【量化投基】基于因子归因的债券基金遴选策略

孙悟空748

发布机构：国金证券研究所

本报告分析师：

于子洋 联系人

田露露 分析师 SAC编号：S1130521110001

张剑辉 分析师 SAC编号：S1130519100003



基本结论

—————

本文从债券基金的Campisi归因模型出发，将债券基金的收益分解至多个不同的来源，并依此构建多因子归因模型，利用风格因子无法解释的超额收益进行基金遴选。经历史数据回测，选出的基金构建的组合能显著地超越样本池内所有基金等权配置的组合（下文简称“基准”），长期具有稳定的优异表现。

Campisi模型基于持仓数据对债券基金进行业绩归因。从不同收益来源的角度，Campisi模型将债券收益拆解为代表票息收益的收入效应，代表无风险利率变化的国债效应，代表信用利差变化的利差效应，和代表主观个券选择能力的择券效应。该模型将债券基金和与其自身的业绩比较基准按上述方法拆解，并将两者拆解后得到的效应结果相减，即可得到超额收益的来源，从而实现对基金管理人的业绩评价。

本文在Campisi模型的基础上构建了基于净值数据的多因子模型。本文首先对债券基金收益来源进行了扩充，补充了转债价格变化导致的转债效应，和公开市场操作带来的货币效应。随后从收益来源的角度出发，通过债券指数构建了以下七个因子：水平因子、斜率因子、凸性因子、信用因子、违约因子、转债因子、货币因子。经检验，七个因子之间相关性较低，且拟合优度平均在0.5以上。模型使用净值数据对因子进行回归分析，得到风格暴露和因子无法解释的阿尔法，并依据阿尔法作为评判标准进行基金遴选。

通过阿尔法优选出的债券基金构成的组合具有显著的超额收益，具备优秀的转债择券能力。本文使用了约5年（2017/1/1-2022/2/11）的数据进行了历史回测，选取阿尔法排名前10%的债券基金等权配置构建基金投资组合。每季度末选取已成立半年以上的债券基金作为样本，将债券基金过去6个月的净值收益率对七个风格因子进行回归，选取回归阿尔法排名前10%的债券基金进行等权配置，并持有3个月的时间，即回测的回看期为滚动的6个月，调仓期为3个月。回测结果显示，基金投资组合的年化收益率为5.21%，夏普比率为2.91，相对于基准的年化超额收益为1.23%，信息比率为0.82。且阿尔法排名前10%的债券基金转债因子的暴露较高，管理人具备优秀的转债择券能力。

剔除转债因素后，模型选出的债券基金构成的组合同样具有显著的超额收益、同时能够很好的控制回撤。本文用两种方法考察了管理人在非转债上的择券能力，两种方法的结论相似。基金投资组合的年化收益率均能超过4.50%，夏普比率接近6.0，相对于基准的信息比率超过2.0。除2020年外，组合在回测各年度的最大回撤均不超过0.80%

通过构建风格因子，剥离因子贡献获得的纯粹阿尔法具有显著的筛选效果，基于阿尔法遴选债券基金具备可行性。投资者可通过量化的方法，得出客观、全面的基金评价结果，为主观分析及基金组合构建提供参考和佐证。

正文

—————

2018 年《关于规范金融机构资产管理业务的指导意见》（“资管新规”）颁布，各类资管产品尤其是银行理财开启了“净值化”转型，公募债券型基金凭借其稳定的收益与可控的风险，迎来了黄金发展期。截至2021年末，全市场债券型基金数量已达2683只，管理规模合计6.88万亿元，是货币型基金外体量最大的基金类型。因此，单纯使用主观调研愈发难以覆盖全市场基金，定性与定量结合的方法愈发重要起来。

近年来，债券利率中枢下行、高等级信用利差压缩、债券爆雷不断，传统的票息策略与信用下沉举步维艰，纯债基金收益空间逐渐变窄。为应对投资环境的变化，债券基金管理人们一方面通过更精细的宏观研究、行业与公司分析，提高择时择券能力，另一方面通过“固收+”的形式把握转债、股票等权益类资产的投资机会，增厚组合业绩。债券基金的收益愈发体现了管理人的综合能力，债券型基金的研究需求不断增长。

