学校代码：10272
学
号：2020211126
SHANGHAI UNIVERSITY OF FINANCE AND ECONOMICS
硕 士 学 位 论 文
MASTER DISSERTATION
论文题目
作者姓名
院(系所)
专
业
指导教师
完成日期
基于六因子模型的股票基金绩
效归因分析
陈宇
金融学院
金融专硕
曹啸
2023 年 3 月
摘要
摘要
中国经济的快速增长带来了公募基金行业的高速发展，如何科学地进行基
金业绩归因成为了愈发重要的问题。海外学者在对巴菲特超额收益进行业绩归
因时提出了六因子模型，几乎完美的将巴菲特的收益完全分解。本文基于同样
的六因子模型对中国公募基金中的股票型基金进行业绩归因，观察相对于经典
的 Fama-French 三因子模型，Carhart 四因子模型和 Fama-French 五因子模型，六
因子模型是否能够更好的对基金的业绩来源进行归因，以及是否能够利用六因
子模型相对 Carhart 四因子模型所增加的低贝塔因子 BAB，高质量因子 QMJ，
在中国股票市场获取稳定的长期收益。
本文在数据集上选取了 415 只长期股票仓位维持了 60%以上，且在任基金
经理管理五年以上的基金月度净值。不同季度间的仓位假设是线性变动的，从
而将季度披露的仓位数据转换为月度仓位数据。通过将基金的月度收益率除以
基金月度仓位，得到基金月度实际收益率，以剔除仓位对于基金月度收益的影
响。在因子的构造上，Fama-French 三因子模型，Carhart 四因子模型和 FamaFrench 五因子模型中的因子直接采用了 CSMAR 数据库中的因子数据。对于六
因子模型特有的两个因子，低贝塔因子 BAB 是通过将市场上的股票分为低贝塔
股票和高贝塔股票，再通过加杠杆构造 0 贝塔组合，计算组合的收益率得到。
高质量因子 QMJ 则是综合考虑了盈利能力、成长性和安全性三方面的因素计算
得到。其中盈利能力涉及到六个财务指标，成长性涉及到六个财务指标的变化
率，安全性涉及到与公司财务安全，波动率相关的多个指标。
本文在研究中发现，低贝塔因子 BAB 虽然长期来看能获取一定的收益，但
是本身存在较大的波动风险。从逻辑上来看，BAB 因子的构造在中国股票市场
也存在一定的困难，缺乏做空的投资工具，加杠杆也需要付出高昂的融资成本，
因此即使能够构造可能也要承担较高的资金成本，因此并不适合直接用于获取
稳定的长期收益。但 BAB 因子在历史上的大额涨跌幅往往同步出现，因此可以
考虑作为一个监测指标，在出现大额波动时通过持仓中高贝塔股票和低贝塔股
票的仓位配置变动来尝试获取短期的高额收益。高质量因子 QMJ 的月度收益不
明显，总体呈现出小幅波动为主，小幅波动以涨幅为主，但大幅波动以跌幅为
主的特征。
在分别采用不同的多因子模型对 415 只样本基金进行业绩归因后，发现绝
大部分基金都成功跑赢了四种多因子模型，获取了不错的月度超额收益，说明
更多的基金业绩相关的因子仍有待开发。从月度超额收益和调整后 R^2 的角度
1
摘要
判别不同多因子模型业绩归因的效果，拟合结果表示六因子模型相对其他三个
多因子模型而言，月度超额收益更低，调整后的 R^2 更高，表现出了最好的业
绩归因效果。而在其余三个多因子模型中，Carhart 四因子模型效果最优，
Fama-French 五因子模型次之，Fama-French 三因子模型最后，但总体而言都体
现出了不错的拟合效果。然而，在使用六因子模型拟合时，发现 BAB 因子的拟
合系数普遍很小，且从 P 值来看显著的基金很少。鉴于 BAB 因子本身的构造方
法在公募股票基金上本就难以实现，且在实际拟合上的效果不佳，因此将其剔
除对六因子模型进行改进。剔除 BAB 因子的改进六因子模型的各项因子拟合系
数，月度超额收益，调整后 R^2 基本不变，说明 BAB 因子事实上在用于公募股
票基金的业绩归因时，并没有体现出明显的作用。而私募基金由于投资方式更
加多元化，监管要求相对宽松，有可能可以实现 BAB 因子的构造过程，BAB 因
子在私募股票基金业绩归因上的作用有待探究。
在本文的研究过程中，还发现经典的多因子模型和六因子模型都将股票收
益简单分成市场因素和公司因素两个部分，而并未考虑行业的因素，这与公募
基金行业里同样非常流行的自上而下的投资思路是不够的匹配的，这也可能导
致了采用这类投资思路的基金业绩无法被很好的归因。同时，如何将行业竞争
壁垒，公司护城河这类定性的指标转化为定量的指标仍有待探索。
关键词：基金业绩归因 六因子模型 低贝塔因子 高质量因子
1
Abstract
Abstract
With the development of the Chinese economy, the mutual fund industry grows
rapidly, which makes the problem that how to scientifically carry out the performance
attribution of the fund industry becomes increasingly important. Overseas scholars
proposed the six-factor model when attributing Buffett's excess returns. The six-factor
model almost perfectly decomposes Buffett's returns. In this paper, we use the six-factor
model to attribute the performance of Chinese mutual funds which mainly invest in
stock market, and observes whether the six-factor model can better attribute the source
of fund performance than the classic Fama-French three-factor model, Carhart fourfactor model and Fama-French five-factor model. What’s more, we try to study whether
the low beta factor and high quality factor added by the six-factor model can be used to
obtain stable long-term returns in the Chinese stock market.
We select monthly net value of the 415 mutual funds which held stock positions
more than 60% most of the time and have been managed by the current fund manager
for more than five years. Positions between different quarters are assumed to change
linearly, so that quarterly disclosed position data can be converted into monthly position
data. By dividing the monthly rate of return of the fund by the monthly position of the
fund, we got the actual monthly rate of return of the fund, which can remove the impact
of the position on the monthly return of the mutual fund. In terms of factor construction,
the factors data in the Fama-French three-factor model, the Carhart four-factor model
and the Fama-French five-factor model are gained from the CSMAR database directly.
For the two factors unique to the six-factor model, the low-beta factor is obtained by
dividing the stocks in the market into low-beta stocks and high-beta stocks, and then
constructing a zero beta portfolio by adding leverage to calculate the return rate of the
portfolio. The high-quality factor is calculated by comprehensively considering the
profitability, growth and safety. Among them, the calculation of profitability involves
six financial indicators, the calculation of growth involves the rate of change of six
financial indicators, and the calculation of safety involves multiple indicators related to
the company's financial security and volatility.
As far as the application of the single factor, it is found that although the low-beta
factor can obtain certain returns in the long term, it has a relatively large volatility risk.
1
Abstract
Theoretically, the construction of the low beta factor also has certain difficulties in the
Chinese stock market. There is a lack of short-selling investment tools, and high
financing costs are required to increase leverage. Therefore, even if it can be
constructed, it may have to bear higher capital costs. It is not suitable for obtaining
stable long-term returns directly. However, the large rise and fall of the low beta factor
often occurs simultaneously in the past, so it can be considered as a monitoring indicator.
When large fluctuations occur, we can try to obtain short-term high value by changing
the position allocation of high beta stocks and low beta stocks. The monthly return of
the high-quality factor is not obvious, and it generally presents a small fluctuation. The
small fluctuation is dominated by the increase, but the large fluctuation is mainly
characterized by the decline.
While using different multi-factor models to attribute the performance of 415
sample funds, it is found that most of the funds have successfully outperformed the four
multi-factor models and obtained good monthly excess returns. It may indicate that the
that the factors we use now cannot fully attribute the performance of the funds, and
more factors need to be developed to decompose the return of the funds. From the
perspective of monthly excess return and adjusted R square, we judged the effects of
performance attribution of different multi-factor models. The results show that the sixfactor model has lower monthly excess return and higher adjusted R square than the
other three multi-factor models, which showed the best performance attribution effect.
Among the other three multi-factor models, the Carhart four-factor model is the best,
followed by the Fama-French five-factor model. The Fama-French three-factor model
is the last, but the fitting result is still not bad. However, when using the six-factor
model to fit, it is found that the fitting coefficient of the low beta factor is generally
small, and there are few funds that are significant according to the P value. For the
reasons that the construction method of the low beta factor is difficult to achieve in
public stock funds in the reality, and the actual fitting effect is not good, we try to
eliminate it to improve the six-factor model. After excluding the low beta factor from
the six-factor model, the fitting coefficients of the various factors, the monthly excess
return, and the adjusted R square are all basically unchanged. It shows that the low beta
factor does not show a significant effect when it is used in the performance attribution
of the mutual fund. However, due to the more diversified investment methods and
relatively loose regulatory requirements of the hedge fund, it is possible to for them to
1
Abstract
construct the low beta factor. The role of low beta factor in the performance attribution
of the hedge fund remains to be explored.
It was also found that the three classic multi-factor models and the six-factor model
all simply divided the stock return into market factors and company factors, but ignored
the factors related to the industry. It may lead to the result that top-down investment
ideas are not well matched, and this may also lead to the fact that the performance of
funds adopting the top-down investment ideas cannot be well attributed. Besides, how
to convert qualitative indicators such as industry competition barriers and company
moats into quantitative indicators remains to be explored.
