分析师：张青（执业证书编号：S0890516100001）
分析师：程秉哲（执业证书编号：S0890522110001）
研究助理：孙佳琦
研究助理：张帅
报告发布日期：2023年7月12日
投资要点：
截至2023年3月31日，公募指数增强基金规模达到1974.49亿元，占Wind股票型基金的比例为8.27%。公募指增产品是公募量化产品中的重要产品线，自2016年后以宽基指增产品为主的公募指增产品规模稳步增长。随着指数增强基金配置需求的提升，简单依据跟踪指数的分类已经不能满足投资者的需求。
本报告中，我们尝试从指增本身策略出发，对不同宽基下的指增产品进行更加细致的划分。我们基于指增基金在行业和风格上较跟踪指数偏离度，以及偏离度的变动情况，将指增基金划分为严格约束型、SmartBeta型和轮动型三类，并采用更符合其策略特点的打分体系在每类基金里优选排名较前的基金。这样一方面有助于我们基于策略研判的视角，前瞻性选择不同策略主导下的公募指增产品，构建自上而下的指增基金遴选方法；另一方面也便于我们挑选同一宽基指数下的公募指增产品时，尽量降低产品间的相关性，发挥分散化配置的效果，而这恰是FOF组合管理的精髓。
本文主要以沪深300指增基金为例，介绍了分类体系以及分类效果的合理性，并给出不同分类下排名前五名的基金。本文还从基金经理的投研框架及特色、产品风险收益情况、因子暴露特征、运作特征等多个维度进行深度研究，对三个分类下的代表性指增产品做了分析和特征刻画，以供投资者参考。
风险提示：本报告所载的信息均来源于已公开信息，但本公司对这些信息的任何建议、意见及推测并不构成所述证券买卖的出价或询价，也不构成对所述金融产品、产品发行或管理人做出任何形式的保证。
报告正文：
1. 公募指数增强基金，规模提升进行时
截至2023年3月31日，公募指数增强基金规模达到1974.49亿元，占Wind股票型基金的比例为8.27%。公募指增产品是公募量化产品中的重要产品线，自2016年后以宽基指增产品为主的公募指增产品规模稳步增长。
2008年李笑薇，2012年田汉卿、黎海威等海外量化人才回国组建量化团队，国内的公募量化逐渐启航。2016年以前，机构投资者的量化策略基本以中性策略为主，且更偏向基本面中低频，偏向小盘股。经历了2014年底和2016年小盘行情切换至大盘行情，以及2015年的期货限仓和股指期货贴水，中性策略有所降温，已不再是量化机构的“香饽饽”，指增策略受到了更多青睐。2016年后，指数化投资理念逐步风靡，公募指数增强产品的规模持续增长。2017年，大盘价值类个股走强，量化基本面因子表现优异，一批宽基指增产品获取优异收益，促使规模增长；2018年，市场受系统性风险影响，持续下跌，指增策略基于对beta风险的管理，录得超额收益，规模并未回落；2019年高频策略席卷市场，公募量化领域也越来越多的出现了高频因子的身影，市场对量化投资的认识也逐渐加深，部分量化产品相对稳定的业绩为其吸引了更多资金的青睐，基金规模迈上新的台阶；2020年，量化基金由于其持股数量多享受到更多打新带来的超额收益提升，而期间中证500、中证1000指数本身的Beta行情，也继续推动了指增产品规模的提升。
随着指数增强基金配置需求的提升，简单依据跟踪指数的分类已经不能满足投资者的需求。不同于主动选股型基金，指数增强以量化策略为主要手段，基于统计建模与数据挖掘进行批量选股，且不同产品在策略上还是有不小差异，如有些严格约束，有些特意加大某类风险的敞口暴露，有些偏基本面，有些偏交易等，这在投资者看来更像是个“黑箱”。因此，如果只是简单基于所跟踪的宽基指数，简单粗暴的对指增进行分类，并简单采用历史绩效进行评价，方法论上并不合理，且从效果看也并不好。以投资沪深300公募指增基金为例，2019年-2022年，超额收益排在前列的基金不总是相同的。这就说明不同的沪深300指增基金对市场行情的适应性及配置风格上存在一定差异，有必要进一步对同指数下的指增基金在投资风格上做进一步的细分。
