金融工程专题报告：FOF系列之债基绩效归因体系（下）-20181226-长江证券-27页.pdf

请阅读最后评级说明和重要声明 1/27 研究报告 FOF 研究 2018-12-26 FOFFOF 系列之债基绩效归因体系（下）系列之债基绩效归因体系（下）金融工程专题报告报告要点 长江金工债基归因框架长江金工团队通过系列报告构建了较为完善的债券型基金归因体系，在历史报告 FOF 系列之债基多因子分析体系（上）中详细介绍了基于 Barra 风险模型的债基多因子框架；本篇则主要专注于基于债基持仓的各种归因模型，重点介绍了其中最广为使用的 Campisi 分解模型，内容囊括了模型的原理、实践步骤及结果解析。最后从实践出发进行多因子归因和 Campisi 分解两种方式的比较,一般而言更为推荐结合两种方式进行债基评价,可以起到互相验证和补充的作用。基于持仓的债基归因方法梳理本文主要介绍了四种基于持仓的债基归因模型：Brinson 分解模型、Wagner-Tito分解模型、加权久期分析方法及 Campisi 分解模型。Brinson 分解模型将债基的超额收益分解为券种配置收益、个券选择收益及交互收益三个部分，但对债券组合的归因结果不具备针对性，更为适用于权益类组合的分析。Wagner-Tito分解模型又称为久期归因模型是基于 Fama 的股票分析框架结合债券久期这一重要特征构建而成。Wagner-Tito 分解模型结合 Brinson 归因模型发展为加权久期分析模型，同年 Campisi Stephen 提出 Campisi 归因框架，将债券组合的收益分为利息收入和价格波动收入，被广泛应用至今。使用 Python 实现 Campisi 归因及结果解析Campisi 模型的框架可以通过编程语言 Python 来实现，包括持仓数据读取、输入指标提取、模型计算等步骤，本文第三部分展示了部分代码及运行结果。如果不设置比较基准，Campisi 归因得到的结果是基金在利息效应、国债效应、利率效应三大块上的分解结果。通过蛛网图可以直观看到基金在时间序列上三大效应的强弱变化，通过基金之间的横向比较可以看到基金经理在不同方面的管理能力差异。债基多因子归因和 Campisi 归因模型的比较两种方法使用的归因数据、模型计算频率、分解结果的维度、准确程度及覆盖的债基类型都有区别。理论上多因子归因更为灵活，可以通过构建指数组合或个券组合提取各类细分风险因子，Campisi 归因则需要设置基准组合才能进行进一步的分解。不过多因子归因无法直接得到基金孰优孰劣的结果，需要结合Campisi 归因实现对基金更为全面立体的刻画，筛选出符合组合需求的标的。分析师分析师 陈洁敏陈洁敏（8621）61118706 执业证书编号：S0490518120005 联系人联系人联系人联系人分析师分析师 相关研究 相关研究 资金入市与流动性冲击测算2018-11-19 先导性宏观指标筛选与动态择时模型构建2018-11-6 Python：从入门到精通（基础篇）2018-10-15 风险提示：1.本文测算结果及提供的示例均是基于历史数据并不保证其未来有效；2.本文主要方法均是基于理论模型，谨防建模及模型失效风险。3829 请阅读最后评级说明和重要声明 3/27 金融工程丨专题报告 图 3：债券收益率分解示意图.13 图 4：Campisi 归因三效应模型分解示例.15 图 5：读取持仓数据.17 图 6：从 Wind 上提取 Campisi 模型计算时的主要输入指标.18 图 7：进行 Campisi 模型计算及部分运行结果.18 图 8：债基 A 的 Campisi 归因结果（三效应分解）.19 图 9：债基 B 的 Campisi 归因结果（三效应分解）.19 图 10：债基 A 和债基 B 的区间净值表现.20 图 11：长江金工债基多因子分析体系.22 图 12：调整后的债基多因子分析框架.23 图 13：选择单因子（水平因子）的拟合结果.23 图 14：四因子的拟合结果.24 图 15：七因子的拟合结果.24 表 1：美国 401(k)的资产配置情况.4 表 2：美国 IRAs 的资产配置情况.4 表 3：债券型基金历年发行份额统计（亿份）.5 表 4：Brinson 分解模型的组合构建表格.6 表 5：加权久期模型的分解表格.9 表 6：债券分类大类类别及下属细分类别.16 表 7：债基 A 和债基 B 三效应分解的部分结果示例.21 表 8：债基 A 和债基 B 的七因子归因结果.25 请阅读最后评级说明和重要声明 4/27 金融工程丨专题报告 在报告FOF 系列之债基多因子分析体系（上）中我们详细介绍了基于 Barra 的多因子模型债基归因体系。