一、为什么要构建基金经理层面的数据库
基金产品维度的研究结论有一些缺陷，构建基金经理层面的数据库可以改进。以往大部分的基金分析量化专题报告都是站在基金产品维度进行研究的，即将每个基金产品视作一个研究样本，甚至直接忽略基金产品背后的基金经理是否发生更换等重要信息，这样做的优势是数据获取与处理简单，但会有几个重大缺陷需要改进：
（1）很多投资者认为选基金的本质是选择基金经理，而且现在基金经理离职事件发生得也越来越频繁，在某一时间区间内某产品的业绩可能先后涉及多任基金经理，在这种情况下如果仅从产品维度去做测算，得到的相关评价指标的稳定性可能较差甚至失真。
（2）对于新跳槽的基金经理，无法通过其历史曾任职的产品对该基金经理进行评价，产品维度研究虽然增加了截面数据样本数量，却在某种程度上减少了数据历史长度。
（3）同一基金经理旗下常常会在管多只产品，而投资者通常最终会选择买入基金经理的代表作，而非其他产品。
研究样本：本文的研究对象是公募主动权益型基金经理，即管理过主动权益型基金产品的所有基金经理都是我们的研究样本，其中我们对主动权益型基金产品的定义是：
1、属于Wind二级分类的：普通股票型、偏股混合型、灵活配置型。
2、股票仓位上限>60%。具体而言，股票仓位上限=max{距离基金成立日最近的3个报告期的股票占净值比的最大值，距离当前时点最近的3个报告期的股票占净值比的最大值}。
因为不同投资类型的主动权益型基金之间不具备可比性，所以我们要将上述主动权益型基金进行分域研究。本文将主要测算如下几个类型的分域基金池：全市场型、医药行业型、TMT主题型、成长风格型、价值风格型。（其他类型的基金同理，暂不赘述。）主要按照基金的历史持股暴露、业绩比较基准、合同约束等信息进行划分，具体定义如下：
二、如何搭建基金经理层面的数据库
在搭建基金经理层面的数据库过程中，需要解决如下几个问题：
问题1：如果基金经理同时在管多只产品，应该选哪只产品来代表基金经理？
问题2：如果基金经理的投资生涯出现空窗期，空窗期是否要纳入评价？
问题3：不同基金披露的业绩比较基准可能不同，而且基金经理未必按照其披露的基准进行投资，是否存在某个业绩比较基准可同时适用样本池内所有基金经理的评价？
2.1 如何判定基金经理的代表作
如何解决问题1：基金经理同时在管多只产品。通常的思路是将基金经理同时在管的多只产品直接按照产品规模进行加权合并，但这样做的问题在于如果产品的定位本身差异度就比较大，这种情况下简单合并的方式并不可取。另外，考虑到我们构建基金经理数据库的主要目标是便于进行基金经理之间的相互比较，而且真正投资的时候通常选择的也是基金经理的代表作，所以我们认为选取基金经理最具代表性的产品作为研究样本才是相对而言更为合理的方案。那么如何判定基金经理的代表产品？有几个选取原则：
1）单独管理；
2）管理时长＞1年；
3）产品规模大；
本文会判定基金经理在历史每个日期当时的代表产品，依次尽量满足上述原则1和2的前提下，再按照原则3选择产品规模较大的作为基金经理代表产品。
2.2 基金经理投资生涯空窗期的业绩如何评价
如何解决问题2：基金经理的投资生涯有时候会出现空窗期。从基金经理投资生涯的首次任职日期至今，可能会因为跳槽、休假或其他因素而出现管理业绩的空窗期，理论上我们需要将基金经理各段投资管理的数据进行拼接，那么空窗期的业绩如何处理呢？通常有如下几种方法：
方法1：将空窗期的日度收益率视作0；（缺点：市场普涨/普跌情况下，可能会低估/高估处于空窗期的基金经理的收益能力；）
方法2：将空窗期的日度收益率视作同行所有基金经理日度收益率的中位数；（缺点：不符合客观事实；）