本报告中，我们尝试从指增本身策略出发，对不同宽基下的指增产品进行更加细致的划分。这样一方面有助于我们基于策略研判的视角，前瞻性选择不同策略主导下的公募指增产品，构建自上而下的指增基金遴选方法；另一方面也便于我们挑选同一宽基指数下的公募指增产品时，尽量降低产品间的相关性，发挥分散化配置的效果，而这恰是FOF组合管理的精髓。
1.1. 公募指数增强基金简介
公募指数增强基金，是公募量化产品线中的重要组成部分，通常采用主动或量化的方法辅助一定的另类手段对跟踪的指数进行增强。
量化增强的方式通常以多因子模型为核心，使用基本面因子或量价因子通过收益预测、风险控制、组合优化、业绩归因流程来完成组合构建，有的还会使用机器学习或非线性模型，这类产品占公募指增产品的主流。主动增强的方式通常包括自上而下进行宏观分析、行业比较、择时选股等来完成组合构建，这类产品占比相对较少。对收益进行增强还有一类另类手段，主要包括打新、融资融券、定增、大宗交易、投资可转债、投资股指期货和其他衍生品等，这类手段也能给基金的收益带来一定的增厚。
在公募指数增强基金中，宽基增强占90%以上规模，而沪深300、中证500和中证1000指数增强基金又占了宽基增强产品的71%。为了让读者对公募指增基金有更多感知，我们按照基金名称来选取公募宽基增强产品中的沪深300、中证500和中证1000指数增强基金，对它们在整体上做一定的特征刻画。
1.2. 公募指数增强基金过去三年业绩及策略特点回顾
对公募指增基金的观察指标主要包含：（1）业绩表现，具体包含超额收益、跟踪误差、超额波动、最大回撤等；（2）配置特征，从持仓角度来分析的成分股占比及行业、风格偏离度；（3）交易特征，主要是换手率。
超额收益：沪深300、中证500和中证1000指数增强基金的年化超额收益在2020年达到顶峰，当年沪深300、中证500的超额均值超过10%，中证1000指增超额均值超过了15%，但随后2021、2022年呈现了一定衰减趋势，今年以来又明显降低，2023年沪深300增强基金的平均收益未跑赢对应指数。这背后的原因除了当年注册制带来的打新红利已经下降，近两年公募量化规模提升、高频策略内卷之外，也跟市场的行情特征有关，今年市场行情呈现过于追求高胜率和高赔率的两头极端主题行情，不利于量化一揽子选股策略的发挥。
跟踪误差：一般公募指数增强基金在合同中会限制日均跟踪偏离度绝对值不超过0.5%，年跟踪误差不超过7.75%。沪深300、中证500和中证1000指数增强基金的平均跟踪误差保持相对稳定，基本维持在3.5%-5.5%之间。中证500指增跟踪误差波动稍大，中证1000指增和沪深300指增跟踪误差波动较小，分别在5%和4%上下。
指数内选股占比：一般来讲，公募指数增强产品在合同中对指数成分股占比的约束为不低于80%，指数成份股内、外选股均能贡献一定的超额收益。从实际结果来看，近三年沪深300指增在指数内选股占比（>90%）普遍大于中证500和中证1000指增（85-90%），且三类宽基指增产品在指数内选股的占比有提升趋势。
换手率：指增基金属于一类量化基金，量化基金由于其策略特点普遍换手率高于主观选股基金。较高的换手率就导致规模会对产品的业绩存在一定的限制，规模过大则可能限制换手率较高的基金继续获得过去水平的超额收益。因此对换手率的监控对于观察量化基金的容量和业绩持续性来说比较必要。2022年，换手率上中证1000指增（10X）>中证500指增（8X）>沪深300指增（4X）。或受存量数量较多，策略较稳定原因，沪深300指增的换手率3年较稳定，均在4X左右（单边换手率，下同）。2022年中证1000指增换手率达到了接近10X，相比前两年明显提升的原因可能是中证1000指增的新发数量明显增多，且这些新发基金有相当一部分使用的是高频因子。
