池一共跟踪了38个指数，其中：
1.规模维度：根据2020年年报规模，有6个指数背后的基金规模超过50亿，其中排名前三的分别是国证半导体芯片（272.66亿）、中证5G通信主题指数（257.02亿）、中华交易服务半导体芯片行业指数CNY（147.95亿）。
2.数量维度：大部分指数背后都只有1支基金跟踪，有11个指数例外，分别是中证人工智能主题指数（4支）、中证传媒指数（4支）、中证智能汽车主题指数（4支）、国证半导体芯片（3支）、中证沪港深互联网指数（3支）、中证5G通信主题指数（2支）、中证科技龙头指数（2支）、中证电子50指数（2支）、中证计算机主题指数（2支）、中证云计算与大数据主题指数（2支）、中证移动互联网指数（2支）。
每个指数的编制规则大同小异，基本上是目标行业+流动性+总市值的筛选模式，以中证人工智能主题指数为例，其编制逻辑为：
1.流动性筛选：剔除过去一年日均成交金额排名后20%的股票。
2.目标行业筛选：将为人工智能提供基础资源、技术以及应用支持的相关公司纳入人工智能主题，包括但不限于大数据、云计算、云存储、机器学习、机器视觉、人脸识别、语音语义识别、智能芯片等。
3.总市值筛选：按照过去一年日均总市值由高到低排名，选取不超过100支证券构成指数样本。
另外，有9个指数在编制过程中引入了差异化选股逻辑：
1.中证360互联网+大数据100指数：按规模因子、成长因子、质量因子、反转因子和搜索因子进行打分，选取综合评分最高的前100只股票作为指数样本。
2.中证5G产业50指数：按照资产负债率和第一大股东质押率从大到小排序，剔除两个指标排名均在前20%的股票；对于剩余股票，分别计算总市值对数和市销率倒数，经标准化处理后相加得到综合得分，然后将综合得分对两个类别进行中性化处理，取残差作为最终得分，选取最终得分最高的50只股票作为指数样本。
3.中证科技100指数：计算四个财务基本面指标（过去两年的营业收入、经营活动现金流、净资产、毛利）占该证券所属中证三级行业所有证券该指标总和的百分比，取平均值作为各只证券的基本面综合得分，剔除基本面综合得分最低40%的证券；然后，计算其研发强度、盈利能力以及成长能力的评估得分，按照40%、30%、30%的权重将上述三项评估得分加权平均计算得到综合得分，选取综合得分最高的100只证券。
4.中证科技50策略指数：选取属于高新技术领域且研发人员数量和研发支出总额符合标准的证券作为待选样本，对待选样本分别计算四项风险指标（质押比例、商誉占净资产比、流动比率、应收账款周转率），并剔除触发高风险预警的证券；对剩余待选样本，计算其基本面质量、激励机制以及科技创新的评估得分，然后按照 20%、20%、60%的权重将上述三项评估得分计算得到综合得分，选取排名前50的证券。
5.中证科技50指数：剔除过去两年平均研发支出占营业收入比例小于5%、第一大股东质押比例大于 90%或第一大股东质押比例大于85%且总质押比例大于35%的公司；然后选取最近年报或半年报中商誉占净资产比例小于40%、研发资本化支出占研发支出比例在50%以下、过去一年日均总市值最大的50只证券作为指数样本。
6.中证科技龙头指数：按照过去一年日均总市值与营业收入(TTM)两个指标排名，将两项排名的算术平均作为综合排名，在细分行业内选取综合排名靠前的100只证券。然后根据成长因子（最近报告期的营业收入增速、净利润增速）和研发因子（最近年报研发支出总额占营业收入比例）的算术平均作为综合排名，选取综合排名前50的股票。
7.中证人工智能产业指数：按照[过去一年日均总市值×收入占比得分×营收增速得分]计算综合得分，选取得分较高的50 只证券作为指数样本。
8.中证深圳科技创新主题指数(CNY)：对成长、估值、质量以及研发四项指标进行打分，并按照30%、30%、10%、30%的权重计算综合得分，选取排名前30%（最多不超过50只）的证券作为指数样本。
9.中证新兴科技100策略指数：计算综合盈利能力、估值水平和效率提升三类指标，再以三类指标的平均值作为综合得分进行标准化打分，选取排名靠前的100只股票。
跟踪指数业绩表现分析
