定量研究在FOF中起着重要的作用，大家对FOF定量研究的第一印象可能是选基金，然而用量化手段进行基金评价，只是FOF定量研究的一部分。它需要在大类资产配置、行业、风格、基金、个股、债券进行多维度的跟踪，每个维度需要根据其特点选择适用的模型。更关键的是，定量工具还要将上述维度进行串联，形成自上而下的配置体系，努力获取beta和alpha收益的双击，争取最终呈现出的是：在多维度上可映射的、可归因的、分散的、多元的基金配置组合。
FOF定量研究的重要性
首先，定量研究的工具是计算机程序，python、matlab、excel这种，构建模型、清洗数据、跟踪市场动向。FOF的定量研究员常常跟基金净值、基金持仓、股票因子、行业、风格、全球宏观经济这类数据打交道，要求在处理金融数据和构建模型解决金融问题上更专业，要结合经济金融逻辑给出投资建议。为啥叫猫头鹰，就是大家觉得猫头鹰一天到晚在森林里转悠，看这看那，或者瞪着眼睛伫立在大树上盯着一切，和我们很像。
总之，FOF投资在广度和深度上有很强的要求，定量研究通过高频的模型跟踪、数据的快速清洗，致力于提高多元资产和多策略的覆盖广度，加强可投标的的研究深度,为基金经理提供参考和支持，努力提升产品的中长期业绩。
二、广度非常重要
FOF，基金中的基金，Fund of Funds。有趣的是，英文中母基金用了单数，子基金用了复数，代表一个母基金下对应着一篮子类型各异的子基金。国内市场FOF的可投标的十分广泛：主动权益型基金、指数增强型基金、中长期纯债基金、商品型基金、REITS、QDII基金……
近年来，公募基金的子类和数量快速跃升。下图中，气泡的大小代表各基金子类（Wind基金分类）所包含的基金数量，2013年的几个小气泡在十年后的2023年快速成长为一群大气泡。
广泛可投标的为我们提出了研究广度的要求，市场的投资实践也在佐证着这一点。一方面，单一基金如果在行业或风格上具有较强的暴露，在市场相关行业和风格标的出现回撤时，基金可能产生较大波动，客户的持有体验变差。比如2021年以来茅指数和宁组合的大幅回撤，2024新年以来的小盘股快速下跌。同时我们也看到，尽管近期红利风格持续占优，但在核心资产大热的年份，其相对收益一直偏弱。也许这就是市场先生的坏脾气和投资的魅力吧。
数据来源：Wind数据，东方红资产管理，数据区间2017.01.01 - 2024.03.31。图中指数对应万得代码茅指数8841415，宁组合8841447，万得微盘股指数8841431，中证红利000922.CSI。
另一方面，单一基金的业绩可持续性较弱。如果我们根据基金的三年业绩排名挑选基金，自2018年以来，前三年业绩能维持在前20%的基金产品，后三年仅有10%左右的比例能依然稳住前20%的排名。风格和行业的快速轮动让单一基金的业绩持续性不断走弱，这是我们必须要面对而且要解决的问题。
数据来源：Wind数据，东方红资产管理，数据截至2023.12.31。
所以，通过FOF进行大类资产配置和各类Beta研究是十分必要的。不同类型的基金因其投资的底层资产不同，展现出各异的风险收益特征，也匹配不同的客户风险偏好。下图展现了2010年-2023年不同类型基金指数（Wind基金指数）的风险收益关系。
作为FOF定量研究员，我们要在纷繁复杂的各类资产中，为客户挑选与其财富管理需求向适应的基金产品，把握大类资产的胜率赔率，尽可能精准地筛选具备长期超额收益的基金产品来构建基金组合，力争实现客户资产的保值增值。
量化工具可以快速帮助我们实现各类资产的数据扫描，将多资产多维度的数据清洗、提炼、展现，拓宽研究广度，提高研究的跟踪效率。通过收集全球各类市场不同资产的宏观、中观、微观数据，运用模型抓住主要矛盾，发现市场异动。
数据来源：Wind数据，东方红资产管理，数据截至2023.12.31。
三、深度也是大问题
然而，只解决广度的问题是远远不够的，为了提升投资决策的胜率，我们的研究还需要具备深度。为了更好地研究投资标的，我们需要对基金的底层资产有相应的研究，但不断的穿透让FOF的定量研究面临着超乎想象的数据长度。
2013年底，全市场公募基金总规模2.4万亿，各类基金总计1164只。这十年来，公募基金行业快速发展，截至2023年底，全市场公募基金总规模跃升至27.6万亿，各类基金总计11514只，数量规模均扩大了10倍。（数据来源：Wind数据）以股票型基金为例，2023年底股票型基金数量已超过6000只，假设平均每只基金持仓100只股票，每只股票用50个因子刻画，并对应过去十年的2500个交易日，我们得到的数据长度是6000×100×2500×50 = 750亿。如果我们将每个数据写在1cm长的纸条上，拼接起来的数据可以绕地球18.75圈。这仅仅是以50个因子为例，学术界对因子和异象的挖掘可谓是非常充分，甚至称其为“因子动物园”。K. Hou, C. Xue, and L. Zhang(2018)总结并测试了当前市场上超过400个股票异象，不断扩展的因子库，会让数据长度变得更大。
即便如此，FOF的定量研究还面临着数据跟踪的难题。高频的数据并不是完全可得的，公募基金通常只在每季度末披露重仓，每半年披露全部持仓。对于主动管理的基金来说，定量研究很难实时追踪基金经理的持仓情况，需要我们尽可能追踪基金经理的持仓踪迹，通过每日净值走势推断基金组合的行业持仓情况，或者在FOF组合中引入更多风格相对稳定的ETF基金实现我们的配置目的。