风格和行业偏离度：由于指数增强基金在成分股内选股的比例约束一般只约束在80%以上，其实际持仓和指数成分股在风格和行业上一般会有一定的偏离，来获取配置的超额收益。我们对这部分偏离进行跟踪。
行业偏离度算法：基金权益持仓的分行业配置比例，较之该基金所跟踪的指数成分股分行业配置比例的差值，最大行业偏离指标值为各行业偏离度的最大值。当选取的区间类型为多期时，指标值为每期行业偏离度最大值的均值。
风格偏离度算法：指数增强基金风格因子暴露度在全部A股的百分位，较之所跟踪指数成分股在全部A股百分位，计算两者的差值，最大风格偏差指标值为各风格因子偏差的最大值。当选取的区间类型为多期时，指标值为每期风格因子偏差的最大值的均值。
行业偏离上，我们观察到沪深300指增基金行业偏离度极值较多，说明长期对某些行业超配或者低配水平较高；风格偏离上，500指增更爱在风格上偏离，均值和极值的绝对值都较大。而对于1000指增，由于数量相对较少，样本代表性或不足，风格和行业偏离极端值较少，风格和行业暴露较均衡。
2. 公募指数增强基金分类体系与实例
评价指数增强策略的核心指标是超额收益，而超额收益可以通过行业、风格轮动、多因子选股、衍生品及其他另类策略来获取。除了衍生品和另类策略，其他几类收益获取方式基本可以从股票持仓中反映，持仓结果与指数成分股的差异，基本决定了产品的超额收益来源。利用每一只基金的持仓数据，我们基于指增基金在行业和风格上较跟踪指数偏离度，以及偏离度的变动情况，将指增基金划分为严格约束型、SmartBeta型和轮动型三类，来细分不同投资策略的指增基金。其中严格约束型是指在行业和风格配置上较基准偏离较少的指增基金，SmartBeta型是指在行业和风格配置上较基准偏离较多，且偏离的变化相对较为稳定的指增基金，轮动型指的是在行业和风格配置上较基准偏离较多，且偏离值频繁变动的指增基金。
2.1. 分类流程
下面，我们以沪深300指增基金的类别划分为例，展示我们分类的具体过程：
1、 采用Barra风险因子模型算法得到沪深300指增基金各只基金每一报告期（半年报和年报）的行业和风格因子超额暴露。
2、比较各基金之间因子超额暴露的差别。这里采用了求和或取最大值的两种方式。（1）计算每只基金行业因子超额暴露的绝对值之和，并进行多期求和。为了分类的稳定性，每个时点，考虑最近四期的因子超额暴露，并采用半衰期加权求和。（2）计算每只基金行业、风格因子超额暴露的绝对值的最大值，将每一期的最大值同样的方法进行多期求和。
3、 在2的基础上选择区分严格约束和非严格约束基金的阈值。通过直方图，直观给出通过行业和风格超额暴露区分的最佳阈值。如采用绝对值求和方式，经过检验我们选择的一个较好的阈值组合是行业超额暴露和<30%且风格超额暴露和<70%，符合这个标准的划分为严格约束类，认为其严格按照跟踪指数的行业做行业配置，风格暴露和指数近似。如采用绝对值取最大值方式，我们选择的一个较好的阈值组合是行业超额暴露和最大值<3%且风格超额暴露和<20%，符合这个标准的划分为严格约束类。不符合标准的则为非严格约束类。
4、对非严格约束类做进一步的划分，根据基金行业和风格超额暴露的变动幅度，来考察风格、行业配置稳定性。具体采用的划分标准也包括两种。（1）计算每只基金每期与上一期之间的行业、风格超额暴露变动的绝对值之和，并向前四期按半衰期加权求和。即计算行业、风格暴露漂移。（2）计算每只基金每期与上一期之间的行业、风格超额暴露变动的绝对值最大值，并向前四期按半衰期加权求和。即计算行业、风格最大暴露漂移。