方法3：将空窗期的日期去除，不纳入基金经理业绩的评价；（缺点：样本业绩的时间不连续，数据处理比较复杂；）
其中，方法3虽然在因子计算时复杂一些，但是克服了方法1和方法2的缺点，所以本文最后选择了方法3，计算基金经理业绩的时候，空窗期不纳入考核区间，按照该基金经理真实有在投资管理产品的日期计算。
2.3 如何制定基金经理业绩比较基准指数
如何解决问题3：如何找到适用样本内所有基金经理的业绩比较基准。计算研究样本内所有的基金经理日度收益率的中位数（处于空窗期的基金经理不纳入计算），据此制作基金经理业绩比较基准指数，则该指数可作为统一的业绩比较基准，用于计算超额收益等业绩指标。
在我们的基金经理净值和持股的数据库中，经理净值由代表产品的净值曲线决定，经理持股由代表产品的持股明细决定。当然，在测算某些基金经理事件的时候，应当考虑将同类策略的产品进行合并，例如基金经理在管规模的刻画。理论上，对于不同类型的基金经理样本池，应当采用不同的业绩比较基准衡量基金经理的超额收益能力，因此我们基于不同类型基金经理池分别构建了相对应的基金经理指数。
三、基金经理数据库的投资应用
制作基金经理层面数据库的最终目标还是帮助我们做好FOF投资，例如可以筛选出未来业绩有望较好的基金经理，或者反向剔除未来业绩风险较大的基金经理。
3.1 投资应用之优选经理：增强传统选基因子效果
基金经理维度的数据，在一些因子上的绩效比产品维度更好。将因子值与未来业绩的相关系数作为因子预测效果的度量指标，2012年12月31日以来的历史数据回测结果表明，在一些传统选基因子上，使用基金经理维度的数据，效果会有显著增强。例如，对于全市场型样本池，近3年Sharpe、近3年Calmar、近3年收益率等因子，不论是短期3个月维度还是长期1年维度，都有不同程度的增强效果。
基于上述研究结果，我们可以使用基金经理维度的数据增强这些长期业绩类因子的IC值，预测效果有显著提升，则可以进一步优化FOF策略。之前在产品数据库维度，近3年Sharpe、近3年Calmar、近3年收益率等长期业绩因子从历史回测来看是比较有效的，是FOF策略通常会纳入的因子，现在能够得到的结论是使用基金经理维度的因子可以提升因子绩效，从构建多头选基策略的效果来看也有明显改进。
以“近3年收益率因子”这个单因子为例，每季末调仓，选择因子最大的20个产品构建FOF组合，可以发现，使用经理维度数据相比于使用产品维度数据而言，“近3年收益率因子”单因子选基FOF策略具有更优秀的表现。
对于其他类型的基金，使用基金经理层面的数据库也可以增强因子的表现。下面我们分别对价值型、成长型、科技主题型、医药行业型等不同的基金域都进行了历史回测。可以发现，对于各种类型的主动权益型基金，使用经理维度的数据都能够增强长期业绩类因子的预测效果。
关于使用基金经理数据库增强传统选基因子的预测效果，还有一些细节问题需要讨论：
问题1：样本数量是否会骤减？
答：基金经理维度的数据样本量并不会比产品维度少很多，得到的结论仍然是比较有效的。如果样本数量过少会不利于结论的有效性，虽然存在基金经理同时挂多只产品的情况，理论上基金经理维度的样本数量会比产品维度少很多。拉长时间维度来看，我们的研究样本有个约束条件是：成立1年以上的产品，那么有些基金经理虽然现任产品不足1年，但其投资年限可能是满足超过1年的，该基金经理的现任产品不会纳入产品维度的研究样本，但该基金经理会被纳入基金经理维度的研究样本。
问题2：除了上述因子有增强效果，其他因子是否都有增强？
答：并非所有的基金因子都可以通过基金经理维度的数据增强，也有一些因子还是使用产品维度的数据会更好。所以在具体的应用中，有增强效果的因子我们才会换成采用基金经理层面的数据库，否则还是采用原来产品维度的数据库。其中，其他因子的测试结果我们放到了文末的附录中供投资者参考。