为避免受到特定考察区间的影响，本文从历史分年度表现和模拟随机抽样表现两个维度来评估跟踪指数业绩表现的稳定性。历史分年度表现统计了从2016年到2021年六个年度的收益率以及六年的累计收益率，其中2021年仅包含一季度数据；模拟随机抽样是指考察区间内随机抽取一段任意长度的连续样本，计算目标指数是否排名前一半，重复多次计算排名前一半的概率，以5年期为例（2016-01-01至2021-03-31）：1、剔除2016年以后成立的指数；2、随机抽取一段长度超过60天的连续区间，统计该区间内各指数涨跌幅，排名前一半则说明指数表现较优；3、重复1000次，统计各个指数在这1000次随机抽样中排名前一半的概率，值越大，说明指数表现越稳健。
结果显示，5年期、4年期、3年期、2年期表现较优的指数重复率较高，主要集中在中证科技50、中证科技50策略、中证科技龙头等带有差异化选股逻辑的指数中，这从侧面说明科技板块上个股差异较大，获取超额收益的空间也较大，引入一些选股逻辑可以有效增强指数表现。
跟踪指数子行业配置情况
在分析跟踪指数投资价值时，行业配置情况也是一个重要维度，因为大多数科技主题指数在编制时都有一定的赛道聚焦性，这些赛道短期是否有弹性、长期是否符合经济发展趋势，都直接决定了指数的表现。而且在实际投资中，投资者往往是先有了对子行业的排序观点，然后选择最匹配的投资工具进行落地，因此也有必要弄清楚各个指数的子行业配置情况。
统计结果表明，38个跟踪指数中，大部分都聚焦在电子和计算机两个行业上，通信和传媒相关的指数较少。此外，有三个指数的样本空间覆盖了港股，分别是中证港股通TMT主题指数、中证沪港深互联网指数和中证深圳科技创新主题指数。我们知道，国内很多优秀的龙头科技公司（如腾讯0700.HK、美团3690.HK等），都是在香港上市的，它们相较于A股上市的科技公司规模更大，也更具竞争力，因此这些指数的表现值得持续跟踪。
被动型科技主题基金评价
本文参考金牛奖评比规则（2020），对被动型科技主题基金进行分析。首先剔除成立日期晚于2020年3月31日，或最新规模低于2亿（单份额规模，取自2020年年报）的基金，经筛选有32支基金满足条件；然后将这些有效基金分为标准指数型、增强指数型、ETF型3类，考察2020年4月1日至2021年3月31日一个完整年度内的表现：
1.标准指数型基金主要考察跟踪误差（80%权重）和信息比率（20%权重），本文统一保留跟踪误差小于4%的基金，经筛选一共有7支。
2.增强指数型基金主要考察信息比率（80%权重）和超额收益（20%权重），经筛选不存在增强指数型基金（不排除部分科技行业增强基金被归类到普通股票型基金）。
3.ETF基金主要考察跟踪误差（70%权重）、场内规模（15%权重）、日均成交额（15%权重），本文统一保留跟踪误差小于2%的基金，经筛选一共有21支。其中，日均成交额超过1亿的基金有8支，分别是华夏国证半导体芯片ETF（14.05亿）、国泰CES半导体芯片ETF（8.03亿）、华夏中证5G通信主题ETF（7.19亿）、国联安中证全指半导体ETF（3.88亿）、华宝中证科技龙头ETF（3.36亿）、银华中证5G通信主题ETF（2.13亿)、广发国证半导体芯片ETF（1.73亿）、国泰中证全指通信设备ETF（1.14亿）。
主动型科技主题基金筛选与评价
主动型科技主题基金筛选
本文主要结合基金持仓和跟踪指数来筛选主动型科技主题基金，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。
2.基金预筛选：在基础池中，同一基金的不同份额仅保留A类份额。
3.数据预处理：为了剔除建仓期的影响，将基金成立日之后 3 个月内的持仓数据置为空值，避免因建仓尚未完成而导致误判。此外，将所有基金持仓数据按照现任基金经理任职日期截断，也即仅考虑现任基金经理任职以来的持仓数据。
4.持仓科技行业权重计算：基于每支基金的半年报和年报完整持仓数据，计算调整后科技行业持仓权重，即持有的科技个股，占全部A股持仓的比例。