5、在4的基础上选择区分Smart Beta和轮动型基金的阈值。Smart Beta基金是指暴露漂移相对小的，轮动型基金是指暴露漂移较大的。如按照行业、风格暴露漂移划分时，我们选择的一个较好的阈值组合是行业超额暴露切换总和<30%且行业超额暴露切换总和<40%，符合此标准的认为是Smart Beta型，不符合的则为轮动型。
最后，对分类后的结果进行分类效果观察。第一个方面是考虑分类的稳定性。因为涉及到多期的类别划分，我们设计了验证分类稳定性的函数，验证上一期分类的结果在下一期分类的结果出现的百分比，命名为复现率，并取多期均值。如沪深300指增基金中非严格约束暴露类基金的多期复现率均值达到85%以上，认为分类基本稳定。第二个方面是考虑分类的准确性。这一是可以通过相关性来考察，我们认为如果分类效果较好，应该出现不同类别之间的相关性较低，而同一类别（主要是严格约束型）之间的相关性较高的结果。二是可以通过不同类别拟合指数超额表现的方法来判断分类效果。具体做法，我们使用各类别基金分类时点到下一个分类时点前的净值数据，并将多个时间段的序列进行拼接，并减去基准形成一条完整的反映该类基金超额收益获取情况的曲线。
2.2. 分类结果分析——以沪深300指增为例
2.2.1. 分类合理性验证
以沪深300指增基金为例，选择第一个分类时点为2021年6月30日，每半年重新进行一次分类，并将净值数据进行拼接，其对应的Smart Beta型、轮动型和严格约束型的超额收益累计净值曲线以及超额绩效指标如下。
通过观察，三类基金各自都具有较为鲜明的特点。统计区间内，严格约束型的超额收益、超额最大回撤控制和超额波动率控制均好于其他两组，超额卡玛和夏普比率也最优。这说明了严格的行业、风格暴露控制，管控风险，长期视角下有助于策略的表现。SmartBeta型具有高弹性的特点，观察超额收益净值走势图可以发现，在沪深300指增超额收益整体上行的区间中，SmartBeta型沪深300指增的涨幅要优于其它两类，但当超额收益回落时，SmartBeta型指增显著跑输其它两类，这也拖累了SmartBeta型指增的整体收益。轮动型指增具有获取稳定超额收益的特征，虽然其区间超额收益略微跑输严格约束型，但其滚动1年平均超额最大回撤、滚动一年的超额收益率和超额胜率都优于另外两组，这说明轮动型基金相对其他两类基金来说可能更具备穿越风格和周期获取稳定Alpha的能力。
从超额收益累计净值的相关性统计上来看，严格约束型和其它两类的相关性分别为0.83和0.81，Smart Beta和轮动型的相关性为0.72，相关性较低，符合这三类基金的策略特点。
2.2.2. 非严格约束型基金行业和风格因子暴露特征
在非严格约束型（Smart Beta及轮动型）中，观察其在哪些行业和风格上有较大超额暴露（指绝对值），可能比对整体指增基金观察更有意义。以沪深300指增基金为例，非严格约束型基金在基础化工、食品饮料、非银行金融行业有较大超额暴露的基金占比较大，在成长、动量、盈利风格上有较大超额暴露的基金占比较大。
2.2.3. 基金分类综合打分评估
因为三类基金存在着不同的投资风格和超额获取特征，对三类基金如果采取统一的打分体系，会模糊掉各自的特点，不能较好的反应各个基金的收益获取能力。因此，我们针对每类基金的投资风格，基于绩效、选股能力、风格和行业配置能力构建了差异化的打分体系。严格约束类基金会加大在选股能力上的打分比重，轮动型会加大在行业和风格配置能力上的打分比重。
以2022年12月31日为分类时点为例，确定所属分类后按照上述打分体系给出历年得分，并按半衰期加权合成总分，使打分结果更多反映较近时点的表现。三种分类的打分结果前五名基金如下：
3. 不同策略类型代表性指增产品分析