本报告对经典的Campisi归因模型进行了延伸，在归因分析的基础上获取基金的阿尔法，从而筛选出具备稳定获取阿尔法能力的基金管理人。与主观调研相比，通过量化的方法，我们可以剥离风格因素，获取纯粹的阿尔法，客观、全面地评价所有基金，为主观的调研提供参考和佐证。

第一部分：Campisi归因模型

在纯债基金的业绩归因上，Campisi 在2000 年发表的《Primer on Fixed Income PerformanceAttribution》一文中提出了专门用于纯债基金业绩归因分析的Campisi 模型。模型将债券基金的收益率分解为收入效应、国债效应、利差效应和择券效应，分别对应着债券票息、无风险利率、信用利差和主动择券为基金带来的收益。

Campisi认为，债券的收益首先可以分解为票息收益和价格变动的收益两部分。对于债券的价格变动，由债券定价公式微分可得：



其中▲P/P为价格的变动率，D为债券的修正久期，▲y为收益率的变化，即债券价格的变动率等于负修正久期与收益率变化的乘积。而收益率的变化又可以拆分为无风险利率的变化和信用利差的变化之和：



其中▲r为无风险收益率的变化，▲s为信用利差的变化。因此，债券的收益就可以被债券的票息收益（收入效应），无风险利率变化所带来的收益（国债效应）和信用利差所带的收益（利差效应）三个因素所解释：

债券收益率=票息收益率+（-修正久期×无风险收益率变化）+(-修正久期×信用利差变化)

= 收入效应+国债效应+利差效应

债券基金组合中往往包含多只债券，在对整体组合的超额收益进行归因时，Campisi又引入了择券效应这一概念，它代表着基金管理人优选债券带来的额外贡献。因此，纯债型基金的收益可以被分解为收入效应、国债效应、利差效应与择券效应四个部分。

该模型将债券基金和与其自身的业绩比较基准按上述方法拆解，并将两者拆解后得到的效应结果相减，即可得到超额收益的来源，从而实现对基金管理人的业绩评价。
图表1：Campisi模型纯债型基金收益分解


来源：国金证券研究所

Campisi模型对纯债型基金的收益进行了较为细致的分解，但由于模型计算需要持仓所有债券的信息，而债券基金只公布前五大重仓债券，且大多数情况下前五大重仓债券并不能展现基金的整体特征，在没有内部数据的情况下运用该模型可能存在较大误差。同时，Campisi模型没有考虑可转债的因素，在现在可转债投资愈发重要的市场背景下，不能刻画可转债的收益特征，具有一定的局限性。于是我们对Campisi模型进行了扩展，新模型不再依赖基金具体的持仓债券信息，而是转而使用净值序列信息，构建出体现债券风格的多因子模型，来实现债券基金的归因分析。

第二部分：多因子归因模型2.1 风格因子构建
Campisi 模型将纯债基金的收益分解收入效应、国债效应、利差效应与择券效应，我们首先试图在分解的维度上进行补充。考虑到债券基金可能投资于可转债，而可转债的价格变化一定程度上受股票市场的影响，具有很强的权益特征，故我们引入了转债效应，来解释可转债价格变化对收益的贡献。另一方面，考虑到债券基金在管理过程中，可能会出现杠杆操作或现金仓位的情况，因此我们引入了货币效应，来解释现金仓位带来的收益或杠杆操作所需的成本。所以我们在Campisi模型的基础上，添加了转债效应与货币效应，以此构建了多因子模型，以更好的解释债券基金投资组合中各种不同的因素带来的收益。模型将债券基金总收益按下式进行分解：

债券基金总收益=票息收益+价格变动收益+货币市场收益

                =收入效应+国债效应+利差效应+择券效应+转债效应+货币效应

图表2：债券基金收益分解


来源：国金证券研究所

为了避免依赖持仓信息，我们的模型采用了多因子归因的方法，使用了不同的风格因子来反映上述效应。在上述效应之外，考虑到债券利率的期限结构、信用债的不同信用等级同样影响债券基金收益，模型构建了债券基金的七个风格因子：

1）水平因子：选取中债国开行债券总财富指数的收益率，可以理解为股票市场中的贝塔，直接地反映了收益率对债券组合的影响。

2）斜率因子：为了剔除水平因子的影响，采用做多中债中短期债券财富总指数，做空中债中长期债券财富总指数，构建久期中性的组合。斜率因子一定程度体现了基金经理期限结构的配置和调整能力。