Key words：Fund Performance Attribution Six-factor Model Low Beta Factor
High Quality Factor
1
目
录
第一章 引言............................................................................................... 1
第一节 选题背景与研究意义 ............................................................... 1
一、选题背景 ....................................................................................... 1
二、研究意义 ....................................................................................... 2
第二节 研究思路.................................................................................... 2
第三节 研究内容与方法........................................................................ 3
第四节 论文创新及不足........................................................................ 4
第二章 文献综述与理论基础 .................................................................. 6
第一节 文献综述.................................................................................... 6
一、关于基金绩效评价问题的研究................................................... 6
二、关于基金绩效归因问题的研究................................................... 7
第二节 多因子模型理论基础 ............................................................. 10
一、Fama-French 三因子模型 ......................................................... 11
二、Carhart 四因子模型 ................................................................... 11
三、Fama-French 五因子模型 ......................................................... 11
四、Frazzini, Kabiller 和 Pedersen 提出的六因子模型 ................ 12
第三章 实证分析的数据选取和计算 .................................................... 13
第一节 样本基金的选取与处理 ......................................................... 13
第二节 各个因子的构建方法 ............................................................. 14
第四章 不同多因子模型下的基金绩效归因实证研究 ........................ 18
第一节 中国股票市场的 BAB 因子和 QMJ 因子 ......................... 18
一、低贝塔因子 BAB ....................................................................... 18
二、高质量因子 QMJ ........................................................................ 21
第二节 不同因子模型对样本基金的拟合效果 ................................. 24
第三节 BAB 因子和 QMJ 因子在六因子模型中的效果 ............... 28
第四节 改进后的六因子模型 ............................................................. 31
第五章 结论与展望 ................................................................................ 33
第一节 研究结论.................................................................................. 33
第二节 研究不足与展望...................................................................... 35
参考文献................................................................................................... 36
第一章 引言
第一章 引言
第一节 选题背景与研究意义
一、选题背景
随着中国经济的高质量发展，居民人均可支配收入的提高，居民资产配置
的需求总量持续增长。从资产配置方向来看，在“房住不炒”的政策指引下，
房地产在资产配置中的作用逐渐弱化，大量资金需要从房地产市场转移到金融
市场上，居民对于金融产品的需求也愈发强烈。公募基金作为投资门槛低、专
业度高、费用适中、监管严格的一类金融产品，一直受到诸多投资者的青睐。
2018 年，我国出台了《关于规范金融机构资产管理业务的指导意见》（简称“资
管新规”）。在资管新规的推动下，我国资产管理行业迎来了一次“供给侧改革”，
国内公募基金迎来了新的机遇，成为了资产管理行业里的中流砥柱。据中国证
券投资基金业协会统计，2021 年底公募基金数量达 9288 只，管理规模高达
25.56 万亿，占资产管理业务总规模的 37.67%，是我国居民的主要资产管理方式
之一。
80
40%
70
35%
60
30%
50
25%
40
20%
30
15%
20
10%
10
5%
0
0%
2014
2015
2016
2017
2018
公募基金管理资产规模(万亿)
2019
2020
资产管理业务总规模(万亿)
公募基金管理规模/资管业务总规模
图 1.1 公募基金管理规模和资产管理业务总规模
1
2021
第一章 引言
二、研究意义
在公募基金市场规模飞速发展之际，如何系统的评价基金的绩效，对基金
进行业绩归因成为了一个重要的问题。科学的基金绩效评价和归因方法对基金
投资者，基金公司以及基金的监管机构而言都有着重要的意义。
第一，对于基金投资者而言，由于大部分投资者其实是出于理财需求的非
专业投资者，这部分投资者中的大多数人往往着眼于基金的净值数据进行投资，
经常把基金的短期涨跌作为筛选投资标的的核心甚至唯一标准，因此常常出现
追涨杀跌的行为，也衍生了“基金赚钱，基民不赚钱的问题”。对于非专业的基
金投资者而言，科学的基金业绩归因方法能辨别基金的投资策略和投资风格，
为基金投资者提供更丰富的参考信息，让基金投资者选择风险级别更加契合自
己的基金，辅助基金投资者作出更科学的投资决策，帮助基金投资者与基金管
理者一起收获投资的果实。对于近年来新兴的 FOF 这类专业投资者而言，科学
的基金业绩归因方法作用更是对他们增厚收益和控制风险有着显著的意义。
第二，对基金公司而言，对公司旗下现有的基金进行有效的业绩归因，可
以帮助基金经理识别自身的能力圈与不足，辨别自身业绩收益的来源，提高自
己的投资水平。同时，还可以帮助公司更好的建立内部绩效考核体系，明确公
司的优势与不足，帮助基金公司补足自己的短板，进一步提升公司业绩。另外，
对基金业绩来源进行一定的分散也可以避免旗下基金业绩趋同性过强，帮助基
金公司丰富自身产品体系，这对于基金公司自身的风险控制也有重要意义。
第三，对于基金的监管机构而言，对基金进行有效的业绩归因可以评估基
金的风险级别和来源，防范系统性金融风险的发生，并根据基金的风险级别划
分对应风险的基金投资者，更好的保护基金投资者的权益。
第二节 研究思路
股票基金的业绩归因一般从基于持仓和基于净值两个角度出发。基于持仓