债基多因子模型中提取出的主要风险因子有：利率风险因子、信用利差风险因子及特异性风险因子，其中利率风险因子衡量了无风险利率的变化，是最重要和基础的因素之一，构建的过程最复杂，主要使用 PCA 降维方法。信用利差分为行业信用利差和评级利差，主要体现在不同行业同评级的个券之间也会存在明显的信用利差差异，而优秀的基金经理会根据基本面及债券市场利差变化来进行行业间配置。我们基于这些重要的风险因子构建了长江金工债基多因子分析体系，包括水平因子、斜率因子、曲率因子、评级利差因子、周期行业利差因子、非周期行业利差因子及可转债因子。多因子归因的好处是可以基于净值进行分析，反应更为灵敏、及时，局限性在于：1）、归因的结果不直观，得到在不同因子上的暴露水平并不能帮助我们做简单的排名来筛选基金；2）、基金净值波动的干扰因素众多，如基金的申赎行为就对其有较大影响。因此，有时也会使用基于持仓的归因作为补充，本篇将详细介绍几种基于债基持仓的归因方法，并且在最后一部分将两类归因方式得到的结果进行比较，试图构建更为全面和综合性的债基归因体系。应用背景养老目标基金的发行和配置需求 公募基金市场上的组合管理基金的发展对基金经理的资产配置能力提出了更高的要求，与此同时，不同于以往专注于权益型基金产品筛选组合，随着混合型 FOF 尤其是养老目标型 FOF 的推出，对于债券和债基的绩效评价及筛选也越发重要。美国 401（k）和 IRAs 中固定收益类产品的配置情况 401（k）和传统 IRAs 分别代表了美国养老金第二支柱和第三支柱部分，也是我国目前正在积极筹备并且准备大力发展的两个方向。这两类资金的投向和资产分布情况可以作为我们分析国内市场的重要参考。表 1：美国 401(k)的资产配置情况 养老金种类养老金种类 权益类权益类基金基金 债券型债券型基金基金 平衡平衡型基金型基金 目标日期目标日期型型 非目标日期型非目标日期型 401(k)（1998年）64.8%5.7%9.1%401(k)（2016年）35.3%8.2%37.5%7.8%资料来源：ICI，长江证券研究所 表 2：美国 IRAs 的资产配置情况 养老金种类养老金种类 股票及权益类基金股票及权益类基金 债券及债券型债券及债券型基金基金 目标日期型基金目标日期型基金 IRAs（2016年）53.2%16.6%6.8%资料来源：ICI，长江证券研究所 美国的养老金市场庞大，资金较为青睐投资于共同基金。从资产配置的角度上看，权益市场及权益类基金是主流品种，并且因为其相对较高回报更受年轻人欢迎；发展趋势上看，401(k)的配置中平衡型基金的权重占比增速较快，尤其是其中的目标日期型产品，配置权重一度超过权益类基金，其次债券型基金的权重也有所上升。在 ICI 公布的最新一期 IRAs 的投资中，目标日期型基金的占比略低，债券及债基占比相对较高。请阅读最后评级说明和重要声明 5/27 金融工程丨专题报告 我国目前处于养老金市场化的初级阶段，由于股票市场的波动较大，现阶段在固定收益类产品上的配比会更高，因此结合海外发展及国内现状确定适当的债券配置比重及筛选出优秀的债券产品十分重要。国内债基的发展 对于债基产品的重视也在近些年的市场上得到了资金的认可，统计市场上债券型基金的发行和规模情况，2018 年截至 11 月底总共发行债基 452 只（A/C 份额分开统计），发行份额约为 3226.30 亿份，其中相比往年较为抢眼的是被动型债基产品的募集规模，截至日前已逾 400 亿元。到今年三季度末为止，债券型基金整体规模合计超过 1.9 万亿元，相较年初增幅高达 4000 多亿元。组合管理型产品尤其是目前代表性的公募 FOF 和养老目标型FOF的发起对债基产品尤其是风格明确的被动债基产品的需求和推动效应凸显，随着债基的种类逐渐丰富，构建系统性的债基绩效归因框架至关重要。