问题3：使用基金经理层面的数据库能改进现有量化选基FOF策略的绩效吗？
在之前的量化选基策略中，我们从收益表现、业绩归因、风险控制、产品特征、基金交易这五个维度出发构建了多个不同的产品维度的基金评价因子，然后选出15个有效的基金因子给基金综合打分，每季度选取综合得分较高的50只基金产品构建FOF组合。
有了前文的研究结论支持之后，使用基金经理层面的数据库能改进上述量化多因子FOF组合的绩效。将上述15个因子里面能够被增强的因子使用基金经理数据库进行筛选之后，同理选取综合得分最高的50个代表产品构建的FOF组合相比于纯从产品维度的因子打分选基策略有明显改进。
3.2 投资应用之提示风险：制作基金经理风险提示清单
在以往的研究中，通常更加关注如何筛选未来业绩好的基金经理，而很少去关注如何筛选未来业绩差的基金经理。本文将制作一个基金经理风险提示清单，该清单可以辅助我们的FOF策略进行反向剔除或者说规避投资，从而降低FOF组合踩雷的概率。
众所周知，事件研究在量化选股中的应用已相对成熟，但其在量化选基中的研究仍有较大空间。因此本文将借鉴事件研究选股的思路，研究基金经理层面的事件，寻找历史回测表明有效的负面事件，制作基金经理层面的风险提示清单用于提示风险。
一般而言事件可分为2类，一类是时点事件，一类是时段事件。时点事件指的是在时间轴的某个节点上发生的事件，例如基金经理离职是时点事件。时段事件指的是在时间轴的某个时间区间内发生的事件，例如基金经理净值区间回撤幅度较大是时段事件。
如何刻画事件的效应？考虑到基金经理的绝对收益指标受市场行情影响较大，事件前后的市场行情可能不同，仅用绝对收益的变化无法代表事件效应。因此我们选用事件前后的超额收益变化来刻画事件效应，并将前文制作的基金经理指数作为衡量超额收益的业绩比较基准，事件发生前后各取250个有投资业绩的交易日作为计算超额收益率的区间。
上述事件效应E指标考量的是基金经理的相对同行的超额能力变化，本质上是基金经理的相对排名变化，能够一定程度上消除市场整体行情本身的影响，因此可以较好地分解出事件带来的影响。
接下来我们将逐一地列示8个有效的负面事件，这些都是经过历史数据检验表明有显著风险提示效果的事件，可用来制作基金经理层面的风险提示清单。
有效事件1：基金经理更换公司。一般来说基金经理的离职可以分为内部调动、转向外部其他公募基金、转向私募基金、退出基金行业四种类型。本文主要研究基金经理更换公司事件，即基金经理从某基金公司转向外部其他基金公司的事件。以基金经理更换公司空窗期为事件区间，则该事件可视作时段事件。据统计，主动权益基金经理从上一家公司卸任产品直到下一家公司开始管理产品，这期间空窗期的中位数为373天，基金经理的空窗期可视作发生跳槽事件的时段。需要考量的是基金经理在任职新公司之后1年内相对离任上家公司之前1年内的收益能力变化。据统计，该事件的有效统计次数为752次，超额下降概率为59.26%，超额下降幅度平均为17.53%。
有效事件2：在管规模过大。基金经理的管理规模过大有可能会影响其可投资股票的范围，导致操作变形，进而侵蚀基金经理的超额收益。基金经理规模过大事件的负面效应在统计意义上是否显著，这里主要研究基金经理的规模过大之后，收益能力是否会显著下降。例如我们定义基金经理总管理规模首次达到100亿元则为过大，该事件在各季报公布时点可知，属于负面时点事件。需要考量的是在该季报时点之后1年内相对之前1年内的收益能力变化。据统计，该事件的有效统计次数为650次，超额下降概率为79.23%，超额下降幅度平均为25.27%。