基于上述分类，我们分别选取不同策略下的代表性产品进行分析，以进一步验证该策略划分的合理性。
3.1. Smart Beta类代表产品——华夏中证500指数增强（张弘弢 孙蒙）
基金经理：
张弘弢，现任华夏基金数量投资部董事总经理、行政负责人、华夏沪深300ETF及联接基金、华夏科创50ETF等基金经理，截至2023年1季度，在管规模1570亿。张红弢先生管理了市场上规模最大的科创50和上证50ETF，指数研究和投资经验丰富。
孙蒙，北大物理学学士，加州大学洛杉矶分校电子工程系硕士，2017年7月加入华夏基金，历任研究员、基金经理助理，现任华夏智胜先锋、华夏价值成长、华夏中证500增强等基金经理。截至2023年1季度，在管规模91亿。孙蒙先生主要管理的产品以主动量化和指数增强类为主。
选股框架及特色：从“多因子”到AI
张弘弢先生是华夏基金老将，自2000年加入华夏基金，在基金公司多个部门有任职经验，曾任基金运作部副总经理、研究发展部总经理、数量投资部副总经理等职务。2017年开始，华夏基金开始组建“AI+”投资团队，孙蒙先生此时作为新锐，在团队当中发挥了重要力量。这个团队也是公募量化领域里研究机器学习比较久，做的时间比较长的量化团队。
传统的多因子策略，背后的驱动是基于对金融市场的认知，通过基本面或量价因子，采用线性多因子方法进行打分排序。而华夏的AI+投资团队是在多因子策略的基础上，引入了AI，尤其是深度学习中的强化学习方法，让模型能够根据市场环境和自身表现不断地进行学习和进化，从而提高模型对于市场变化和异常情况的适应能力，以此提升Alpha的稳定性和策略壁垒。
产品风险收益情况：今年以来，华夏中证500指数增强的超额收益达到5.99%，在公募500指增产品中排名第一。2021年和2022年的表现都处在领先水平。
因子暴露及贡献：产品在配置上体现了明显的Smart Beta特征，风格因子暴露控的不算太严格，各项风格因子偏离相对较大。行业配置上在非银行金融、煤炭有着较稳定的负偏离，风格配置上在流动性、波动因子上有着稳定的负偏离。最近一期在动量、杠杆风险因子上有较多正暴露，在波动和贝塔风险因子上有较多负暴露。说明投资组合倾向于选择过去表现较好，债务率偏高的低波动、小市值股票。相比同类500指增产品，其在成长因子上的暴露较小，处于近两年同类产品后25%左右分位，或说明产品挖掘到了传统风格因子之外的超额收益来源。从近两年风险因子归因来看，在波动上的负暴露带来了较多的正收益，煤炭行业的负暴露带来了一定的正收益。
换手率：换手率在同类产品中位于中等，近两年稳定在6X水平。虽然产品较多的使用深度学习等AI方法，但基金经理仍较为严格地遵守公募基金的投资约束，不做高换手，与传统量化一脉相承，以基本面驱动，更多把模型作为进入和理解市场的手段和工具。
3.2. 轮动类代表产品——万家中证500指数增强（乔亮）
基金经理：
乔亮拥有16年证券投资经验，丰富的海外顶尖金融机构投资经验。现任万家量化睿选、万家1000指数增强等基金经理，截至2023年1季度，在管规模184亿。擅长多因子量化建模、多策略量化投资，主动适应不同市场风格；追求长期、稳健的超额收益。
策略框架及特色：成熟完善的多因子流程，注重策略的独立性
万家中证500指数增强主要投资流程包括：多种Alpha策略构建投资组合-定制化改进的风险预测-组合优化-定期业绩归因。其步骤是经典的多因子模型流程，但是区别就在于对策略各方面细节的处理上。乔亮先生较为注重策略的独立性，构建多种彼此之间相关性较低的Alpha策略组合，从而保证对短期市场风格变化的敏感度，在不同市场行情下动态选择因子权重。这也导致其产品体现出较强的轮动特点。