表 3：债券型基金历年发行份额统计（亿份）年份年份 被动指数型被动指数型 短期纯债型短期纯债型 混合债券型二级混合债券型二级 混合债券型一级混合债券型一级 增强指数型增强指数型 中长期纯债型中长期纯债型 总计总计 2008-399.24 765.76-1164.99 2009-455.02 109.78-18.01 582.81 2010-854.11 174.38-22.34 1050.84 2011 29.27-399.77 184.77-8.15 621.96 2012 13.84 5.43 496.30 136.08-1039.71 1691.36 2013 117.95 89.19 309.67 229.35 2.72 1244.02 1992.89 2014 69.25 1.71 94.91 105.35-353.15 624.37 2015 2.00-139.69 55.19-455.29 652.18 2016 56.09 2.00 441.05 33.54-3593.33 4126.00 2017 24.45 65.49 199.27-3251.91 3541.12 2018 431.02 119.62 107.56-2568.10 3226.30 资料来源：Wind，长江证券研究所 基于持仓的债券型基金归因方法梳理 与权益类基金不同，债券型基金在半年报和年报中并不会公布其全部持仓，我们能够获取的公开数据是前五大重仓债券及所持有的可转债，所以进行持仓分析有一定的局限性，理论上对重仓债券占比较高的债基进行持仓归因分析结果更为准确。本文主要介绍四种基于持仓的债基归因模型：Brinson 分解模型、Wagner-Tito 分解模型、加权久期分析方法以及 Campisi 分解模型。在报告基金的绩效归因方法分析及应用中我们详细地介绍过 Brinson 分解模型，应用在债基归因时基于的原理与进行权益类组合归因时相同，选定比较的基准组合后，可以将债基的超额收益分解为券种配置收益、个券选择收益及交互收益三个部分。但是Brinson 模型在分析债券组合上具有很多局限性，分解的结果并不能和基金经理构建、管理组合的逻辑相对应，因此后续又发展出了一些更有针对性的债券组合归因模型。Wagner 和 Tito（1977）基于 Fama 的框架构建了债券的久期归因模性，Van Breukelen（2000）将 Wagner 和 Tito 的久期归因模型结合 Brinson 归因模型进行改良，建立了加权久期分析模型，同年 Campisi Stephen 提出 Campisi 归因框架将债券组合的收益分为 请阅读最后评级说明和重要声明 6/27 金融工程丨专题报告 利息收入和价格波动收入，因为其分析过程简单清晰，Campisi 分解模型成为了目前最广为接受的债券组合归因模型之一。下面从计算原理和应用局限性两个方面分别对四种模型进行介绍。Brinson 分解模型 模型介绍 Brinson 模型构建了一个对组合分解的通用框架，通过比较一个时期的基金收益与基准收益，将其超额收益分为四个部分：券种配置收益、个券选择收益、交互收益和基准组合收益，并通过四个概念性组合、的构建来分解超额收益。组合的计算如下表所示：表 4：Brinson 分解模型的组合构建表格 组合组合类型类型 组合资产组合资产i收益收益 基准资产基准资产i收益收益 组合资产i权重：实际组合：积极券种配置组合 基准资产i权重：积极个券选择组合：基准组合 资料来源：Determinants of Fund Performance，长江证券研究所 根据上面的概念性组合-来进行收益分解，将对于基准的超额收益分解为券种配置收益（AR）、个券选择收益（SR）和交互收益（IR），各个部分计算式如下：请阅读最后评级说明和重要声明 7/27 金融工程丨专题报告 最后总超额收益为：以上是 Brinson 模型最基础的形式，在实际使用中也可以根据使用需求对超额收益进行适当修改。比较常见的一种改良是而后 Brinson 等人提出的 BF 模型，从公式可以看出，资产配置收益 AR 强调的是超额资产配置收益来源于对上涨的资产类别（或行业）的超配和对下跌的资产类别（或行业）的低配。然而我们直觉上会认为对涨幅超过基准总收益的类别进行超配、对跌幅超过基准总收益的类别进行低配才是具有超额资产配置能力，BF 模型就是针对 AR 提出将基准组合收益加入计算公式中，此时：对于组合的总资产配置收益来说两种算法并无差异，主要是具体到资产或者行业上的机构配比不同。模型局限性 Brinson 分解模型的优势在于可以从基金经理的管理能力出发，将超额收益进行从上至下的分解，结果清晰明确。但是应用到债券组合的分析上则存在一些水土不服，组合归因需要从管理人决策的角度出发，对于债券组合考察的是管理人对市场利率波动以及个券基本面的判断，反映在长短久期选择、个券类型搭配、个券估值等能力上，这些关键点无法通过 Brinson 分解的结果体现。