的优势在于直接准确。由于基金的投资风格是基于持仓数据计算得到，而持仓
股票的风格定位较为简单直观，因此基于全部股票持仓计算得到的风格准确度
较高，也便于理解。然而，基于持仓的缺点在于数据频次较低，风格定位滞后。
同时，由于公募基金仅在一季报和三季报披露前十大重仓持股，在半年报和年
报披露全部持仓数据，因此会忽略季度内调仓的因素，基于全部持仓计算得到
的基金风格也往往要落后半年才能得到，即使基于前十大重仓持股计算也要落
后一个季度。
2
第一章 引言
本文研究的方向主要是基于净值角度。基于净值的优势是数据频次高，数
据可得性较好。公募基金的净值往往按日披露，数据频次相对较高。甚至对于
本文未纳入讨论的私募基金，一般也有披露不同频次的净值数据，但私募基金
的持仓数据相对而言很少披露，获取难度很高，因此对私募基金绩效归因而言，
基于净值拟合也是较容易实现的方法。但是，基于净值的基金绩效归因最大的
难点在于如何选择合适的因子模型，基金绩效归因的效果与选择的因子模型的
好坏息息相关。因此本文试图找到一个相对于传统的 Fama-French 三因子模型、
Carhart 四因素模型和 Fama-French 五因子模型，业绩归因效果更好的多因子模
型，以提升基金业绩归因的效果。
基金的分类比较多元化，为保证样本集数据的可得性，以及因子模型中市
场因子的一致性，本文对样本集的选取设立了一定的标准。为保证投资范围的
一致性，本文仅选取投资于国内 A 股市场的基金，同时参考偏股混合型基金的
标准，仅讨论普通股票型基金和混合型基金中长期股票仓位占总资产比例在 60%
以上的公募基金。
第三节 研究内容与方法
本文研究的是 Frazzini, Kabiller 和 Pedersen（2013）在研究巴菲特的阿尔法
收益来源时，在 Carhart 四因子模型的基础上加入了 Frazzini 和 Pedersen（2013）
提出的低贝塔因子（Betting Against Beta，简称 BAB）和 Asness, Frazzini and
Pedersen 提出的高质量因子（Quality Minus Junk，简称 QMJ）后得到的六因子
模型。Frazzini, Kabiller 和 Pedersen 发现六因子模型基本可以完全解释巴菲特的
超额收益来源。由于巴菲特的价值投资理念被国内大量的专业投资者奉为投资
圣经，很多著名的公募基金经理也表明自身坚持的是价值投资的理念，因此六
因子模型很可能对于国内公募基金业绩归因也有着优异的效果。本文计划从基
于净值的角度出发，通过六因子模型将股票基金的月度收益和净值数据进行多
元线性回归，研究相较传统的三因子，四因子，五因子模型，从调整后 R^2 和
月度超额收益两个角度，六因子模型是否能够实现出更好的基金绩效归因效果。
其中调整后 R^2 代表的是模型对于月度收益的解释力度，月度超额收益则代表
未能被模型解释的月度收益。同时，对于六因子模型特有的低贝塔因子 BAB 和
高质量因子 QMJ，研究是否能够利用他们在中国股票市场获取稳定的长期收益，
且两个因子在六因子模型中起到了怎样的作用，是否能够提高多因子模型的业
绩归因效果。
在章节的安排上，本文分为以下五个部分：
3
第一章 引言
第一章为引言，主要对中国公募基金市场的现状，基金绩效评价与归因问
题的意义进行了简要的阐述，并对本文的研究思路，内容，方法，创新和不足
作了一定的总结。
第二章为文献综述与理论基础。本章首先对基金绩效评价和基金绩效归因
两方面的国外文献的研究结果进行梳理，并总结了国内在海外主流研究结果上
的实证和改进结果。然后介绍了经典的 Fama-French 三因子模型、Carhart 四因
子模型和 Fama-French 五因子模型和本文引入的六因子模型的理论基础，并对六
因子模型中特有的低贝塔因子 BAB 和高质量因子 QMJ 的逻辑基础和涉及的理
论进行了阐述。
第三章为实证分析的数据选取和计算。本章首先阐述了本文中选取的样本
基金的筛选方法和基金净值数据的处理过程，然后对各个多因子模型中涉及到
的市场风险溢价因子、市值因子 SMB、账面市值比因子 HML、动量因子 UMD、
盈利因子 RMW、投资模式因子 CMA、低贝塔因子 BAB、高质量因子 QMJ 的
计算过程进行了说明。
第四章为不同多因子模型下的基金绩效归因实证研究。本章首先对六因子
模型中特有的低贝塔因子 BAB 和高质量因子 QMJ 在中国市场的应用效果进行
探究，观察能否利用这两个因子在国内股票市场获取稳定的收益。其次，对不
同多因子模型的拟合结果进行对比，观察六因子模型的基金业绩归因效果是否
更优。然后，对低贝塔因子 BAB 和高质量因子 QMJ 在六因子模型中的作用进
行分析，观察两个因子在六因子模型中的效果。最后，尝试根据六因子模型的
拟合结果和各个因子的作用，对六因子模型作一定的改进。
第五章为结论和展望，主要对本文研究所得到的结果进行总结。
第四节 论文创新及不足
本文的创新主要有以下三点：
第一，一般的基金业绩归因研究往往是基于传统的 CAPM 模型，FamaFrench 三因子模型、Carhart 四因子模型和 Fama-French 五因子模型。而本文引
入了 Frazzini, Kabiller 和 Pedersen 在研究巴菲特超额收益来源时提出的六因子模
型，并对不同多因子模型的拟合效果进行了对比。由于国内许多基金经理都坚
持价值投资的理念，而六因子模型几乎可以将价值投资派领袖巴菲特的超额收
益完全分解，因此六因子模型在价值投资派基金经理上的基金业绩归因效果可
能会优于传统的几个模型。
4
第一章 引言
第二，本文对六因子模型中特有的低贝塔因子 BAB 和高质量因子 QMJ 在
中国股票市场的应用效果进行了研究，观察是否可以通过这两个因子在国内股
票市场获取稳定的收益。
第三，本文在使用六因子模型拟合后，还对新加入的两个因子在六因子模
型中的效果进行了探究。一方面，是为了研究两个因子的特征，观察在基金绩
效研究问题上是否可以有别的应用。另一方面，尝试基于两个因子的特征对六
因子模型进行改进。
本文的不足之处在于，一方面由于私募基金的数据较难获取，因此难以对
六因子模型在公募基金和私募基金上的应用效果进行对比，而六因子模型中的
低贝塔因子 BAB 从理论上而言可能在私募基金上会有更好的表现。另一方面，
本文将研究范围限定于仅能投资于国内 A 股市场的公募股票基金，而未能涉及
到投资范围更广，譬如可以投资于港股及海外股票市场的公募股票基金。
5
第二章 文献综述与理论基础
第二章 文献综述与理论基础
在基金绩效问题上，基金绩效评价和基金绩效归因是主要的两个研究方向。
迄今为止，主流的基金评价方法和基金业绩归因理论基本还是来自海外学者的
研究，国内的研究则主要验证海外的成熟模型在国内的有效性，或对海外原有
的模型作一定的改进尝试。
第一节 文献综述
一、关于基金绩效评价问题的研究
基金绩效评价上，马科维茨（1952）首次将投资收益与投资风险结合，提
出了马科维茨投资组合理论，引领现代投资学说进入全新的阶段。马科维茨投
资组合理论以期望收益表示资产的收益，以收益的方差或标准差衡量资产的风
险。该理论认为投资者的目标是在追求尽量高的期望收益的情况下，保持尽可
能小的风险。学术界对于基金绩效的研究也常常从马科维茨提出的收益和风险
两个维度出发。 Sharpe（1966）通过计算投资组合超额收益和代表风险的投资
组合标准差的比值构建了夏普比率，用于衡量基于承担每单位投资组合的风险
所带来的超额收益。Treynor（1969）则基于投资组合的超额收益和投资组合的
β 值构建了特雷诺比率，相较夏普比率剔除了非系统性风险的因素，常用于衡
量基金承担每单位系统风险所带来的超额收益。Jensen（1968）则以威廉•夏普
等人（1964）提出的资本资产定价模型（Capital Asset Pricing Model，下称
CAPM 模型）为基础构造詹森指数，通过计算投资组合收益率与 CAPM 模型得
到的收益率差值，衡量基金通过承担非系统性风险获取的超额收益。过去，我
国许多基金公司、三方销售机构和媒体通常在宣传和报道中仅仅强调基金近年
涨跌幅，导致大量基金投资者也仅着眼于短期的高收益，而不够重视风险的存
在。近年来，随着基金市场的发展、基金投资知识的普及和专业基金投资者群
体的扩大化，越来越多学界的专业指标开始被引入到实践中，如最大回撤，波
动率以及夏普比率等，部分基金销售平台也开始在基金过往业绩中展示这类专
业的基金绩效评价指标，帮助基金投资者做出更好的投资决策。未来，随着基
6
第二章 文献综述与理论基础
金投顾业务的发展，基金投资者的平均投资水平有望不断提升，从而为专业绩
效评价指标的进一步推广提供良好的基础。
国内学者在海外文献的基础上也进行了一些相关的研究。 杨炘,王小征
（2003）通过计算詹森指数和用 Fama-French 三因子模型对我国证券投资基金的
业绩进行评价，发现基金的平均业绩战胜了市场。王守法（2005）结合收益与
风险、风险调整收益、基金经理的选股择时能力和基金绩效持续性四个方面,选