5.筛选符合条件的科技基金：根据基金历史持仓定量筛选符合条件的基金，如果基金刚成立，暂时缺乏持仓数据，则根据基金名称或业绩比较基准中是否包含科技主题关键字来决定是否纳入；如果基金历史持仓数据非空，则引入起始截面的概念来进行判定，也即考察从哪一个报告期开始，目标基金就持续聚焦于科技板块，这主要是考虑到有些基金虽然名称和业绩基准都不是科技相关，但是却持续重仓配置科技板块，同时也有不少基金过去并没有重仓科技板块，但是近年来却持续集中配置科技板块，采用起始截面的思路可以把所有基金纳入到一个统一的分析框架下，也即起始截面之前，该基金不属于科技基金，起始截面之后则属于科技基金。此外，我们会根据基金名称或业绩基准中是否包含科技主题关键字，来设置不同的起始截面要求，如果基金名称或业绩基准中不包含科技主题关键字，则要求起始截面至今满足2年（本文中即指起始截面早于2018年年报），这主要是为了保证基金经理出现风格漂移的风险较低。
起始截面的计算方法如下：对于持仓数据非空的基金，从最新一期往前检索，按照持仓约束条件（科技相关行业持仓权重占比大于40%）进行筛选，找到最早一期满足条件的截面（起始截面至今，中间不能出现不满足约束条件的截面）。如果最新一期数据就不满足约束条件，则剔除该基金；如果能找到有效的起始截面，则检测起始截面至今是否满足长度约束（主要针对名称或业绩基准中不包含科技主题关键字的基金，加入长度约束能够降低该类基金风格出现漂移的风险）。
截至2021年3月31日，全市场共有主动型科技主题基金104支，其中：
1. 规模角度：所有主动型科技基金最新规模总计2320.5亿元（如无特殊声明，规模均取自2020年年报）；规模最大的是诺安成长，最新规模327.8亿元；规模前十的基金占总规模达到55%。
2. 管理人角度：一共有51家基金公司布局了主动型科技主题基金；规模占比靠前的是诺安基金（410亿）、汇添富基金（199亿）、银河基金（185亿）；数量占比靠前的是华安基金（5支）、景顺长城基金（5支）。
需要说明的是，上述筛选的核心目的是获取科技主题相关的基金池，在开展基金评价前，还需要基于可投资性约束进一步筛选。本文设置如下条件：
1.主动基金的起始截面至少满一年（也即不晚于2019年12月31日）。
2.基金的最新资产净值（单份额规模，取自2020年年报）大于2亿。
经过可投资性筛选后，主动型科技主题基金池由104支缩减至48支。后文中，我们主要针对这48支基金进行评价、分析。
主动型科技主题基金评价
本文对主动型科技主题基金的评价框架从如下两个维度展开：
1.基于净值的评价方法：主要考察基金的收益获取能力和回撤控制能力，它们是影响投资者持有体验的最核心的两个维度。其中，收益获取能力主要考察随机抽样收益排名前一半概率、分年度收益、累计收益、创新高次数；回撤控制能力主要考察随机抽样回撤排名前一半概率、分年度最大回撤、累计最大回撤、最长未创新高天数。
2.基于持仓的评价方法：主要开展基金归因分析和画像分析。其中，归因分析重点关注基金的子行业配置能力和选股能力；画像分析重点关注基金的择时、持仓集中度、持仓纯净度、长线持仓情况和隐含交易能力五个维度。
在实证过程中，有两点需要特殊声明：1、主动型基金的核心在于基金经理，而同一支基金的不同任基金经理之间在风格、能力上并没有必然的联系，因此本文在分析过程中，统一只考虑现任基金经理任职以来的表现；2、由于每支基金的起始有效时间（也即前文计算的起始截面）不同，导致相互之间无法公允比较，本文统一采用分年度对齐的方法进行处理。比如将2016年之前有效的基金记为5年期基金，对比时统一按照2015年12月31日进行截断对齐；同理，2017年之前成立的基金记为4年期基金（5年期基金同样也是4年期基金），以此类推。实证时只会在同年期的基金内相互比较，并择优推荐。
收益获取能力分析
本文主要以下四个维度考察基金的收益获取能力：
1.随机抽样收益：采用与前文被动指数型基金一样的分析方法，随机抽取一段超过60天的连续区间，考察目标基金在该区间内收益是否排名前一半，重复多次后即可计算基金收益排名前一半的概率。该方法模拟了投资者随机进出时的持有收益，受特定考察区间的影响最小，参考性最强。
2.分年度收益：按照不同年期截断对齐后，考察基金的分年度表现，比如4年期基金考察2017至2021年5个自然年度的收益表现（2021年仅包含一季度数据）。