Wagner-Tito 债券组合收益分解 模型介绍 进行股票型基金分析的时候 Fama 的因子分解模型应用广泛，基本形式如下：通过典 型 的 三 因素模型，将组合的超额收益率分解为系统风险部分、市值风格影响部分以及估值风格影响部分；其中为市场基准组合收益率，代表小市值组合和大市值组合的溢价部分，代表高市价比和低市价比组合的溢价部分，分别代表了组合在基准之上、市值风格上和估值风格上的风险敞口（或暴露）情况。请阅读最后评级说明和重要声明 8/27 金融工程丨专题报告 为了更为适合债券组合分析，基于债券的收益来源，应运而生了 Wagner-Tito 模型（以下简称“W-T 模型”），使用债券久期代替 作为风险度量（债券的收益分解过程及久期概念可以参考FOF 系列之债基多因子分析体系（上）。W-T 模型将债券组合的收益率简单的分解为以下部分：图 1：W-T 模型债券组合收益分解示例 资料来源：长江证券研究所 利率的变化对组合收益率影响程度通过组合管理者调整组合的久期来控制，相同久期的组合差异则由个券选择来解释。模型局限性 W-T 模型针对债券组合绩效归因做出了有效的尝试，是后面一些更为复杂模型的基础，其主要缺陷在于分解结果过于简单，久期只能解释一部分超额收益，类似于早期的CAPM 模型只使用 beta 来衡量股票或股票组合的风险，而后发展出了三因子、四因子乃至多因子模型，债基的归因模型也在朝着细化收益来源的方向发展。加权久期分析方法 W-T 模型分析框架比较简单，Brinson 模型又不适应债券组合的归因分析，因此在 2000年 Van Breukelen 尝试将两种模型结合起来，构建了加权久期分析模型（也称为Breukelen 模型）。模型介绍 与 W-T 模型一样，Breukelen 模型将久期作为债券组合系统性风险的度量，债券的收益率用以下公式来描述：请阅读最后评级说明和重要声明 9/27 金融工程丨专题报告 其中，为无风险利率，为债券组合的修正久期，为债券组合的到期收益率变化。然后借鉴 Brinson 归因模型的做法，首先将债券组合中个券按照品种分类，然后设置基准组合，通过构建两个中间组合的方式来计算券种配置贡献、久期配置贡献及个券选择贡献。假设债券组合中有 n 种类型的债券，类似于传统的 Brinson 归因模型，可以构建如下表格：表 5：加权久期模型的分解表格 指标指标类型类型 组合资产组合资产i收益收益 基准资产基准资产i收益收益 组合资产i权重（组合4）：实际组合（组合2）：久期配置组合 基准资产i权重（组合3）：个券选择组合（组合1）：基准组合 资料来源：Van Breukelen(2000)，长江证券研究所 其中，和分别代表了债券组合和基准组合中个券 i 的久期，和分别是个券i 在债券组合和基准组合中的权重，和分别为债券组合和基准组合中个券 i 的到期收益率的变化值，为久期 beta，通过对基准组合进行加权构建组合。，其中下标 i、a 代表个券及券种 a，用于构建，进行券种配置的分解。通过上面四个组合可以进行以下分解：券种配置能力券种配置能力（Variety Allocation Effect 简称简称 VAE）：与股票的分类类似，债券也可以按照品种、评级、期限及所在行业进行分类。与基准相比债券组合在某一券种 a 上的高配低配带来的超额收益归结为券种配置能力，可以通过组合 2 和组合 3 进行分解。已 知，将 券 种a中 个 券i进 行 累 加 后 可 以 得 到 请阅读最后评级说明和重要声明 10/27 金融工程丨专题报告 那么组合在券种 a 上的配置能力可以表示为：久期配置能力久期配置能力（Duration Allocation Effect 简称简称 DAE）：衡量债券组合的系统性风险，一般而言，当基金经理对债市的预期乐观时会偏好配置长久期，可以通过构建久期加权组合与基准组合进行比较来计算。个券选择能力个券选择能力（Security Selection Effect 简称简称 SSE）：保持其他条件相同，由于持有的个券不同带来的收益差异由个券选择来解释。构建组合 3 时与投资组合相比只有券种配置比例上相同，两个组合的差异体现了个券选择收益。除此之外，在进行全球配置的时候还需要考虑货币配置贡献，即当投资组合和基准组合的计价币种不同时，由债券还款的货币利率变化所带来的收益，在此不做详细介绍。