用夏普比率、特雷诺比率和詹森指数等指标，用主成分分析法（PCA）对上述
四个方面进行综合分析，发现基金总体上难以长期跑赢大盘，且并未发现基金
经理有过人的选股和择时能力。罗春风（2012）选取了 2007 年到 2010 年作为
研究区间，发现从夏普比率和特雷诺比率来看，半数混合型基金承担了风险所
带来的损失，半数混合型基金获取了风险所带来的收益。从詹森指数来看，在
牛市和震荡市中，混合型基金的表现不如同风险级别的投资组合，但在熊市中
体现出了良好的防守性。胡安幸、戴亮 （2017）首先从理论的角度分析了资产
收益率不完全满足正态分布时，夏普比率可能带来的偏误，其次通过实证尝试
使用夏普比率评选出最优基金，发现直接运用夏普比率评选最优基金并不合适，
夏普比率更适合作为基金筛选的辅助而非唯一指标。徐新扩、杨楠（2019）采
用夏普比率、特雷诺比率、詹森指数等指标将我国绿色基金的业绩与沪深 300
进行比较，发现大部分绿色基金都不能获取超额收益。张晓艺（2022）选取了
我国 2017 年前成立的 18 只沪深 300 指数增强型基金作为研究对象，以夏普比
率，特雷诺比率和詹森指数作为评价指标，发现从詹森指数来看，所有样本基
金都跑赢了沪深 300 指数，且各样本基金通过夏普比率，特雷诺比率和詹森指
数得到的排名具有一致性。张颖利（2022）以公募和私募 FOF 基金为研究对象，
基于常见的绩效评价指标和风险评价指标进行主成分分析，发现私募 FOF 基金
相较公募 FOF 基金体现出了更好的风险收益比。
二、关于基金绩效归因问题的研究
基金绩效归因上，基于持仓的截面数据，在风格分类时较为常用的是 1992
年晨星公司（Moringstar）提出的晨星风格投资箱。晨星风格投资箱根据市值将
持仓股票分为大盘、中盘、小盘，根据股票的价值-成长定位分为价值型、平衡
型和成长型，并构造 3*3 的晨星风格投资箱。2002 年，晨星公司对于原有的投
资风格箱方法进行改进，推出新的晨星投资风格箱。旧方法是基于股票的市值
中位数来判定基金持仓股票的规模，对价值-成长坐标的定位则是建立在市盈率
和市净率两项比率的基础上。改进后的新方法在衡量股票市值规模时，以全股
票市场累计市值的 70%、90%作为划分的分位数。累计市值处于前 70%的股票
7
第二章 文献综述与理论基础
属于大盘股，处于 70%-90%的属于中盘股，处于 90%-100%的属于小盘股。在
衡量股票的价值-成长定位时，则采用“十因子分析法”，5 个因子分析价值得分、
5 个因子分析成长得分。在进行进一步的基金业绩归因时，常用的是 Brinson 归
因模型。Brinson，Hood 和 Beebower（1986）提出了 BHB 模型，是 Brinson 模
型的经典形式。BHB 模型将股票投资组合的超额收益率分为资产配置收益、资
产选择收益和交互收益三个部分。以股票型基金为例，资产配置收益是指基金
在各个行业的超额配置权重与行业基准收益率的乘积之和，代表着在行业内部
完全不进行选股的情况下，通过行业选择获取的收益。资产选择收益是指在所
有行业权重配置都与行业基准权重相同的情况下，通过选股获得的收益，代表
着在完全不调整行业权重的情况下的选股收益。交互收益表示由行业选择和选
股共同产生的收益。但 BHB 模型在实际应用中存在一些不足之处。在资产配置
收益上，倘若行业的基准收益率为正，但实际跑输了市场基准收益率，那么超
配行业实际上并不能带来超额收益。在资产选择收益上，倘若在某个行业上通
过选股获取了超额收益，但行业仓位上存在低配，则选股收益存在高估。虽然
从数值上而言这些部分都可以在交互收益上有所弥补，但从操作层面而言却难
以管理，在归因结果上也并不精准，因此 Brinson 和 Fachler（1985）提出了 BF
模型，增加了基准收益对于配置收益的影响。BF 模型将配置收益中的行业基准
收益率改为行业超额收益率，将选股收益与交互收益进行了合并，因此最终投
资组合的超额收益仅分为行业配置收益和行业内部选股收益两个部分。事实上，
BF 模型与 BHB 模型的配置收益结果从数值上是一致的，但 BF 模型的计算过程
更符合投资中的直观认知。
基于净值的角度，一般采用多因子模型拟合的方式，采用适合的因子模型
对基金的净值时间序列数据进行拟合，还原基金业绩的来源。目前因子模型中
最广为人知的有 CAPM 模型、Fama-French 三因子模型、Carhart 四因子模型、
Fama-French 五因子模型。Sharpe（1964）在马科维茨投资组合理论的基础上，
将标准差代表的全部风险细分为系统性风险（用 β 表示）和非系统性风险，提
出了 CAPM 模型，是投资组合理论中最经典的单因子模型。Ross（1976）基于
CAPM 模型提出了套利定价理论（Arbitrage Pricing Theory，简称 APT，下同）。
套利定价理论以多因子模型为基础，相对 CAPM 而言，大大弱化了关于市场完
备性的假设，使其更加贴近真实市场的条件。French（1993）发现小市值的股
票和高账面市值比的股票分别较大市值股票和低账面市值比的股票存在超额收
益，因此在 CAPM 理论与 APT 套利模型的基础上引入了市值因子（Small minus
Big，简称 SMB，下同）和帐面市值比因子（High minus Low，简称 HML，下
同），提出了 Fama-French 三因子模型。Fama-French 三因子模型相比于 CAPM
8
第二章 文献综述与理论基础
模型而言，不再仅将证券收益来源局限于系统性风险的因素，而是增加了对证
券价格，企业规模和企业净资产的考量。Carhart（1997）在 FF 三因子模型的基
础上，增加了动量因子建立了四因子模型。动量因子是现代行为金融学理论研
究的对象之一，一般通过计算过去一段时间里收益率靠前的股票组合和收益率
靠后的股票组合的收益率差值得到。Fama, French（2012）在全球四个地区的股
票市场，探究三因子模型和四因子模型的应用效果，发现除了日本以外，在北
美、欧洲和亚太市场，价值因子和动量因子都存在溢价效应，且企业规模和动
量因子的溢价负相关。Frazzini 和 Pedersen（2013）发现由于部分投资者如公募
基金、个人投资者，养老基金在投资上受限，高贝塔股票更加受到他们的欢迎，
导致低贝塔股票拥有更好的风险调整收益。他们发现通过加杠杆做多低贝塔股
票组合，做空高贝塔股票组合构造的低贝塔因子（Betting Against Beta，简称
BAB，下同），可以获得显著的正风险调整收益，但资金约束收紧时 BAB 因子
的收益会降低。Asness, Frazzini and Pedersen（2013）首先研究了质量与价格的
关系，结果发现高质量的公司虽然平均价格较高，但高的幅度不是很大，质量
对价格的解释力度有限。他们发现在美国和全球 24 个发达国家，通过做多高质
量公司，做空垃圾股构造的高质量因子 QMJ 可以获取明显的风险调整收益。此
外，不同时期质量的价格不同，在互联网泡沫时期质量的价格达到了低点，质
量的低价格也意味着 QMJ 因子未来的高收益。Frazzini, Kabiller 和 Pedersen
（2013）在研究巴菲特的阿尔法收益来源时，在 Carhart 四因子模型的基础上加
入了上述的低贝塔因子 BAB 和高质量因子 QMJ，得到了六因子模型，将巴菲特
的超额收益基本完全分解。他们发现巴菲特的超额收益主要是通过加杠杆投资
低风险，高质量的公司，并利用保险业务降低融资成本实现的。在利用相同的
选股因子构造投资组合并加上同水平的杠杆后，可以基本复刻巴菲特的惊人收
益。曾经巴菲特被有效市场派的学者称为“投硬币游戏中的幸运儿”，但这一模
型有效证明了巴菲特的投资方法其实有迹可循，而并非单纯是幸运使然。FamaFrench（2015）在 Fama-French 三因子模型的基础上，增加了盈利能力因子
（Robust Minus Weak， 简 称 RMW， 下 同 ） 和 投 资 模 式 因 子 （Conservative
Minus Aggressive，简称 CMA，下同）, 扩展为五因子模型。其中盈利能力因子
是强盈利能力股票组合和弱盈利能力股票组合的收益率差值，投资水平因子是
总资产增长率高的股票组合和总资产增长率低股票组合的收益率差值。
此外，在基于净值拟合时，将基金业绩归因为择时收益和择股收益也是常
用的归因方式。Treynor，Mazuy（1966）提出了 T-M 模型，在 CAPM 模型的基
础上添加了市场超额收益率的平方值作为二次项，以其回归得到的系数来评价
基金经理的择时能力，系数为正时说明拥有择时能力，且系数越大则择时能力
9
第二章 文献综述与理论基础
越强，反之择时能力越弱。模型回归的常数项代表基金经理的选股能力，常数
项为正时说明基金经理具备选股能力。Henriksson，Merton（1981）在 T-M 模型
的基础上提出了 H-M 模型，在二次项上添加了一个虚拟变量。当市场超额收益
率为正时，虚拟变量为 1，否则为 0，而对择时和择股能力的判断标准与 T-M 模