3）凸性因子：采用中债国开行债券1-3年、3-5年、5-7年、7-10年债券财富总指数四只指数两两组合，按照构建斜率因子的方法构建3个久期中性的组合，再分别对三个组合依次按照0.25、-0.5、0.25的权重构建组合。凸性因子是对斜率因子的补充，丰富了利率曲线的期限结构。

4）信用因子：采用做多中债企业债AAA总财富指数，做空中债国开行债券总财富指数，构建久期中性的组合。信用因子刻画了为了补偿信用风险而额外提供的收益。

5）违约因子：采用做多中债高收益企业债总财富指数，做空中债企业债AAA总财富指数，构建久期中性的组合。违约因子考虑了不同等级信用利差对债券收益的影响，补充了信用因子在这方面解释上的缺失。

6）转债因子：采用做多中证转债指数，做空中债国债总财富指数，构建组合，反映了转债的超额收益率。

7）货币因子：选取货币市场基金指数收益率。

图表3：因子构建方法



来源：国金证券研究所

2.2 因子表现与相关性
我们统计了各个因子2017年以来的历史收益净值曲线，从图中可以看出，可转债因子的年化收益最高，但波动也最剧烈，可以体现转债的权益特征；水平因子受市场收益率变动的影响较大，反映了债券市场整体的情况；其余五个因子表现较为稳定，长期来看基本上呈向右上的斜线。
图表4：因子历史收益净值曲线


来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11

接下来，我们统计了因子之间的相关性。从以下的图表可以看出，本文构建的因子间相关性不高，大部分因子相关性的绝对值都在0.3以下，在合理范围内，这就保证在进行多元线性回归的时候，不会造成出现的多重共线性的问题，回归分析结果较为可靠。
图表5：因子相关性统计


来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11
2.3 风格归因分析在确保因子有效性的基础上，我们构建了多因子归因模型：


其中因变量y为基金净值的日收益率，F为标准化的因子值，回归系数β反映了基金的因子暴露，α表示基金无法被风格因子解释的超额收益。

我们对债券基金（指短期纯债型基金、中长期纯债型基金、一级债基，不包括二级债基，下同）近5年的历史数据进行了回归，得到债券型基金在不同因子上的回归系数，即基金在该因子上的因子暴露，结果如下图所示。
图表6：债券基金平均因子暴露


来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11

由于所有的自变量因子都已经进行了标准化处理，回归得出的因子暴露可以看作顺序数据，即它的绝对数值没有经济学含义，但可以用来体现不同因子间的相对大小与不同基金间的相对大小。从结果上来看，债券基金的平均因子暴露最高的是水平因子，相对较高的包括信用因子和转债因子，其余四个因子的平均因子暴露较小。由此可以推测，大多数债券基金都受到了债券市场整体波动的影响，部分基金也通过承担转债风险和信用风险来提高收益。

本文构建多因子模型对债券基金进行风格归因分析，得到了如下的拟合优度频数分布图。从整体来看，模型拟合优度的均值为0.5，考虑到债券基金收益的影响因素在实际中更为复杂，其中有很多无法定量分析的特异性因素，我们构建的多因子模型对债券基金的收益解释效果尚可。
图表7：拟合优度频数分布图



来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11

多因子模型中的阿尔法为债券基金收益中不能被风格因子解释的部分，是基金风格因子之外的超额收益，在一定程度上可以衡量基金管理人的特有能力。后文尝试在多因子模型的基础上构建策略，通过债券基金回归得到的阿尔法来遴选债券基金，并检验挑选出的高阿尔法债券基金是否能长期具有稳定的优异表现。

第三部分：债券基金遴选策略3.1 债券基金遴选策略
本文将多因子模型中的阿尔法作为超额收益，衡量基金管理人的特有能力，本质是对詹森指标的扩展。为了验证此策略是否能筛选出具有稳定优异表现的债券基金，我们对过去5年的历史数据进行了回测。

每季度末我们选取已成立半年以上的债券基金作为样本，将债券基金过去6个月的净值收益率对上文的七个风格因子进行回归，选取回归阿尔法排名前10%的债券基金，排名后10%的债券基金，和样本内全部债券基金，等权配置作为3个组合，并持有3个月的时间，即回测的回看期为滚动的6个月，调仓期为3个月。随后连接成净值曲线，并对比不同组合的表现情况。