模型局限性 债券的加权久期归因模型针对性较强，对于全球配置及平衡组合的分解能够清晰的反映出组合管理人从券种配置到个券选择的能力，不过其普及性不及下面重点介绍的Campisi 归因模型，主要原因在于 1）、加权久期分析模型的计算及推导过程略微复杂；2）、利息是固定收益类产品很重要的收益来源之一，加权久期分析模型没有考虑债券的利息收益部分；3）、与 Brinson 归因模型一样，选择合适的基准也是一个难题。请阅读最后评级说明和重要声明 11/27 金融工程丨专题报告 Campisi 分解模型 Campisi分解模型在前面几种债券组合归因模型的基础上首次提出将组合收益率分解为利息收益部分和价格变化部分，价格变化部分主要是由于利率变化引起的，可以进行进一步的分解，整个分解的框架如下图所示：图 2：Campisi 分解模型归因框架 资料来源：长江证券研究所 模型介绍 Campisi 分解模型是从债券的定价出发进行收益分解。在本系列报告上篇FOF 系列之债基多因子分析体系（上）中我们对债券的定价公式进行了详细推导，得到债券价格P 可以表示为：假设债券的买卖发生在付息期间，将上下两个付息日之间的时间看作单位 1，交易日到下一个付息日之间的剩余日期为 m，交易日作为起始日，剩余付息次数为 N+1，y 是债券的到期收益率，其他关键变量有利息 C、到期偿还的本金即面值 F。债券的价格受到两个因素的影响：到期收益率 y 和利息 mC，价格对于这两个因素的敏感度可以通过求偏微分得到。已知麦考利久期 D 和修正久期 MD 分别为 请阅读最后评级说明和重要声明 12/27 金融工程丨专题报告 债券的定价公式可以转换为 同样，用债券价格对 m 求偏微分可以得到：（注：当）综合上面的推导式，债券价格的变化 dP 可以表示为：债券的收益率 R 为：债券持有期 t 满足条件，因此债券收益率一般可以认为由如下两个因素组成：所代表的是收入效应，主要是由息票收益带来的；表示的是由到期收益率变化所带来的收益，可以用下图进行解释：随着到期日的临近，债券收益率的变化有 请阅读最后评级说明和重要声明 13/27 金融工程丨专题报告 来自于无风险利率的变化导致的部分即国债效应以及个券本身的信用利差导致的部分即利差效应，与债券组合进行多因子分解中的几大因子也能够对应上来。图 3：债券收益率分解示意图 资料来源：长江证券研究所 当然在这个基础上也可以将债券的收益率 R 进行更为细致的分解：其中，代表国债效应，代表利差效应，是残差部分。有了以上理论基础作为支撑，Campisi 模型的分解过程就十分清晰了，债券组合和基准的收益率分别表示为：和表示组合和基准中个券或券种 i 的息票收益，为国债在久期水平下的收益变化，为基准利差变化，为未被解释的残差部分。根据 Campisi 模型，分解结果如下：请阅读最后评级说明和重要声明 14/27 金融工程丨专题报告 其中表示无风险利率对应的利息部分。模型局限性 Campisi 分解模型的优点在于充分考虑到了影响债券收益的主要因素，需要输入的参数较少，所以实现起来也较为便利，并且收益分解的结果可以根据需求进行细分，例如国债效应又可以细分为久期管理效应和期限结构配置效应。模型的主要缺陷在于：1）、同加权久期分解模型一样只有选择了合适的基准作为参考时才能得到更为全面细致的分析结果，所以基准的选择比较棘手；2）、对基金自上而下的择券能力评估不足；3）、选择的分析区间及分析的时间长短对模型评价结果有影响。综合而言，以上四种常见的债基归因模型各有利弊，从归因原理、分解结果的实用性、实践起来的便利程度等方面进行综合比较的话，Campisi 分解模型更具有优势。下面就结合实例详细介绍基础版本的 Campisi 分解模型的实践应用。请阅读最后评级说明和重要声明 15/27 金融工程丨专题报告 使用 Python 实现 Campisi 分解模型 Campisi 模型的框架可以通过编程语言 Python 来实现，下面将根据前面一部分介绍的模型原理逐一分解模型的实现过程。Campisi 分解模型的实现步骤 Campisi Stephen 在论文Primer on Fixed Income Performance Attribution（2000）中用下图进行 Campisi 归因三效应模型计算的解释。图 4：Campisi 归因三效应模型分解示例 料来源：Campisi,S.