型一致。Chang 和 Lewellen（1984）在 H-M 模型的基础上进一步改进提出了 CL 模型，在一次项上也添加了一个虚拟变量。当市场超额收益率为正时，一次
项的虚拟变量为 1，二次项虚拟变量为 0，否则一次项的虚拟变量为 0，二次项
虚拟变量为 1。若回归结果中一次项系数大于二次项系数，则基金经理具备择
时能力，选股能力的判定标准和 T-M 模型相同。
国内的学者在海外主流因子模型的基础上，做了一些实证的研究和改进尝
试。赵胜民（2016）对 Fama-French 五因子模型中各个因子在我国 A 股市场的
效果进行了研究，发现市值因子和价值因子的效果明显，强盈利能力公司或低
投资水平公司构成的投资组合都可以带来更高的投资回报率，但差异不明显。
而盈利因子和投资因子是多余的变量，五因子模型解释效果不如三因子模型。
梁僖（2017）运用 Brinson 模型对 263 只股票开放型基金进行了多期基金绩效归
因分析，发现基金总体业绩优于市场，2010 年以前基金业绩来源不稳定，但
2010 年后选股能力逐步成为基金超额收益的主要来源。李志冰（2017）对不同
多因子模型在中国 A 股市场的效果进行了研究，发现在三因子模型的基础上添
加市值因子和账面市值比因子是有意义的，而动量因子的收益率可以完全被三
因子模型解释，没有显著的意义。Fama-French 五因子模型在 A 股市场优于
CAPM、Fama-French 三因子模型和 Carhart 四因子模型，且股改前后中国股市
的数据结构不同。股改前盈利能力、投资风格及动量因子是多余的，股改后这
三个因子具有显著的风险溢价。宋光辉（2017）根据流动性溢价理论引入了流
动性因子，加入 Fama-French 五因子模型中构造了六因子模型，弥补了五因子模
型对股票市场动量效应解释力不足的问题。林雪（2020）用 T-M 模型和 H-M 模
型对 42 只偏股混合型公募基金进行研究，发现所有基金都难以摆脱市场的影响，
而大部分的基金缺乏择时能力，但具有选股能力。
第二节 多因子模型理论基础
由于本文的重点在于探讨基于净值的角度，Frazzini, Kabiller 和 Pedersen
（2013）提出的六因子模型，是否相对经典的 Fama-French 三因子模型、Carhart
四因子模型、Fama-French 五因子模型有更好的拟合效果，因此以下主要介绍这
四种多因子模型的基础理论。
10
第二章 文献综述与理论基础
一、Fama-French 三因子模型
1992 年，Fama 和 French 在研究美国市场股票收益率的时候发现，单因子模
型 CAPM 中的系统风险因子并不能完全反映不同股票收益率的差异。他们分别
检验股票市值、账面市值比，财务杠杆和市盈率倒数四个因子和股票平均收益
的关系后发现，四个因子都表现出了很强的解释力。而在将这些因子汇总进行
多因子回归时，股票市值和账面市值比这两个因子吸收了另外两个因子的解释
能力，成为关键的解释变量。在此基础上，他们在 CAPM 模型中添加这两个因
子后构建了三因子模型，发现可以很好地解释股票的平均收益，回归的截距项
接近于 0。
Fama-French 三因子模型的数学表达式为：
𝑅𝑖𝑡 − 𝑅𝑓𝑡 = 𝛼𝑖 + 𝛽𝑖 (𝑅𝑚𝑡 − 𝑅𝑓𝑡 ) + 𝑠𝑖 𝑆𝑀𝐵𝑡 + ℎ𝑖 𝐻𝑀𝐿𝑡 + 𝑒𝑖𝑡
（2.1）
其中𝛼𝑖 是常数项，𝑅𝑖𝑡 是股票组合 i 在 t 时刻的收益率，𝑅𝑓𝑡 是在 t 时刻的无风
险收益率，𝑅𝑚𝑡 是在 t 时刻的市场收益率，𝑅𝑚𝑡 -𝑅𝑓𝑡 代表 t 时刻的市场风险溢价因
子，市值因子𝑆𝑀𝐵𝑡 是 t 时间的小市值公司投资组合与大市值公司投资组合的收
益率差值，账面市值比因子𝐻𝑀𝐿𝑡 是 t 时间的高账面市值比公司投资组合和低账
面市值比公司投资组合的收益率差值，𝑒𝑖𝑡 是残差项。
二、Carhart 四因子模型
Carhart 在 Fama-French 三因子模型的基础上，添加了动量因子（Up Minus
Down，简称 UMD，下同）提出了四因子模型，使得其解释力更强。
Carhart 四因子模型的数学表达式为：
𝑅𝑖𝑡 − 𝑅𝑓𝑡 = 𝛼𝑖 + 𝛽𝑖 (𝑅𝑚𝑡 − 𝑅𝑓𝑡 ) + 𝑠𝑖 𝑆𝑀𝐵𝑡 + ℎ𝑖 𝐻𝑀𝐿𝑡 + 𝑚𝑖 𝑈𝑀𝐷𝑡 + 𝑒𝑖𝑡
（2.2）
其中动量因子𝑈𝑀𝐷𝑡 是 t 时间的高收益率股票投资组合和低收益率股票投资
组合的收益率差值，其他项的含义与 Fama-French 三因子模型相同。
三、Fama-French 五因子模型
2015 年，Fama 和 French 在 Fama-French 三因子模型，参考学界的一些研究
以及三因子模型在实践中遇到的一些问题，添加了盈利因子（Robust Minus
Weak，简称 RMW，下同）和投资因子（Conservative Minus Aggressive，简称
CMA，下同）。
Fama-French 五因子模型的数学表达式为：
𝑅𝑖𝑡 − 𝑅𝑓𝑡 = 𝛼𝑖 + 𝛽𝑖 (𝑅𝑚𝑡 − 𝑅𝑓𝑡 ) + 𝑠𝑖 𝑆𝑀𝐵𝑡 + ℎ𝑖 𝐻𝑀𝐿𝑡 + 𝑟𝑖 𝑅𝑀𝑊𝑡 + 𝑐𝑖 𝐶𝑀𝐴𝑡 + 𝑒𝑖𝑡
11
（2.3）
第二章 文献综述与理论基础
其中盈利因子𝑅𝑀𝑊𝑡 是 t 时间的高 ROE 公司投资组合和低 ROE 公司投资组
合的收益率差值，投资模式因子𝐶𝑀𝐴𝑡 是 t 时间的总资产变化率高的公司投资组
合和总资产变化率低的公司投资组合的收益率差值，其他项的含义与 FamaFrench 三因子模型相同。
四、Frazzini, Kabiller 和 Pedersen 提出的六因子模型
Frazzini, Kabiller 和 Pedersen 在研究巴菲特的阿尔法收益来源时，在 Carhart
四因子模型的基础上加入了低贝塔因子（Betting Against Beta，简称 BAB，下同）
和高质量因子（Quality Minus Junk，简称 QMJ，下同），得到了六因子模型，将
巴菲特的超额收益基本完全分解。BAB 的逻辑在于由于市场缺乏加杠杆的手段，
高贝塔属性的股票往往被追捧而导致高估，低贝塔属性的股票则被冷落而导致
低估，因此低贝塔股票组合会有更好的收益。QMJ 则综合考虑了公司的盈利能
力、成长性和安全性，盈利能力涉及 GPOA（资产毛利率）、ROE（净资产收益
率）、ROA（总资产收益率）、CFOA（资产现金流率）、GMAR（毛利润率）、
ACC（较低的应计项目）六个财务指标，成长性涉及 GPOA、ROE、ROA、
CFOA、GMAR 五个财务指标的多年变化率，安全性涉及 BAB（低贝塔）、LEV
（杠杆率）
、O（Ohlson’s O-Score，破产概率指标）、Z（Altman’s Z-Score，破产
指数）、EVOL（过去 12 个季度 ROE 的标准差）。Altman’s Z-Score 为 Altman
（1968）在对美国破产和非破产生产企业进行研究时，将 22 个财务指标经过数
理统计的筛选后，建立了 5 变量 Z-Score 模型。Z-Score 模型在美国、澳大利亚、
巴西、加拿大、英国、法国、德国、爱尔兰、日本和荷兰得到了广泛的应用，
常被用于建立财务预警系统，以反映公司财务危机的严重程度。Ohlson（1980）
在 Z-Score 模型的基础上进行了研究。他认为由于财务报表需要经过审计才能发
布，因此在模型预测时，财务报表的发布时间可能晚于企业的实际破产时间，
导致破产预测的准确率下降，而过去的研究并未考虑这一因素。他通过新的数
据搜集方法和条件 logit 模型，对 1970-1976 年间破产的 105 家企业和 2058 家非
破产企业组成的样本重新进行了研究，提出了 O-Score，发现和破产可能性之间
有显著性因素的四种因素分别为规模、通过杠杆体现的资本结构、经营业绩或
复合经营业绩和短期流动性。
该六因子模型的数学表达式为：
𝑅𝑖𝑡 − 𝑅𝑓𝑡 = 𝛼𝑖 + 𝛽𝑖 (𝑅𝑚𝑡 − 𝑅𝑓𝑡 ) + 𝑠𝑖 𝑆𝑀𝐵𝑡 + ℎ𝑖 𝐻𝑀𝐿𝑡 + 𝑚𝑖 𝑈𝑀𝐷𝑡 + 𝑏𝑖 𝐵𝐴𝐵𝑡 + 𝑞𝑖 𝑄𝑀𝐽𝑡 + 𝑒𝑖𝑡 （2.4）
其中低贝塔因子𝐵𝐴𝐵𝑡 是 t 时间的低贝塔股票投资组合和高贝塔股票投资组合
的收益率差值，高质量因子𝑄𝑀𝐽𝑡 是 t 时间的高质量股票投资组合和低质量股票
投资组合的收益率差值，其他项的含义与 Carhart 四因子模型相同。
12
第三章 实证分析的数据选取和计算
第三章 实证分析的数据选取和计算
第一节 样本基金的选取与处理
根据基金募集对象的不同，可以简单将基金分为公募基金和私募基金两大
类。由于公募基金在管理上更加规范统一，相关的监管法规也更加成熟完善，
其数据相对更加完备准确，本文研究的基金绩效归因范围仅限于公募基金。基
金根据投资标的的不同，又可以分为股票型基金、混合型基金、债券型基金、
货币市场类基金、另类投资基金、QDII 基金和 FOF 基金等。股票型基金 80%以
上的基金资产投资于股票，可以细分为主动股票型基金和被动指数型基金。混
合型基金是指投资于股票、债券、货币市场工具或其他基金份额，并且股票投