产品风险收益情况：在上述成熟的投资理念指导下，产品近年来做到了较为稳定的超额收益。基金经理任职以来年化超额收益接近10%，2020-2022每年超额收益率均在10%上下。
因子暴露特征：行业偏离上，20220630报告期在有色金属和电力设备新能源上有较多正偏离，20211230报告期在电子上有较多正偏离，20210630在基础化工和食品饮料上有较多正偏离，体现产品一定的行业轮动特点。风格暴露上，最近一期其在成长因子上的偏离明显收窄，在动量、盈利、流动性上的超额暴露也有所减小，在杠杆因子上的超额暴露有所放大。观察其连续几期的变化，可以看出产品风格切换的特点。
产品运作特征：
换手率来看，在公募中证500指增基金中，可能因为量价因子使用较多，万家中证500指数增强换手率处在中等偏高水平。其产品颇受机构投资者认可，最近一期机构投资者占比超过了70%。
3.3. 严格约束类代表产品——中金沪深300增强（耿帅军、王阳峰）
基金经理：耿帅军，王阳峰。耿帅军是金融工程研究员出身，现任中金基金量化指数部、多资产部负责人，量化指数部基金经理等，拥有超过10年量化经验，截至2023年1季度，在管规模25.3亿，目前在管的产品涵盖了指数增强、主动量化和Smart Beta产品。王阳峰现任中金基金量化指数部投资经理，截至2023年1季度，在管规模5.2亿，目前管理的产品均为指数增强产品。
投资框架：在权衡的框架下研究Alpha和风险模型
这只产品采用收益预测、风险预测、以及如何在收益与风险之间做平衡的整体思路。收益预测方面，采用多策略的框架，包括基本面量化和短周期交易类策略。基本面量化策略采用非线性多因子框架，短周期交易类策略在经典算法的基础上引入机器学习算法去捕捉符合策略逻辑的因子。风险预测上结合基本面和统计类风险模型。在收益和风险之间的权衡是整个投资框架的主线，因子的权重会根据其长期风险收益特征做战略配置，以及根据自上而下和自下而上的指标做一定的动态因子配置，不做主动的行业和风格偏离。
产品风险收益情况：产品自基金经理任职以来，年化超额收益率为3.28%，超额波动率为1%，超额最大回撤为4.19%，年化跟踪误差仅2.68%，体现了优秀的跟踪能力。
因子暴露及收益来源：耿帅军任职以来（2020年10月29日），产品的行业约束和风格约束更加严格，其最大和最小行业偏离的绝对值在2022年末均不到1%，最大和最小风格偏离的绝对值也不到10%。近两年风险归因来看，由于对波动因子的严格控制，在波动因子上获得了一定的负收益，获得正收益的几个风险因子也因为约束较为严格，收益获取相对均匀，不依赖于单一因子。
4. 总结
随着指数增强基金配置需求的提升，简单依据跟踪指数的分类已经不能满足投资者的需求。本报告中，我们尝试从指增本身策略出发，对不同宽基下的指增产品进行更加细致的划分。我们基于指增基金在行业和风格上较跟踪指数偏离度，以及偏离度的变动情况，将指增基金划分为严格约束型、SmartBeta型和轮动型三类，并采用更符合其策略特点的打分体系在每类基金里优选排名较前的基金。这样一方面有助于我们基于策略研判的视角，前瞻性选择不同策略主导下的公募指增产品，构建自上而下的指增基金遴选方法；另一方面也便于我们挑选同一宽基指数下的公募指增产品时，尽量降低产品间的相关性，发挥分散化配置的效果，而这恰是FOF组合管理的精髓。
本文主要以沪深300指增基金为例，介绍了分类体系以及分类效果的合理性，并给出不同分类下排名前五名的基金。本文还从基金经理的投研框架及特色、产品风险收益情况、因子暴露特征、运作特征等多个维度进行深度研究，对三个分类下的代表性指增产品做了分析和特征刻画，以供投资者参考。
本报告所载的信息均来源于已公开信息，但本公司对这些信息的任何建议、意见及推测并不构成所述证券买卖的出价或询价，也不构成对所述金融产品、产品发行或管理人做出任何形式的保证。