回测时间为2017年1月1日至2022年2月11日。回测期内，回归模型中样本基金数量由230只增长到1060只。我们定义样本内全部债券基金等权配置的基金组合为基准（下文简称“基准”）。
图表8：样本基金数量


来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11

回归得到的阿尔法有显著的区分效力，它们大致呈现正态分布，并具有一定的肥尾特征。我们以2021年4季报最新一期的债券基金阿尔法值为代表，展示如下图。

图表9：样本基金阿尔法分布



来源：Wind，国金证券研究所，数据区间：2021/6/30-2021/12/31

从回测结果可以看到，长期看阿尔法排名前10%的基金构成的基金组合的净值曲线明显超过了另外两个组合，且阿尔法排名后10%的基金构成的基金组合表现最差。前10%的基金的平均年化收益为5.21%，夏普比率为2.91。相对于基准的平均年化超额收益为1.23%，信息比率为0.82。

图表10：策略回测曲线



来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11

从各个年度的表现来看，阿尔法排名前10%的基金构成的基金组合表现均较好，相对基准每一年均能取得正的超额收益。其中2020年和2021年超额收益分别为2.61%和3.04%，对于债券基金来说，表现非常优异。另外我们注意到2017年-2019年超额收益每年均在0.50%的水平上，可能与当时债券基金整体数量较少，区分度不够明显有关。从波动率角度上看，组合的年化波动率要明显高于基准的年化波动率。

从以上的回测结果可以发现，本文定义的阿尔法对债券基金具有明显的筛选能力，选出的债券基金可以显著地战胜基准，相对于债券基金的平均值具有稳定的超额收益，而相应的，选出组合的波动率有所放大。

图表11：策略前10%的基金组合分年度业绩表现



来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11

我们进一步分析了阿尔法排名前10%组合和等权配置组合的因子暴露，我们发现等权配置组合的因子暴露平均都在0-1的区间内，并没有较大的波动。而阿尔法排名前10%的债券基金组合在转债因子上的暴露显著更高，水平因子的波动也比更大，而信用因子则没有明显的暴露。说明上述方法遴选出了具有优秀的可转债配置能力的基金管理人，并且他们在信用风险上的暴露相较平均而言较少，而这也是选出的组合净值波动率更大的原因。
图表12：阿尔法排名前10%组合平均因子暴露


来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11

图表13：债券基金等权配置组合平均因子暴露



来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11


据此，我们基于因子归因的债券基金遴选策略，选出了近一年每期阿尔法排名均在前10%的债券基金，进行结果展示如下。近一年排名均在前10%的基金共有17只，且他们都在转债因子上的暴露最高。遴选出的基金近一年表现均较好，但由于权益市场近期调整明显，且基金转债暴露均较高，债券基金在近期都有不同程度上的回调。排名第一的基金是华宝可转债A，基金经理为李栋梁，由于它仅投资于可转债，业绩弹性更大，它近一年收益率达到了21.63%。排名第二的是光大增利A，基金经理为黄波，近一年收益率也达到10.28%。排名第三的是东方红聚利A，基金经理为孔令超，近一年收益率为9.87%。中长期纯债型基金中排名第一的是金鹰元祺信用债A，基金经理为林龙军、林暐，近一年收益率9.18%。
图表14：近一年内阿尔法排名均在前10%的债券基金



来源：Wind，国金证券研究所，数据区间：2021/3/19-2022/3/18，阿尔法为模型最新一期得出的结果



上述的结果主要得到了转债交易能力较强的基金管理人。为进一步研究债券基金阿尔法在非可转债上的表现，考察管理人对非可转债债券的选择能力，本文采取了以下两种方法：

方法一：每季度末进行回归后，剔除转债因子暴露排名前10%的债券基金，在剩余基金中选取排名前10%的债券基金构建组合。方法二：剔除所有持有过可转债的债券基金，并在多因子模型中剔除转债因子，回归后选取排名前10%的债券基金构建组合。

3.2 债券基金遴选策略——剔除转债方法一

我们依旧按照上述方法进行处理，不过在每季度回归后，我们先剔除转债因子暴露排名前10%的债券基金，再从剩余的基金中选取类似的3个组合，并以剩余债券基金的等权配置组合为基准。回测时间保持不变，在剔除部分基金后，回测期内，回归模型中样本基金数量由207只增长到954只。