有效事件3：管理精力分散。同一位基金经理同时管理多只产品的情况越来越常见，可大致分为2种情况：复制管理、差异管理。如果不同产品的投资策略基本一致，那么站在基金经理角度可以合并视作同一个产品，如果不同产品的投资策略存在较大差异，则不应该合并。如果基金经理同时管理的产品数量过多且投资策略不一致，则很容易导致精力分散的负面效应，如果这种情形是基金经理为了进行多重下注则更值得警惕。基金经理精力分散事件的负面效应在统计意义上是否显著，这里主要研究基金经理的精力过于分散之后，收益能力是否会显著下降。例如我们定义基金经理同时管理不同策略类型的产品数量达到3只及以上则为管理精力分散，该事件属于负面时点事件。需要考量的是在事件时点之后1年内相对之前1年内的收益能力变化。据统计，该事件的有效统计次数为565次，超额下降概率为56.48%，超额下降幅度平均为15.77%。
有效事件4：份额快速减少。基金产品的份额是基金持有人真金白银的信任度投票，产品份额变化反映了投资者们对基金产品的认可度，基金份额出现大额赎回往往预示着基金经理出现了“信任危机”。基金经理持有人信任度下滑事件的负面效应在统计意义上是否显著，这里主要研究基金经理旗下产品出现份额快速减少事件，收益能力是否会显著下降。例如我们定义基金经理在管产品在单季度内平均份额赎回幅度超过80%则为信任度下滑负面事件，该事件由1个季度始末的数据定义，属于时段事件。需要考量的是在时段末之后1年内相对时段初之前1年内的收益能力变化。据统计，该事件的有效统计次数为508次，超额下降概率为56.79%，超额下降幅度平均为15.16%。
有效事件5：份额快速扩张。其实份额短期内快速扩张也是负面事件，基金经理通常有着成熟的投资体系，在管产品份额短期出现快速扩张也可能出现不适应的现象导致其收益能力下降。基金经理份额快速扩张事件的负面效应在统计意义上是否显著，这里主要研究基金经理旗下产品总份额单季度内出现大幅扩张事件之后，收益能力是否会显著下降。例如我们定义基金经理在管产品在单季度内总份额扩张幅度超过80%则为份额快速扩张负面事件，该事件由1个季度始末的数据定义，属于时段事件。需要考量的是在时段末之后1年内相对时段初之前1年内的收益能力变化。据统计，该事件的有效统计次数为508次，超额下降概率为61.61%，超额下降幅度平均为20.80%。
有效事件6：过于追逐热点。在之前的专题报告《从跨期模仿行为中寻找公募基金的领先者、跟随者和独行者》中我们设计了一个刻画基金产品跟随效应的因子，可以衡量基金产品追逐热点的程度，能够帮助我们剔除盲目追逐热点的基金产品。事实上，该因子也可以做到基金经理层面，帮助我们识别过于追逐热点的基金经理。基金经理过于追逐热点事件的负面效应在统计意义上是否显著，这里主要研究基金经理的追热点因子较高之后，收益能力是否会显著下降。例如我们定义基金经理的追热点程度较高（在管产品IFF因子均值超过0.8）为追热点负面事件，该事件由基金经理近1年共4期重仓股的数据定义，属于时段事件。需要考量的是在时段末之后1年内相对时段初之前1年内的收益能力变化。据统计，该事件的有效统计次数为1410次，超额下降概率为67.38%，超额下降幅度平均为19.17%。
有效事件7：重仓股踩雷。根据产品季报公布的重仓股可以得到基金经理的重仓股，无需考虑短期内是否会将其卖出，至少这些重仓股代表的是基金经理在该时点上的投资观点。如果基金经理重仓股在接下来出现暴跌，可以说明基金经理在该时点上对该重仓股的观点是错误的。基金经理重仓股踩雷事件的负面效应在统计意义上是否显著，这里主要研究基金经理的重仓股爆雷事件发生之后，收益能力是否会显著下降。例如我们定义基金经理的季报重仓股在接下来1个季度出现“爆雷”（重仓超过2只股票涨幅在所有股票中处于后10%）为负面事件，该事件由基金经理重仓股及接下来1个季度股票行情的数据定义，属于时段事件。需要考量的是在时段末之后1年内相对时段初之前1年内的收益能力变化。据统计，该事件的有效统计次数为978次，超额下降概率为55.94%，超额下降幅度平均为16.50%。
