中信建投-追寻优秀基因：如何构建基金标签矩阵-240423

　　核心观点

　　本文重点介绍了中信建投金融工程及基金研究团队搭建的基金标签矩阵，重点可划分为基金综合能力、基金多维投资能力、风格标签及行业配置标签、组合管理特征、基金经理个人特征、基金经理定性标签、基金公司运营标签等标签大类，分析维度包含了基金产品、基金经理和基金公司，整个标签体系共包含了30多个子类别、500多个指标。http://www.hibor.com.cn【慧博投研资讯】

　　主要内容

　　简介

　　基金多维标签体系是基金研究的基石，未来在基金选择上的重要性将更凸显。http://www.hibor.com.cn（慧博投研资讯）本文重点介绍标签体系及重点标签的构建方法，并对部分标签要点展开了讨论。

　　行业配置

　　行业配置类的标签可以划分为配置偏好、配置特征、交易特征、配置驱动力、投资能力圈等标签类别。我们构建了基金行业配置特征九宫格，研究基金行业配置的均衡度和变动度。另外，构建交易类指标研究基金经理行业交易偏好、行业选择内在驱动力等。同时，通过基金经理能力圈研究其行业覆盖度、动态学习能力和学习路径。

　　风格配置

　　我们采用PBSA和RBSA相结合的方式进行基金风格分析，以PBSA为分析核心，以RBSA为补充分析及动态监控。风格划分以市值、价值、盈利因子及成长因子为核心，以Barra及部分估值及财务指标为补充。由于基金整体的风格分布与股票差异较大，我们同时构建了基金相对风格来判断基金风格的极致性。

　　组合管理

　　组合管理类指标包含了集中度、换手率、热门度、拥挤度和勤奋度等子类标签。我们采用基金持股热门度指标来反应基金投资个股的受关注程度，采用基金持仓的空间距离来构建风格、行业、板块及个股拥挤度指标，并发现板块拥挤度是选基因子体系的重要补充因素。我们从基金经理调研行为出发，构建基金经理勤奋度指标，并发现勤奋的基金经理业绩表现更优秀。

　　总结与展望

　　本文主要介绍了基金标签矩阵及标签的构建方法，后续我们将对重点标签的应用展开进一步讨论。

　　风险分析

　　文中的指标分析均是以历史数据进行计算和分析的，未来存在失效的可能性。另外，本报告聚焦于指标构建及量化回测结果，因此对市场及相关交易做了一些合理假设，但这样可能会导致基于模型所得出的结论并不能完全准确地刻画现实环境，在此可能会与未来真实的情况出现偏差。而且数据源通常存在极少量的缺失值，会弱微增加模型的统计偏误。历史数据的区间选择会对结果产生一定的影响。本文所有分析结果均来自历史数据，基金的历史表现与未来表现没有预测关系，文中的分析和结论对投资不构成任何建议。