(2000)，Primer on Fixed Income Performance Attribution,长江证券研究所 Campisi 三效应分解不需要设置比较基准，得到基金的国债效应、利差效应及个券选择效应三个部分，虽然计算过程简单，但是是进行更为细致分解的基础，本篇示例将以三效应分解为例，分为数据准备和模型计算两个步骤。数据准备 使用国内开放式债券型基金作为归因对象，所有数据均为可获取的公开数据，通过 Wind进行持仓及重要指标等数据提取。（1）主要输入指标包括：债券组合中个券市值权重、组合及个券收益率、个券期初价格、期初久期、期初和期末对应久期的国债收益率、个券类型、个券行业、行业的利差变化等。（2）债基持仓数据；目前债基在固定日期（季度）会公布至少前五大持券，虽然并不能完全代表债基的持券情况，但是可以从中看出基金经理配置偏好。一般而言，债基的换手率相对于股基较小，因此在此只考虑静态的归因分析，假设持有长度为季度，Q1为 12/31 到 03/31；Q2 为 03/31 到 06/30 等。（3）债券品种：按照中债债券分类，按照大类可以分为利率债、信用债、其他，而利率债和信用债下面又有很多细分类别。其中由于可转债的属性与传统债券不同，在归因时暂时不予考虑。请阅读最后评级说明和重要声明 16/27 金融工程丨专题报告 表 6：债券分类大类类别及下属细分类别 大类大类类别类别 细分细分类别类别 利率债 国债 地方政府债 政策银行债 信用债 金融债 企业债 公司债 中期票据 短期融资券 定向工具 国际机构债 政府支持机构债 资产支持证券 可转债 可交换债 其他 同业存单 资料来源：Wind，长江证券研究所 模型计算 获取了以上数据之后，开始模型计算部分，债券收益率的计算：（期末全价-期初全价）/期初全价。（1）（2）国债收益久期*国债收益率变化 对于国债收益可以做进一步分解，分为平移收益和扭曲收益。一般收益率曲线可以用水平、斜率、凸度三个指标来描述，国债收益率曲线的平移量如下：表示对应券种 i 的国债收益率曲线在期末和期初同一个期限上的收益率之差；平移收益如下：国债的扭曲收益由国债整体收益率变化减去平移收益部分得到：请阅读最后评级说明和重要声明 17/27 金融工程丨专题报告 券种整体受到无风险利率的影响可以由期初和期末对应的同一久期下收益率变化来表示。每个券种的国债扭曲收益为：（3）利差收益 当我们没有选择基准进行分析时，利差收益可以简单的看作是无法被利息收益和国债收益所解释的剩余部分。当我们选择合适的基准进行计算时，利差收益部分可以进一步拆分出个券选择收益部分。完成上面三个部分的计算可以获取每种个券在各个维度对组合的收益贡献。Python 实现 Campisi 分解的示例 依据上部分 Campisi 归因步骤在 python 中逐步实现，从提取输入数据到计算归因结果，可以简单的分为以下三个步骤（仅列举出部分示例代码及运行结果）：图 5：读取持仓数据 资料来源：Wind，长江证券研究所 可以通过上述代码读取已经提取好的债基持仓数据或者直接在 Wind 上提取持仓数据，内容包括报告期、债券名称、债券代码及个券的基金净值占比等。请阅读最后评级说明和重要声明 18/27 金融工程丨专题报告 图 6：从 Wind 上提取 Campisi 模型计算时的主要输入指标1 资料来源：Wind，长江证券研究所 通过函数从 Wind 上直接提取债券的价格、到期收益率、修正久期等信息，与持仓信息中的债券权重占比数据合并，得到模型计算时全部必备指标，然后进入计算步骤。图 7：进行 Campisi 模型计算及部分运行结果 资料来源：Wind，长江证券研究所 Campisi 分析结果解析 在这一部分选择两只债基产品进行分析并比较分解结果。以债基 A 和债基 B 代表所选两只公募基金，使用的数据为基金成立至今的公开持仓数据，不设置比较基准，直接得到三效应的分解结果并进行横向比较。1 票面利率、到期收益率单位：%；应计利息、全价单位：元。请阅读最后评级说明和重要声明 19/27 金融工程丨专题报告 可以用下面的蛛网图形式展示分析区间 2013 年一季度（Q1）到 2018 年三季度（Q3）两只债基在三种效应上的分解结果。整体而言，息票效应是债基的收益的重要组成部分，而且较为稳定；国债效应和利率效应的波动相对较大，债基的回撤和超额收益产生主要依赖这两部分。