资、债券投资、基金投资的比例不符合股票型、债券型、FOF 型定义的基金，
一般可以细分为偏股混合型、平衡混合型、偏债混合型和灵活配置型。其中偏
股混合型指的是投资策略偏向股票的基金，投资于股票的仓位一般在 60%以上。
平衡混合型基金的投资策略较为均衡，股票和债券的投资仓位占比都在 30%-70%
之间。偏债混合型基金的投资策略偏向债券，股票仓位一般在 40%以下。灵活
配置型基金在股票和债券的仓位配置上有较大的灵活度。债券型基金的 80%以
上的基金资产投资于债券，可以细分为中长期纯债型基金、短期纯债型基金、
混合债券型一级基金、混合债券型二级基金，被动指数债券型基金。货币市场
基金仅投资于货币市场工具，另类投资基金是不属于传统的股票基金、混合基
金、债券基金、货币基金的基金，QDII 则主要投资于非本国股票、债券、基金、
货币、商品或其他衍生品，FOF 是主要投资标的为基金的基金。本文中为保持
投资范围的一致性，选取仅投资于国内股票市场的基金，并参考偏股混合型基
金的标准，仅讨论普通股票型基金和混合型基金中长期股票仓位占总资产比例
在 60%以上的基金。
具体而言，首先，总体基金样本集为自 2004 年 6 月 30 日起至 2022 年 6 月
30 日期间所有基金。为确保市场基准的一致，只考虑投资范围限于 A 股市场的
基金。基金类型上，保留股票仓位长期维持在 60%以上的普通股票型、偏股混
合型和灵活配置型基金。考虑到基金存在建仓期，允许至多两个季度股票仓位
低于 60%。另外，为避免重复计算，对于存在 A、B、C 类等不同份额类型的基
金，仅保留其中一只。
13
第三章 实证分析的数据选取和计算
其次，对样本基金的净值数据进行处理。因为基金的持仓变化频率一般都
不会太高，整体风格稳定性较强，因此选用月度频次的净值数据来计算基金净
值涨跌幅，并剔除月度净值数据不连续的基金。由于股票基金的持仓往往与基
金经理高度相关，不同基金经理的管理期间的净值数据不适合混用。同时，为
保证数据样本量的充足，因此保留截止至 2022 年 6 月 30 日，在任基金经理管理
五年以上的基金。为剔除仓位对于净值涨跌幅的影响，假设所有基金都是满仓
股票。由于基金只在每季度披露一次仓位，因此假设不同月份之间的基金仓位
是线性变化的。通过基金月度涨跌幅除以基金仓位，得到基金的实际月度涨跌
幅。
最终，得到 415 只符合条件的样本基金，涉及的净值时间区间从 2006 年 3
月到 2022 年 6 月。
第二节 各个因子的构建方法
本文的 Fama-French 三因子模型、Carhart 四因子、Fama-French 五因子模型
的因子数据来自于 CSMAR 数据库。CSMAR 的股票数据来自于上交所和深交所，
财务数据来自于上市公司报表，然后严格遵循原作者的设计方法计算得到因子
指标，有较强的可靠性。
对于 Fama-French 三因子模型中的市场风险溢价因子（𝑅𝑚𝑡 − 𝑅𝑓𝑡 ）、市值因
子 SMB 和账面市值比因子 HML，首先对投资组合进行 2*3 的划分：
首先，对所有股票的流通市值进行排序，不小于中位数的股票记为大市值
公司，记为 B，小于中位数的股票为小市值公司，记为 S。
其次，根据账面市值比（账面价值/市场价值）划分高账面市值比、中账面
市值比、低账面市值比公司。其中市场价值按流通市值计算，账面价值计算方
法如下：
账面价值=所有者权益-递延所得税资产+递延所得税负债-优先股账面价值（3.1）
然后，对所有公司的账面市值比进行排序，选取 30%和 70%的分位数，账
面市值比排名在 30%及以内的为高账面市值比公司，记为 H；排名大于 30%，
但不高于 70%的为中账面市值比公司，记为 M；排名低于 70%的为低账面市值
比公司，记为 L。
接着将 S、B 组合与 H、M、L 组合分别取交集，加权得到 SH、BH、SM、
BM、SL、BL 组合的股票组合收益率，然后分别计算三个因子，其中：
市场风险溢价因子 = 红利再投资的市场回报率 − 三个月定期存款利率（3.2）
市值因子 SMB = (SH + SM + SL)/3 – (BH + BM + BL)/3
14
（3.3）
第三章 实证分析的数据选取和计算
账面市值比因子HML = (SH + BH)/2 – (SL + BL)/2
（3.4）
对于 Carhart 四因子模型特有的动量因子 UMD，其计算方法如下：
动量因子 UMD = 累计收益前 30%的投资组合加权收益率 – 累计收益后 30%
的投资组合加权收益率
（3.5）
在计算累计收益时，一般滞后一个月，计算 t-11 到 t-1 月之间区间累计收益。
对于 Fama-French 五因子模型，采取和三因子模型类似的 2*3 的划分方式，
市场风险溢价因子（𝑅𝑚𝑡 − 𝑅𝑓𝑡 ）、市值因子 SMB 和账面市值比因子 HML 的计
算方式和三因子模型相同。
对于特有的盈利因子 RMW，首先计算盈利能力：
盈利能力=（营业收入-营业成本-销售费用-管理费用-利息支出）/账面价值（3.6）
其中账面价值的计算方法与账面市值比中的一致。其次，根据盈利能力划
分组合。将所有公司的盈利能力进行排序，取 30%和 70%的分位数。盈利能力
排名在 30%及以内的为强盈利能力公司，记为 R；排名大于 30%，但不高于 70%
的为中盈利能力公司，记为 M；排名低于 70%的为低盈利能力公司，记为 W。
将 S、B 组合与 R、W 组合分别取交集后，加权得到 SR，BR，SW，BW 的投资
组合收益率，然后计算盈利因子 RMW：
盈利因子𝑅MW = (SR + BR)/2 − (SW + BW)/2
（3.7）
对于特有的投资因子 CMA，首先计算投资模式：
投资模式=（t-1 年的年终总资产-t-2 年的年终总资产）/t-2 年的年终总资产（3.8）
其次，根据投资模式划分组合。将所有公司的投资模式排序，取 30%和 70%
的分位数，投资模式排名在 30%及以内的为保守投资模式的公司，记为 C；排
名大于 30%，但不高于 70%的为中立投资模式的公司，记为 M；排名低于 70%
的为激进投资模式的公司，记为 A。将 S、B 组合与 C、A 组合分别取交集后，
加权得到 SC，BC，SA，BA 的投资组合收益率，然后计算盈利因子 CMA：
投资因子CMA = (SC + BC)/2 – (SA + BA)/2
（3.9）
对于 Frazzini, Kabiller 和 Pedersen 提出的六因子模型，与 Carhart 四因子模
型相同的市场风险溢价因子（𝑅𝑚𝑡 − 𝑅𝑓𝑡 ）、市值因子 SMB、账面市值比因子
HML、动量因子 UMD，计算方式与四因子模型相同。
对于特有的 BAB 因子，构造的核心思路是将全市场股票区分为低贝塔和高
贝塔两组，再通过加杠杆构造 0 贝塔组合，计算 0 贝塔组合的收益率。首先计
算全市场基于日度数据计算的β值，然后将全市场股票β值排序，对于β值小
于中位数的股票记入低β组合，对β不小于中位数的股票记入高β组合。权重
上，以全市场股票β的中位数为标准，距离β中位数越远的股票给予更高的权
重，计算方法为：调整系数 𝑘 = 1/|𝛽𝑖 − 𝛽̅ |，股票权重 𝑤𝑖 = 𝑘 ∗ |𝛽𝑖 − 𝛽̅ |
15
第三章 实证分析的数据选取和计算
最后构造 0 贝塔组合并计算组合的收益率得到低贝塔因子（BAB）：
𝑓
𝑓
𝐿
𝐻
低贝塔因子𝐵𝐴𝐵 = 1/𝛽𝑡−1
∗ (𝑟𝑡𝐿 − 𝑟𝑡 ) − 1/𝛽𝑡−1
∗ (𝑟𝑡𝐻 − 𝑟𝑡 )
（3.10）
𝐿
𝐻
其中𝛽𝑡−1
代表 t-1 时期低贝塔组合的加权贝塔，𝛽𝑡−1
代表 t-1 时期高贝塔组合
的加权贝塔。对于低贝塔组合中的股票计算𝑟𝑡𝐿 ：𝑟𝑡𝐿 = 𝑟𝑡′ 𝑤𝑙 ；对于高贝塔组合中
的股票计算𝑟𝑡𝐻 ：𝑟𝑡𝐻 = 𝑟𝑡′ 𝑤𝐻 。
对于特有的 QMJ 因子，需要综合考量盈利能力、成长性和安全性。首先计
算盈利能力指标 Profitability，涉及到 GPOA（资产毛利率）、ROE（净资产收益
率）、ROA（总资产收益率）、CFOA（资产现金流率）、GMAR（毛利润率）、
ACC（较低的应计项目）六个财务指标。盈利能力指标的计算过程为：
资产毛利率 GPOA =（营业收入-营业成本）/总资产
（3.11）
净资产收益率 ROE = 净利润/股东权益
（3.12）
总资产收益率 ROA = 净利润/总资产
（3.13）
资产现金流率 CFOA = 自由现金流/总资产
（3.14）
毛利润率 GMAR =（营业收入-营业成本）/营业收入
（3.15）
较低的应计项目 ACC =（折旧-营运资本变动）/总资产
（3.16）
盈 利 能 力 𝑃𝑟𝑜𝑓𝑖𝑡𝑎𝑏𝑖𝑙𝑖𝑡𝑦 = 𝑧(𝑧𝐺𝑃𝑂𝐴 + 𝑧𝑅𝑂𝐸 + 𝑧𝑅𝑂𝐴 + 𝑧𝐶𝐹𝑂𝐴 + 𝑧𝐺𝑀𝐴𝑅 + 𝑧𝐴𝐶𝐶 )
（3.17）
其中（3.17）中的 z 表示标准正态化的过程。
其次计算成长性指标 Growth，原模型计算中采用了 GPOA、ROE、ROA、
CFOA、GMAR、ACC 六个因子的五年变化率。考虑到中国 A 股上市公司的上