有效事件8：回撤幅度过大。从逻辑角度来看，大部分基金在运作时会配有风控系统，基金经理也可能会有止损操作，如果基金的最大回撤幅度过大会影响基金持有者的体验，可能导致基金出现大额赎回事件或者增加基金经理的精神压力影响其投资能力。因此基金经理的最大回撤幅度也是值得关注的负面事件指标。基金经理回撤幅度过大事件的负面效应在统计意义上是否显著，这里主要研究基金经理在1年长度的区间内发生大幅回撤事件，在该事件之后该基金经理的收益能力是否会显著下降。例如我们定义基金经理近1年回撤幅度超过50%且截面回撤幅度排名处于最大的1/10则为负面事件，该事件由基金经理过去1年的净值数据定义，属于时段事件。需要考量的是回撤区间前后各1年的收益能力变化。据统计，该事件的有效统计次数为610次，超额下降概率为66.39%，超额下降幅度平均为25.32%。
上文列示并检验了一些简单而有效的风险事件，并通过历史数据检验了这些事件的有效性。接下来我们利用这些有效的风险事件制作风险提示清单，基本逻辑是回溯基金经理过去一段时间是否有出现上述风险事件，如果有则予以扣分，当扣分比较严重时则将该基金经理纳入风险提示清单。另外，需要注意的是如果风险事件发生的时点距离当前越久远，理论上对基金经理的影响越小，所以我们设置了一个时间衰减系数e^(-t)，在给事件赋予扣分权重时，需要乘以该系数。
风险提示清单制作流程：
Step1：遍历上述风险事件，计算各事件的效应E（超额下降概率P×超额下降幅度S）；
Step2：遍历样本中所有的基金经理，观察其近1年内出现过哪些风险事件（超过1年的风险事件不扣分），并记录风险事件发生时点距离制作清单日期的天数d，则基金经理在该事件的扣分为e^(-d)×E；
Step3：计算各基金经理在制作风险提示清单的时候负面事件总扣分；
Step4：按照总扣分排序，扣分最多的5%数量的基金经理进入该期的风险提示清单。
风险清单基金经理组合表现：从2013年1月4日至2024年10月31日风险基金经理组合的年化收益为-1.63%，相对于基准的反向年化超额收益率为9.41%。
四、总结与附录
以往的基金分析量化专题报告通常是站在基金产品维度进行研究，将每一只基金产品视作一个研究样本，而本文是站在基金经理层维度进行研究，将每一位基金经理视作一个研究样本。
本文首先构建了基金经理层面的数据库，主要讨论了三个重要问题：如何判定基金经理的代表产品、如何评价基金经理投资生涯空窗期的业绩、如何制定基金经理业绩比较基准指数。
接着本文主要探讨了基金经理数据库在FOF投资方面的应用，一方面可以帮助筛选出未来业绩有望较好的基金经理，另一方面也可以用于反向剔除未来业绩风险较大的基金经理。
应用一：增强传统选基因子效果可用于优选基金经理：基金经理维度的数据，在一些因子上的绩效比产品维度更好，因此本文使用基金经理维度的因子进一步优化了FOF策略。对于其他类型的基金池，经验证也可以使用基金经理层面的数据库增强因子表现。有了本文的研究成果支持之后，使用基金经理层面的数据库能改进原来的量化多因子FOF组合的绩效。
应用二：制作基金经理风险提示清单可用于提示经理风险：本文利用一些有效的风险事件制作了基金经理风险提示清单，可用于剔除风险较大的基金经理从而改善FOF策略的绩效，一般而言，被纳入清单的基金经理在投资时值得注意。