图 8：债基 A 的 Campisi 归因结果（三效应分解）资料来源：Wind，长江证券研究所 图 9：债基 B 的 Campisi 归因结果（三效应分解）资料来源：Wind，长江证券研究所 分析的时间区间内，债基 A 和债基 B 的重仓债券权重占比在 13%55%的范围内波动，从 2013 年 Q3 到 2018 年 Q3 平均权重占比分别为 25.75%和 38.18%，统计 2018 年Q3 的全部债基产品的重仓债券占比，超过 85%的债基公布的重仓债券占基金净资产权重大于 20%，选择债基 A 和 B 具有一定的代表性。比较债基 A、B 的分解结果：1）、三大效应对收益的贡献结构上：息票效应贡献均最大，对债基 B 而言利率效应贡献略高于国债效应；债基 A 的国债效应和利率效应贡献相当。请阅读最后评级说明和重要声明 20/27 金融工程丨专题报告 2）、债基 A、B 的收益稳定性方面，可以通过分别求取两只基金的三大效应结果的剔除极端值后的标准差进行测算，债基 B 的国债效应和利率效应部分更为稳定。3）、三大效应的绝对值相比较，2013 年四季度国债效应给两只产品都带来了较大回撤，主要是当时国债利率攀升导致的系统性风险；债基 A 的利率效应和国债效应负相关性比较明显，暴露了在久期和利差管理上的一些不足。综合上面几个方面，债基 B 的管理表现更为突出，再通过同段时间内两只基金的净值表现来验证。图 10：债基 A 和债基 B 的区间净值表现 资料来源：Wind，长江证券研究所 分析区间内债基 B 的净值收益更高，而且曲线也更为平滑。重仓债券做权重归一化得到每个季度的息票效应、国债效应、利率效应的结果。请阅读最后评级说明和重要声明 21/27 金融工程丨专题报告 表 7：债基 A 和债基 B 三效应分解的部分结果示例 日期日期 债债基基A 债债基基B 息票效应息票效应 国债效应国债效应 利率效应利率效应 息票效应息票效应 国债效应国债效应 利率效应利率效应 2013-3-29 3.83%-1.01%1.57%6.75%-0.60%6.69%2013-6-28 6.30%1.52%2.10%7.66%-1.63%2.03%2013-9-30 3.78%-10.92%4.62%8.72%-8.81%5.47%2013-12-31 5.55%-9.72%-0.45%8.41%-10.06%-7.92%2014-3-31 5.90%5.08%-1.29%7.31%7.62%5.42%2014-6-30 7.83%2.91%1.09%8.42%5.00%5.36%2014-9-30 5.73%-0.82%5.70%9.36%-0.43%8.10%2014-12-31 5.40%7.47%-7.81%6.32%1.40%-0.45%2015-3-31 7.10%0.97%5.41%7.43%0.33%1.17%2015-6-30 6.73%6.92%-1.25%5.78%0.82%0.16%2015-9-30 3.86%2.37%4.32%5.89%-0.05%0.46%2015-12-31 5.33%6.48%1.73%5.48%0.00%0.08%2016-3-31 5.18%4.14%-0.56%6.20%0.12%-0.96%2016-6-30 5.87%-3.65%-0.03%6.99%-0.02%-1.16%2016-9-30 6.36%2.18%1.89%7.08%0.15%1.98%2016-12-30 5.04%-3.62%1.75%5.04%-0.31%-0.36%2017-3-31 3.22%-0.87%2.19%5.06%-0.20%0.42%2017-6-30 5.39%-1.90%-2.80%6.90%-0.10%0.79%2017-9-29 8.66%-0.13%1.23%6.22%-0.07%0.22%2017-12-31 7.44%-0.87%1.78%6.28%0.09%-0.42%2018-3-30 5.74%1.45%-3.50%4.64%0.26%-0.24%2018-6-29 5.67%1.64%-0.62%6.13%0.07%0.00%2018-9-28 5.65%0.45%1.31%6.35%0.73%0.77%资料来源：Wind，长江证券研究所 债基多因子归因模型和 Campisi 归因模型的比较 首先回顾一下我们在债基的绩效归因上篇中介绍过的债基多因子框架，按照 Barra 的大类资产配置模型提取了利率风险因子（包括水平因子、斜率因子、曲率因子）、利差风险因子（包括评级利差因子和行业利差因子）及特异性风险因子（可转债因子）总共包括 7 个细分因子。