市时间相对美国股票市场的整体上市时间要短的多，为避免数据不足导致可能
较多上市公司的成长性无法计算，将计算五年变化率改为三年变化率。最终成
长性指标的计算方法为：
∆𝐺𝑃𝑂𝐴 =（当期毛利润- 三年前的毛利润）/三年前的总资产
（3.18）
∆𝑅𝑂𝐸 =（当期净利润- 三年前的净利润）/三年前的净资产
（3.19）
∆𝑅𝑂𝐴 =（当期净利润- 三年前的净利润）/三年前的总资产
（3.20）
∆𝐶𝐹𝑂𝐴 =（当期自由现金流-三年前自由现金流）/三年前的总资产 （3.21）
∆𝐺𝑀𝐴𝑅 =（当期毛利润- 三年前的毛利润）/三年前的营业收入
（3.22）
∆𝐴𝐶𝐶 =（（当期折旧-当期营运资本变动）-（三年前的折旧-三年前的营运资
本变动））/三年前的总资产
（3.23）
成长性𝐺𝑟𝑜𝑤𝑡ℎ = 𝑧(𝑧∆𝐺𝑃𝑂𝐴 + 𝑧∆𝑅𝑂𝐸 + 𝑧∆𝑅𝑂𝐴 + 𝑧∆𝐶𝐹𝑂𝐴 + 𝑧∆𝐺𝑀𝐴𝑅 + 𝑧∆𝐴𝐶𝐶 )（3.24）
其中（3.24）中的 z 同样表示标准正态化的过程。
最后考虑安全性指标 Safety，以分析上市公司经营的稳定性和安全性。其
中涉及到 BAB（低贝塔）、LEV（杠杆率）、O（Ohlson’s O-Score，破产概率指
16
第三章 实证分析的数据选取和计算
标）、Z（Altman’s Z-Score，破产指数）、EVOL（过去 12 个季度 ROE 的标准差）
五个指标。其中 BAB 与前文的 BAB 因子计算并不不同，直接选用了日度β数
据的相反数。LEV 为负的总负债除以总资产，此处直接选用公司资产负债率的
相反数代替，EVOL 为过去 12 个季度 ROE 的标准差，两个衡量破产可能性的指
标计算方法如下：
破产概率指标 O = -（1.32-0.407*总资产的自然对数+6.03*资产负债率-1.43*
净营运资本/总资产+0.076*流动负债/流动资产-1.72*X-2.37*ROA-1.83*营业收入
/总负债+0.285*Y-0.521*（当期净利润-上一年的净利润）/（当期净利润的绝对
值+上一年利润的绝对值））
（3.25）
破产指数 Z =（1.2*净营运资本+1.4*留存收益+3.3*息税前利润+0.6*股东权
益+销售额）/营业收入
（3.26）
其中（3.25）的 X、Y 为虚拟变量。当公司的总负债高于总资产时，X 的值
为 1，否则 X 的值为 0。而当公司过去两次年度报告的净利润均为负值时，Y 的
值为 1，否则 Y 的值为 0。
得到以上五个安全性相关的指标后，计算安全性指标：
安全性𝑆𝑎𝑓𝑒𝑡𝑦 = 𝑧(𝑧𝐵𝐴𝐵 + 𝑧𝐿𝐸𝑉 + 𝑧𝑂 + 𝑧𝑍 + 𝑧𝐸𝑉𝑂𝐿 )
其中（3.27）中的 z 同样表示标准正态化的过程。
17
（3.27）
第四章 不同多因子模型下的基金绩效归因实证研究
第四章 不同多因子模型下的基金绩效归因实证研究
本章分为两个部分，第一部分对根据中国股票市场构造的 BAB 因子和 QMJ
因子单个因子的效果进行分析，观察单个因子在中国市场的适用性。第二部分
主要对筛选出来的 415 只样本基金，分别采用 Fama-French 三因子模型、Carhart
四因子、Fama-French 五因子模型和 Frazzini, Kabiller 和 Pedersen 提出的六因子
模型进行拟合，观察拟合的效果以及样本基金在 BAB 因子和 QMJ 因子上的拟
合系数，分析两个因子的有效性。
第一节 中国股票市场的 BAB 因子和 QMJ 因子
一、低贝塔因子 BAB
低贝塔因子（BAB）的逻辑基础是，由于部分投资者比如个人、养老基金、
公募基金在投资上受限，缺乏加杠杆的手段，或者加杠杆需要较高的资金成本，
因此这部分投资者在看好未来市场的增长空间，企图采用更激进的投资方式时，
只能直接选择更高β的股票进行投资，导致高贝塔股票的需求会高于低贝塔股
票，因此其风险收益比也会低于低贝塔股票。这一点在中国也同样是显著的，
特别对于中国相对美国等成熟金融市场占比偏高的个人投资者而言，我们常常
发现他们中的多数人对于收益率有着较高的要求，渴望短期财富的快速增长，
因此更愿意投资于具有高贝塔属性的股票。但市场上也存在对冲基金等机构可
能不存在类似的限制，因此可以考虑利用低贝塔股票相对高贝塔股票更高的风
险收益比来进行套利。BAB 因子的核心构造思路，即通过加杠杆做多低贝塔股
票，卖出高贝塔股票，从而构造 0 贝塔组合进行套利。
对 2004 年 6 月到 2022 年 6 月的 BAB 因子进行计算，得到以下结果：
18
第四章 不同多因子模型下的基金绩效归因实证研究
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
图 4.1 BAB 因子 2004 年 6 月-2022 年 6 月的月度收益
从 BAB 因子的时间序列上看，并未发现在某个时间段有长期显著的正
或负收益，但总体来看，BAB 因子涨幅要多于跌幅。在某些时间可以观察
到 BAB 因子在短期内同时出现大幅的涨幅和跌幅，说明可能可以在 BAB 因
子出现大额的跌幅时买入低贝塔组合，卖出高贝塔组合获取短期的高收益；
也可以在 BAB 因子出现大额的涨幅时买入高贝塔组合，卖出低贝塔组合获
取短期的高收益，但由于历史上出现的次数有限，实际应用的有效性和稳
定性仍待观察。
从 BAB 因子的描述性统计来看，可以发现 BAB 因子月度收益的平均数
和中位数之间存在着较大的差距，同时最大值也远高于最小值，说明多次
大额的涨幅拉高了月度收益的整体水平。从峰度上也可以看出，部分离散
值对于平均数有着较大的影响，同时基于 BAB 因子进行套利可能会出现较
大的收益率波动。从偏度上看，月度收益的分布和在时间序列上观察到的
结果相似，正收益的情况总体上要多于负收益的情况，呈现出较明显的正
偏态，同时少数异常高额正收益也拉长了分布的右侧尾部。
表 4.1 BAB 因子 2004 年 6 月-2022 年 6 月的月度收益描述性统计
指标
数值
指标
数值
平均数
0.0263
峰度
18.7118
中位数
0.0088
偏度
3.1777
标准差
0.1290
最小值
-0.3846
方差
0.0166
最大值
0.9332
19
第四章 不同多因子模型下的基金绩效归因实证研究
从 BAB 因子月度收益的频次分布和直方图上看，可以发现 BAB 因子的
正偏态主要由两个部分导致。一是在-3%到 3%收益率的区间内，可以发现
正收益的次数显著多于负收益。二是在超过 15%涨幅和跌幅的次数上，涨
幅超过 15%的次数明显要多于跌幅超过 15%的次数。
表 4.2 BAB 因子 2004 年 6 月-2022 年 6 月的月度收益频次分布
月度收益率区间
发生频次
累积概率
(-∞,-15.0%]
5
2.30%
(-15.0%,-13.5%]
0
2.30%
(-13.5%,-12.0%]
0
2.30%
(-12.0%,-10.5%]
2
3.23%
(-10.5%,-9.0%]
4
5.07%
(-9.0%,-7.5%]
4
6.91%
(-7.5%,-6.0%]
6
9.68%
(-6.0%,-4.5%]
11
14.75%
(-4.5%,-3.0%]
17
22.58%
(-3.0%,-1.5%]
12
28.11%
(-1.5%,0.0%]
22
38.25%
(0.0%,1.5%]
37
55.30%
(1.5%,3.0%]
30
69.12%
(3.0%,4.5%]
12
74.65%
(4.5%,6.0%]
11
79.72%
(6.0%,7.5%]
11
84.79%
(7.5%,9.0%]
6
87.56%
(9.0%,10.5%]
4
89.40%
(10.5%,12.0%]
6
92.17%
(12.0%,13.5%]
2
93.09%
(13.5%,15.0%]
3
94.47%
(15.0%,+∞]
12
100.00%
20
第四章 不同多因子模型下的基金绩效归因实证研究
图 4.2 BAB 因子 2004 年 6 月-2022 年 6 月的月度收益直方图
然而，虽然从理论上而言 BAB 因子体现出了一定的收益性，但在实际
应用中会遇到不少的困难。首先，在中国股票市场中，缺乏做空的有效方
法。虽然 A 股市场提供了融资加杠杆，融券做空的投资渠道，但是事实上
融资需要较高的资金成本，融券时又往往遇到无券可融的情况。在这样的
背景下，事实上很难通过构造 0 贝塔组合，获取低贝塔股票组合相对高贝塔
股票组合更高的风险收益比所带来的收益。即使通过场外市场完成 0 贝塔组
合的构造，以月度收益中位数提供的收益水平可能很难覆盖构建组合所需
要的资金成本和交易成本。倘若以相对较高的月度收益平均数来计算收益
率，可能可以获取一定的收益，但这种收益极度依赖于部分特殊时期出现
的异常大幅波动，稳定性不足，同时还可能由于大幅下跌的出现带来收益
率的大幅波动。由于组合构造过程中存在着一定的加杠杆过程，这种大幅
波动还可能会被进一步放大，导致风险超出可控范畴。
综合来看，BAB 因子在实际应用中的作用可能是作为一个监测指标，