3.累计收益：按照不同年期截断对齐后，考察基金的区间累计收益，比如4年期基金统计2016年12月31日至2021年3月31日的区间累计收益。
4.创新高次数：按照不同年期截断对齐后，统计考察区间内各基金创新高的次数。比如4年期基金统计2016年12月31日至2021年3月31日内创新高的次数。
以4年期基金（总共10支基金）为例，展示收益能力分析的过程。其中，随机抽样收益排名前一半概率、累计收益、创新高次数都是单项指标；分年度收益考察区间为2017至2021年，共5个单项指标。以上一共8个单项指标，对每个单项指标，如果该基金排名前一半，则记1分，否则记位0分，最后统计各基金的汇总得分，作为该基金综合收益能力的刻画。结果表明，不同基金间的收益获取能力分化较大。其中，基金1综合得分为8分，随机抽样中收益排名前一半的概率高达98.6%，累计收益率高达234.22%，区间内创新高115次，均排名第一，综合表现最好；基金2、基金3综合得分均为6分，随机抽样中排名前一半的概率均超过75%，累计收益率分别为116.50%、92.37%，收益获取能力也较为突出。
采用同样的方法，可以得到5年期、3年期、2年期基金的收益获取能力综合打分。可以看出，不同年期下综合打分靠前的基金有较高的重合度。需要指出的是，下表是基于本文提出的收益分析框架给出的推荐结果，不排除其他优质产品暂未纳入其中的可能性。
回撤控制能力分析
本文主要从如下几个维度考察基金的回撤控制能力（与收益分析一一对应）：
1.随机抽样最大回撤：随机抽取一段超过60天的连续区间，考察目标基金在该区间内的最大回撤是否排名前一半（回撤绝对值小于中位数），重复多次后即可计算基金排名前一半的概率。该方法模拟了投资者随机进出时的持有体验，受特定考察区间的影响最小，参考性最强。
2.分年度最大回撤：按照不同年期截断对齐后，考察基金的分年度回撤表现，比如4年期基金考察2017至2021年5个自然年度的回撤表现（2021年仅包含一季度数据）。
3.累计最大回撤：按照不同年期截断对齐后，考察基金的区间最大回撤，比如4年期基金统计2016年12月31日至2021年3月31日的区间累计最大回撤。
4.最长未创新高天数：按照不同年期截断对齐后，各基金最长未创新高的天数。比如4年期基金统计2016年12月31日至2021年3月31日内最长未创新高的天数。
同样以4年期基金为例，展示回撤控制能力分析的过程。其中，随机抽样回撤控制排名前一半概率、累计最大回撤、最长未创新高天数都是单项指标；分年度最大回撤考察区间为2017至2021年，共5个单项指标。以上一共8个单项指标，对每个单项指标，如果该基金回撤表现排名前一半，则记1分，最后统计各基金的汇总得分，作为该基金回撤控制能力的刻画。结果表明，基金1综合得分为8分，其中随机抽样回撤控制排名前一半的概率高达98%，最长未创新高天数为317天，均排名第一，整体表现最优；基金2和基金3也得到7分，仅在个别年份回撤控制排名靠后，同样体现出较强的风险控制能力。
采用同样的方法，可以得到5年期、3年期、2年期基金的回撤控制能力综合打分。可以看到，部分基金经理在收益端和回撤端都体现出较好的表现，比如冯明远的信达澳银新能源产业、郑希的易方达信息产业、孙伟的民生加银策略精选A。需要指出的是，下表是基于本文提出的回撤控制分析框架给出的推荐结果，不排除其他优质产品暂未纳入其中的可能性。
业绩归因分析
本文主要考察基金的行业配置能力和选股能力，具体做法如下：
1. 计算行业指数涨跌幅r0：A股中，我们以电子、通信、计算机、传媒四个行业来表征不同科技赛道，港股中，以电讯业(HS)和资讯科技业(HS)来表征科技板块，在每个截面期，计算窗口期内各行业指数涨跌幅。
2. 计算行业基准权重w0：首先根据基金业绩比较基准中的描述，确定A股、港股的归一化配比；A股内部，再根据中证800中上述四个中信一级行业的市值占比进一步分配权重，最终得到各个目标行业的基准权重配比。
3. 计算真实持仓行业权重w1：获取基金真实持仓中属于A股电子、通信、计算机、传媒四个行业或港股电讯业、资讯科技业的股票，计算归一化权重；然后统计各个子行业的归一化权重配比。
4. 计算真实持仓行业涨跌幅r1：根据各个子行业持仓个股权重及其在窗口期内的涨跌幅，计算该行业加权涨跌幅。