实际分析中根据债基的类型和分析的需求可以选取部分或全部因子通过回归的方式计算基金在因子上暴露度。请阅读最后评级说明和重要声明 22/27 金融工程丨专题报告 图 11：长江金工债基多因子分析体系 资料来源：长江证券研究所 债基多因子归因实践过程 在上一篇债基归因的报告中最后一部分以两只债基为例给出多因子归因的实践案例，得到了两只基金在不同因子上的暴露度及基金的拟合程度，但是仅有两只产品不具备代表性，这一部分将扩大归因对象为市场上存续期超过三个月的特定类型（剔除指数型及指数增强型）的债券型基金，并且与对应的 Campisi 归因结果进行比较，对债基进行全方位刻画。同时，基于之前的分析结果针对国内债券市场实际情况进行以下调整：1）、合并周期行业利差因子和非周期行业利差因子 很多债基在进行个券配置时并未过于关注行业，在比较不同行业的利差收益曲线时也发现其差异与个券信用评级带来的收益率差异相比较小，因此进行大量样本分析时可以合并非周期和周期行业利差因子。2）、增加货币因子 债基归因的一大应用是辅助 FOF 产品进行基金筛选，货币型基金和短期理财型产品是FOF 在建仓初期及资产配置时重要考量类型，原始的七因子在解释这类高流动性、短久期基金时存在不足，因此引入货币市场基金指数构建货币因子增强对流动性高的短期债券的解释力度。3）、调整计算频率变为周频 之前按照月度提取因子，但是由于部分债基存续时间不长，导致月度分析时样本点数量比较少，拟合效果不佳，因此调整为周频。经过以上调整后，在这一部分使用的债基多因子框架如下：请阅读最后评级说明和重要声明 23/27 金融工程丨专题报告 图 12：调整后的债基多因子分析框架 资料来源：长江证券研究所 债基多因子归因结果 进行多因子归因的过程主要是采取多元回归的方式，归因的样本为存续期至今三个月及以上的公募债券型基金产品合计 1058 只。归因可以得到每只基金在不同因子上的暴露度、整体拟合程度（R-squared）、回归 Alpha 几个重要指标。R-squared和Alpha分别代表了所选择的因子对该基金的收益率的解释力度和基金超额收益情况，可以通过以下散点图的形式对基金进行定位刻画。图 13：选择单因子（水平因子）的拟合结果 资料来源：Wind，长江证券研究所 单因子拟合结果不佳，大部分基金集中在 R-squared 为 00.2 区间内。请阅读最后评级说明和重要声明 24/27 金融工程丨专题报告 图 14：四因子的拟合结果 资料来源：Wind，长江证券研究所 选择水平因子、利率因子、评级利差因子和可转债因子的拟合结果相比于单因子有显著改善，基金分布更为分散，整体的拟合效果也有所提升。图 15：七因子的拟合结果 资料来源：Wind，长江证券研究所 比较上面的散点图可以得到以下结论：请阅读最后评级说明和重要声明 25/27 金融工程丨专题报告 1）、三张图进行横向比较可以发现随着选择的因子数量的增加，回归的拟合效果有显著提升，尤其是从单因子到多因子样本点逐渐向右象限偏移，整体回归的 R-squared 有所提升；进行单因子回归时，大部分基金的 Alpha 大于 0，七因子回归时基金的 Alpha 在横轴上下的分布更为均匀。2）、使用七因子进行回归时，大部分基金集中在拟合度为 0.40.6 的区间内，说明选取七个因子已经能够对基金的收益率起到较大程度的解释作用。3）、在同一张散点图中进行基金筛选时，一般而言，当基金的 R-squared 差异不大时，选择 Alpha 较高的基金，即解释力度相当的情况下选择超额收益较高的。除了关注基金分解后的 Alpha 和 R-squared 之外，基金及组合的因子暴露度水平表明了基金的风险暴露情况、收益的可持续性和稳定性等。两种归因方法比较 比较 Campisi 归因和多因子归因两种方法，主要区别在于：1）、使用的归因数据不同，Campisi 归因使用持仓数据，多因子归因使用净值数据；持仓数据来自于基金季报，净值数据每日更新，因此两种方式得到的分解结果的频率、准确程度也有差异。2）、分解得到的结果不同，Campisi 归因从债券定价出发得到的是债券组合在利息、无风险利率、利差上的收益分解结果，多因子归因通过构建风险因子描述债券在无风险利率曲线移动、信用评级差异、久期配置和行业配置上的风险暴露，理论上可以通过构建指数组合或个券组合提取各类细分风险因子。Campi