图表15：样本基金数量——方法一



来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11

去除部分转债因子暴露较高的基金并未影响回归得到的阿尔法的分布，它们仍呈现正态分布，并具有一定的肥尾特征。我们同样以2021年4季报最新一期的债券基金阿尔法值为代表，展示如下图。

图表16：样本基金alpha分布——方法一



来源：Wind，国金证券研究所，数据区间：2021/6/30-2021/12/31

从下图可以看出，剔除可转债因子暴露排名前10%的债券基金后，长期看阿尔法排名前10%的基金构成的基金组合的净值曲线依旧明显超过了另外两个组合，且基金组合净值曲线的波动显著降低。排名前10%的基金组合的平均年化收益为4.64%，夏普比率为5.92，相对于基准的平均年化超额收益为0.75%，信息比率达到2.65。

图表17：策略回测曲线——方法一



来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11

从各个年度表现来看，排名前10%的基金构成的基金组合依旧可以相对基准每一年取得正的超额收益。基金组合的最大回撤出现在2020年，除2020年外，基金组合的最大回撤均控制在1%以内。2020年的最大回撤主要是由于当年债券市场波动较大，全年利率先下后上，中债总财富指数最大区间跌幅超过3%。从波动率的角度，选出的组合与不剔除可转债时选出的略有不同，前10%基金组合的年化波动率较基准仅有微小的提升，说明其风险暴露与基准较为接近。

图表18：策略前10%的基金组合分年度业绩表现——方法一



来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11

下图展示了此方法下阿尔法排名前10%的债券基金的平均因子暴露和债券基金等权配置组合的平均因子暴露。可以看出，相对于基准，排名前10%的组合在水平因子上调整幅度更大，也反映出排名前10%的债券基金在久期策略上调整的意愿更强。

图表19：阿尔法排名前10%组合因子暴露——方法一



来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11

图表20：债券基金等权配置组合因子暴露——方法一



来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11

我们在剔除转债暴露因子排名前10%的债券基金后，选出了近一年每期阿尔法排名均在前10%的债券基金，进行结果展示如下。近一年排名均在前10%的基金共有13只，他们都在水平因子上的暴露最高。遴选出的基金近一年收益率均超过5%，表现非常优秀。排名第一的基金是泰达宏利汇利，基金经理为高春梅，近一年收益率达到7.04%。排名第二的是圆信永丰兴融A，基金经理为康芳华，近一年收益率也达到6.26%。排名第三的是创金合信信用红利A，基金经理为郑振源,谢创,张贺章，作为一只短期纯债型基金，近一年收益率为6.17%。

图表21：近一年内阿尔法排名均在前10%的债券基金——方法一



来源：Wind，国金证券研究所，数据区间：2021/3/19-2022/3/18，阿尔法为模型最新一期得出的结果

  上述名单中，由于部分基金规模过小，部分基金已暂停申购或对大额申购有所限制，因此我们放宽了选择条件，选出了近一年每期阿尔法排名均在前20%的债券基金，并对其规模和申赎状态进行约束，要求基金的规模在2亿元以上，开放申购或大额申购限额在500万元以上。近一年排名均在前20%且满足规模和申赎状态要求的基金共有15只，排名第一的基金是鑫元泽利，基金经理为郑文旭，近一年收益率达到7.12%。排名第二的基金是创金合信信用红利A，基金经理为郑振源、谢创、张贺章，近一年收益率为6.17%。排名第三的基金为广发景宁纯债A，基金经理为宋倩倩，近一年收益率也达到6.06%。

图表22：近一年内阿尔法排名均在前20%的债券基金——方法一



来源：Wind，国金证券研究所，数据区间：2021/3/19-2022/3/18，阿尔法为模型最新一期得出的结果

3.3 债券基金遴选策略——剔除转债方法二

在这种方法下，我们直接剔除配置过转债的债券基金，其余方法皆与上文相同。我们用未配置过转债的剩余债券基金的等权配置组合为基准。

在剔除持有过可转债的债基之后，每季度末回归模型中的样本基金数量略有减少，但仍有相当数量的基金保留在样本内。样本内基金数量由2016年底的100只增加到2021年底的810只。

图表23：样本基金数量——方法二



来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11

去除持仓过转债的基金并未影响回归得到的阿尔法的分布，它们仍呈现正态分布，并具有一定的肥尾特征。我们同样以2021年4季报最新一期的债券基金阿尔法值为代表，展示如下图。