5. 计算行业配置能力：公式为(w1-w0 )*r0，也即基金在强势子行业上的超配比例越多，则行业配置能力越强。
6. 计算个股选择能力：公式为(r1-r0)*w0，也即基金在行业内选股跑赢行业指数越多，则个股选择能力越强。
本文实证过程中，仅基于年报、半年报完整持仓展开归因分析，收益率计算窗口期为报告期后6个月。归因结果显示：相比于行业配置能力，主动型科技基金经理的个股选择能力普遍更强。以4年期基金为例（10支基金），在行业配置超额收益均值中，仅有2支基金大于1%，最大值为3.77%，有4支基金的超额收益为负，最小值为-2.18%；而同年期个股选择超额收益中，9支基金大于7%，最大值为11.86%，仅有一支基金为负（-0.27%）。
采用同样的方法，可以得到5年期、3年期、2年期基金的行业配置能力画像。统计不同年期下，行业配置超额收益均值较大，且超额收益>0占比较高的基金，并进行推荐。结果表明，行业配置能力视角下的推荐列表与前文收益获取能力分析中的推荐列表有较高的重合度，比如潘明的国联安优选行业、冯明远的信达澳银新能源产业、张仲维的宝盈互联网沪港深、孙伟的民生加银策略精选A，说明收益表现较好的基金经理大多具备较强的赛道选择能力。同样需要强调，下表是基于本文提出的归因框架给出的推荐结果，不排除其他优质产品暂未纳入其中的可能性。
采用同样的方法对不同年期下个股选择能力较强的基金进行推荐，结果同样与前文收益获取能力分析中的推荐列表有较高的重合度，比如潘明的国联安优选行业、冯明远的信达澳银新能源产业、张仲维的宝盈互联网沪港深、李元博的富国创新科技A；此外值得注意的是，近两年的个股选择能力归因中，宝盈基金表现优异，包揽了前三甲。
基金画像分析
本节主要基于基金持仓数据进行画像分析，具体包含如下维度：
1. 择时画像：主要考察基金的股票持仓占基金净值比例是否出现大幅波动，以此反映基金经理是否进行了主动择时。
2. 持仓集中度画像：主要考察前十大持仓占基金净值比例，持仓集中度的高低既反映了基金经理对个股的自信程度，也反映整个组合的风险集中度。
3. 持仓纯净度画像：主要考察前十大持仓中股票的行业分布，观察基金经理是否在目标板块之外的股票上有较多配置，反映了持仓在科技板块上的纯净程度。
4. 长线持仓画像：考察基金的长线持仓情况，所谓长线持仓，是指某个股票连续N个季度出现在基金的前十大持仓中（本文仅关注N≥2的场景）。通过统计基金经理的长线持仓个股表现（包括持有期数、持有期间涨跌幅、相比一级行业超额收益），可以对基金经理的操作风格和收益来源有更全面的了解。
5. 隐含交易能力画像：基于基金持仓明细构建模拟组合，考察真实净值相比于模拟组合的超额表现，来刻画基金经理“看不见”的交易行为带来的增强效果。具体而言，一季报和三季报采用前十大持仓，年报和半年报采用全部持仓，将股票权重归一化后构建模拟组合，计算每个季度基金真实表现相比于模拟组合的超额收益率，同时计算全局区间基金真实净值相比于模拟组合的信息比率，若季度超额收益均值越大，正值占比越高，且信息比率越大，则说明基金经理隐含交易能力越强。
需要强调的是，上述画像维度并没有绝对的好坏之分，比如隐含交易能力强的基金并不一定代表基金表现更好，我们引入画像分析的主要目的是为了对基金经理的操作风格、交易习惯等维度有一个全景刻画，这样投资者在选择基金时可以根据自己的认知、理念、偏好进行适配。
以前文收益获取能力分析中推荐的三年期基金为例，选取信达澳银新能源产业（冯明远）、富国创新科技A（李元博）两只优秀基金作为分析范例，结果显示：
1.择时画像：两支基金的股票资产占基金净值比基本上稳定在80%以上，说明两只基金在考察区间内均没有进行大的主动择时。
2.持仓集中度画像：信达澳银新能源产业的前十大持仓集中度明显低于富国创新科技A，从最新的2020年年报来看，前者持有了多达438支股票，而后者持有股票个数为61支，说明冯明远的持仓更为分散，而李元博则更习惯集中持有看好的标的。
3.持仓纯净度画像：自18年半年报开始，李元博的前十大持仓中，基本80%以上都集中在科技板块，而冯明远的持仓纯净度则波动较大，比如最新的2020年年报十大持仓中，就出现了方大炭素（钢铁）、洛阳钼业（有色金属）这类顺周期风格的股票。
4.长线持仓画像：从两支基金连续持有期最长的5支股票来看，冯明远的操作更灵活，股票平均持有期更短，考察区间内最长的一次持股经历是5个季度，而李元博则更有连续性，曾连续持有吉比特7个季度；从能力圈来看，冯明远长线持股主要集中在电子行业，而李元博则主要集中在传媒行业；两者的长线持仓都带来了可观的超额回报。
5.隐含交易能力画像：信达澳银新能源产业相比于其模拟组合的信息比率为1.34，高于富国创新科技A的-0.4，从季度超额收益率序列来看，冯明远也体现出更强的隐含交易能力。需要强调的是，隐含交易能力本质上刻画的是根据基金持仓复现基金真实走势的难易程度，由于信达澳银新能源产业的持仓个股数量众多，可交易空间更大，自然而然更难通过模拟组合来复制；此外，出于数据可得性约束，我们在模拟时仅考虑的股票部分持仓（单独针对股票持仓权重归一化），忽略了其他资产的收益，所以很难精确复现，只能观察隐含交易能力的相对大小，不宜过分关注其绝对数值。
主动型和被动型科技主题基金比较
分别以前文经过可投资性约束筛选后的32支被动指数型科技基金、48支主动管理型科技基金作为底层池，构建被动指数型科技基金指数和主动管理型科技基金指数。具体做法如下：每个交易日，获取当日有效的基金，取各个基金当日收益的简单平均值，通过累乘法还原为指数净值。对齐起始有效日为2014年6月30日。
结果显示，主动型科技基金的年化收益率18.70%，信息比率0.68，最大回撤64.16%；而被动型科技主题基金的年化收益率为7.57%，信息比率0.39，最大回撤67.18%，从各项指标来看，主动型基金的表现都整体优于被动型，说明在科技相关行业上，基金经理基于专业能力获取超越行业基准的超额回报是比较有把握的。因此，在配置科技主题基金时，主动型基金或许是更好的选择。
风险提示
本文梳理的科技主题基金池，以及推荐标的，都是基于一套自定义的定量标准得出，不排除其他优质产品暂未纳入其中的可能性；本文梳理的科技基金推荐池是基于历史表现给出，历史表现并不一定代表未来，请投资者理性看待。
免责申明与评级说明
公众平台免责声明
本公众平台不是华泰证券股份有限公司（以下简称“华泰证券”）研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求，本公众号内容仅面向华泰证券客户中的专业投资者，请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者，请取消关注本公众号，不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限，若给您造成不便，烦请谅解！本公众号旨在沟通研究信息，交流研究经验，华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。
本公众号研究报告有关内容摘编自已经发布的研究报告的，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。如需了解详细内容，请具体参见华泰证券所发布的完整版报告。
本公众号内容基于作者认为可靠的、已公开的信息编制，但作者对该等信息的准确性及完整性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。
在任何情况下，本公众号中的信息或所表述的意见均不构成对客户私人投资建议。订阅人不应单独依靠本订阅号中的信息而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。普通投资者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。
本公众号版权仅为华泰证券股份有限公司所有，未经公司书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。本公司具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。
林晓明
执业证书编号：S0570516010001