图表24：样本基金alpha分布——方法二



来源：Wind，国金证券研究所，数据区间：2021/6/30-2021/12/31

剔除所有持有过可转债的债券基金后，结论并未发生变化。阿尔法排名前10%的基金组合的平均年化收益为4.56%，夏普比率为5.64，相对于基准的平均年化超额收益为0.63%，信息比率为2.15。

图表25：策略回测曲线——方法二



来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11

从历年业绩的角度看，得到的结果基本与方法一类似。基金组合的最大回撤也出现在2020年，除2020年外，组合的最大回撤均低于1%。

图表26：策略前10%的基金组合分年度业绩表现——方法二



来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11

下图展示了此策略下阿尔法排名前10%的债券基金的平均因子暴露和债券基金等权配置组合的平均因子暴露。可以看出，相对于基准，排名前10%的组合在水平因子上有着更高的暴露，并且在信用因子和违约因子上波动也更大，说明前10%的基金敢于在有把握的领域更积极的进行信用挖掘，提升组合静态收益。

图表27：阿尔法排名前10%组合因子暴露——方法二



来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11

图表28：债券基金等权配置组合因子暴露——方法二


来源：Wind，国金证券研究所，数据区间：2017/1/1-2022/2/11

我们在剔除曾经有可转债持仓的债券基金后，选择近1年每期阿尔法排名均在前10%的债券基金，进行结果展示如下。由于本方法下保留的基金较少，近一年排名均在前10%的基金共有9只。其实前8只基金在方法一中也被筛选了出来，本次新选入基金为招商招旭纯债A，基金经理为郭敏，近一年收益率也达到了5.49%。

图表29：近一年内阿尔法排名均在前10%的债券基金——方法二



来源：Wind，国金证券研究所，数据区间：2021/3/19-2022/3/18，阿尔法为模型最新一期得出的结果

同样，由于部分基金规模过小、已暂停申购或对大额申购有所限制，我们选出了近一年每期阿尔法排名均在前20%的债券基金，并对其规模和申赎状态进行约束，进行结果展示如下。近一年排名均在前20%且满足规模和申赎状态要求的基金共有14只，名单内的多数基金在方法一中也被筛选了出来。排名第一的基金是广发景宁纯债A，基金经理为宋倩倩，近一年收益率为6.06%。排名第二的基金是富荣富兴纯债，基金经理为吕晓蓉、唐奥，近一年收益率为5.98%。排名第三的基金是格林泓鑫A，基金经理为张晓园，近一年收益率为5.97%。

图表30：近一年内阿尔法排名均在前20%的债券基金——方法二



来源：Wind，国金证券研究所，数据区间：2021/3/19-2022/3/18，阿尔法为模型最新一期得出的结果

第四部分：结论

本文基于Campisi债券归因模型，将债券基金的收益分解为收入效应、国债效应、利差效应、择券效应、转债效应、货币效应。随后构建了多因子模型，将不同的收益效应转化为七个因子：水平因子、斜率因子、凸性因子、货币因子、信用因子、违约因子、转债因子。

我们构造的七个因子相关性较低，且对于短期纯债型基金、中长期纯债型基金、一级债基的总样本池，七个因子拟合优度平均在0.5以上。债券基金的平均因子暴露最高的是水平因子，相对较高的包括信用因子和转债因子，其余四个因子的平均因子暴露较小。

随后我们进行了回归分析，考虑到择券能力对于转债、不含权债券差异较大，我们根据基金持有转债的暴露和持仓的不同，分成了3种不同的样本池，分别考察归因得到的阿尔法是否代表了管理人稳定的获取超额收益的能力。回测结果表明，通过阿尔法优选出的债券基金构成的组合具有显著的超额收益、较高的夏普比率与信息比率，同时能够很好的控制回撤。这表明通过构建风格因子，剥离因子贡献获得的纯粹阿尔法具有显著的筛选效果，对于债券基金投资策略具备一定的参考意义。

-END-
风险提示1、本报告根据历史数据统计、建模、测算，若历史数据不被重复验证，则可能出现模型失效风险；2、多因子模型得到的阿尔法失去稳定性的风险等；3、新冠疫情或国际政治摩擦升级等带来债券基金大幅波动风险。         
作者：基金研究员