在月度收益出现大幅度的下跌时，可以考虑卖出持仓中的高贝塔股票，买
入低贝塔股票进行套利。但由于历史上出现异常涨跌幅的时期较为集中，
其实际应用的稳定性和可信度仍有待进一步研究确认。
二、高质量因子 QMJ
高质量因子（QMJ）的逻辑基础与价值投资学派的投资理念有高度相似之
处，综合了盈利能力、成长性和安全性三方面的因素。中国股票市场常用的投
资流派大体上可以分为技术面、基本面和消息面三种方式。技术面投资方法在
近年来快速发展的量化基金上得到了比较广泛的应用，消息面投资方法在个人
21
第四章 不同多因子模型下的基金绩效归因实证研究
投资者中受到了很多人的追捧，但对于多数规模较大的专业机构投资者，比如
多数的公募基金而言，基本面投资才是主流的投资方法。在基本面投资中，又
主要可以分为自上而下和自下而上两种方法。自上而下的投资理念是先从宏观
经济入手，选择未来发展潜力大，政策导向明确，需求旺盛的行业，再从选择
的行业中精选有潜力的公司进行投资，近两年广为人知的景气度投资就属于自
上而下的投资方法。自下而上的投资方法则是从公司出发，基于公司的财务数
据，管理层能力，公司护城河等条件，买入被低估的公司长期持有。巴菲特采
用的就是自下而上的投资方法，这一投资方法也被国内许多著名的基金经理奉
为圣经。QMJ 因子的构造思路体现出了明显的自下而上的特征，对公司的当前
盈利能力，成长性和安全性进行了全方位的考察，将市场上的股票分为高质量
股票和低质量股票，并计算高质量股票组合和低质量股票组合之间的收益率差
值。
对 2004 年 6 月到 2022 年 6 月的 QMJ 因子进行计算，得到以下结果：
15.00%
10.00%
5.00%
0.00%
-5.00%
-10.00%
-15.00%
图 4.3 QMJ 因子 2004 年 6 月-2022 年 6 月的月度收益
从 QMJ 因子的时间序列上看，并未发现 QMJ 因子在较长时间内保持明显
的正收益或负收益。相对 BAB 因子而言，QMJ 因子的异常涨跌幅较小，波动范
围较窄。
从 QMJ 因子的描述性统计来看，可以发现无论从平均数或是中位数来看，
QMJ 因子整体而言还是存在一定的正收益，但并不明显。QMJ 因子的最大值和
最小值接近，未呈现出 BAB 因子中类似的明显差异，同时峰度也不高。从偏度
上来看，呈现出轻微的左偏分布。
22
第四章 不同多因子模型下的基金绩效归因实证研究
表 4.3 QMJ 因子 2004 年 6 月-2022 年 6 月的月度收益描述性统计
指标
数值
指标
数值
平均数
0.0006
峰度
1.7799
中位数
0.0029
偏度
-0.3496
标准差
0.0366
最小值
-0.1322
方差
0.0013
最大值
0.1226
从 QMJ 因子月度收益的频次分布和直方图上看，发现虽然 QMJ 因子月度
收益中正收益出现的次数较多，但由于存在多次大额跌幅，导致了描述性统计
中出现的左偏分布。大部分月度收益的涨跌幅不超过 3%，在 (-3%, 3%] 区间上
的月度收益占到总体情况一半以上。虽然 QMJ 因子出现 3%以内的小额涨幅次
数远大于-3%以内的小额跌幅，但由于出现-6%以外跌幅的次数也明显多于 6%
以上的涨幅的次数，导致 QMJ 因子涨跌幅的平均数和中位数都并不亮眼。总的
来说，QMJ 因子呈现出小幅度波动时涨幅更多，大幅度波动时跌幅更多的情况。
表 4.4 QMJ 因子 2004 年 6 月-2022 年 6 月的月度收益频次分布
月度收益率区间
发生频次
累积概率
(-13.5%,-12.0%]
2
0.92%
(-12.0%,-10.5%]
2
1.84%
(-10.5%,-9.0%]
0
1.84%
(-9.0%,-7.5%]
1
2.30%
(-7.5%,-6.0%]
6
5.07%
(-6.0%,-4.5%]
8
8.76%
(-4.5%,-3.0%]
17
16.59%
(-3.0%,-1.5%]
32
31.34%
(-1.5%,0.0%]
33
46.54%
(0.0%,1.5%]
43
66.36%
(1.5%,3.0%]
34
82.03%
(3.0%,4.5%]
18
90.32%
(4.5%,6.0%]
11
95.39%
(6.0%,7.5%]
6
98.16%
(7.5%,9.0%]
2
99.08%
(9.0%,10.5%]
0
99.08%
(10.5%,12.0%]
1
99.54%
(12.0%,13.5%]
1
100.00%
23
第四章 不同多因子模型下的基金绩效归因实证研究
图 4.4 QMJ 因子 2004 年 6 月-2022 年 6 月的月度收益直方图
综合来看，虽然 QMJ 因子从财务上综合考虑了盈利能力、成长性和安全性
三方面的因素，但似乎很难根据其月度收益体现出来的特性找到一个较好的获
取稳定收益的办法。当然，这并不代表着自下而下的选股方式就是错误的，因
为基于财务指标的选股方式并不能涵盖管理层的公司治理能力，公司护城河等
公司的虚拟资产，而仅仅是自下而上选股过程中的一部分。同时自下而上选股
的过程中，同样需要考虑行业的未来空间、竞争壁垒、生命周期等因素。但
QMJ 因子的情况或许代表着，在中国 A 股市场仅仅基于公司的财务指标进行个
股挑选的投资效果并不好，亦或是 QMJ 因子中对于盈利能力、成长性和安全性
的考虑并不周全。或许我们需要通过别的财务指标，或者引入公司除了以上三
个方面以外的因子进行考虑，也可以考虑对处于不同生命周期的行业对盈利能
力、成长性和安全性赋予不同的权重，从而改进 QMJ 因子的效果。
第二节 不同因子模型对样本基金的拟合效果
首先将 415 只样本基金分别采用 Fama-French 三因子模型进行拟合，对得到
的拟合结果进行描述性统计：
表 4.5 Fama-French 三因子模型对样本基金的拟合系数描述性统计
指标
平均数
月度超额
市场风险溢
SMB
HML
收益
价因子
因子
因子
0.0115
1.0278
-0.1573
-0.9434
24
调整后 R^2
0.7207
第四章 不同多因子模型下的基金绩效归因实证研究
续表 4.5 Fama-French 三因子模型对样本基金的拟合系数描述性统计
月度超额
市场风险溢
SMB
HML
收益
价因子
因子
因子
标准差
0.0049
0.1182
0.2986
0.5537
0.1079
最小值
-0.0012
0.6154
-0.8543
-2.5232
0.3566
25%分位数
0.0084
0.9598
-0.3809
-1.3238
0.6568
50%分位数
0.0115
1.0387
-0.1606
-0.9811
0.7382
75%分位数
0.0147
1.1048
0.0444
-0.5894
0.8013
最大值
0.0266
1.3436
0.8158
0.7271
0.9573
指标
调整后 R^2
从 Fama-French 三因子模型的拟合系数来看，样本基金大部分都跑赢了三因
子模型，获得了月度超额收益。具体到各个因子而言，样本基金在市场风险溢
价因子上的拟合系数差异不大。在 SMB 因子上，可以发现样本基金在市值因子
SMB 上的拟合系数为负的情况更多，说明基金更偏好投资于大市值的股票。事
实上，由于公募基金多数都有着较大的管理规模，但基金经理的精力有限，难
以同时对大量的小市值股票进行深度研究，因此往往会选择研究并投资于市值
较大的公司。在账面市值比因子 HML 上，同样发现样本基金在该因子上的拟合
系数多数为负数。HML 因子可以理解为市净率 PB 的倒数，拟合系数以负数为
主说明样本基金更偏好高 PB 的轻资产公司，而非低 PB 的重资产公司。从调整
后 R^2 来看，超过 75%的基金都达到了 0.65 以上，说明三因子模型的解释效果
较好。
其次，将 415 只样本基金分别采用 Carhart 四因子模型进行拟合，对得到的
结果进行描述性统计，得到以下结果：
表 4.6 Carhart 四因子模型对样本基金的拟合系数描述性统计
月度超
市场风险
SMB
HML
UMD
调整后
额收益
溢价因子
因子
因子
因子
R^2
平均数
0.0082
0.9308
-0.0542
-0.7132
0.2027
0.7645
标准差
0.0048
0.1332
0.2680
0.3742
0.1754
0.1009
最小值
-0.0055
0.4418
-0.8021
-1.7363
-0.3698
0.3551
25%分位数
0.0051
0.8656
-0.2170
-0.9417
0.0870
0.7093
50%分位数
0.0080
0.9446
-0.0578
-0.7482
0.2022
0.7840
75%分位数
0.0114
1.0196
0.1164
-0.4859
0.3243
0.8371
最大值
0.0227
1.3449
0.7281
0.3769
0.6857
0.9598
指标
25
第四章 不同多因子模型下的基金绩效归因实证研究
从 Carhart 四因子模型的拟合系数来看，相对 Fama-French 三因子模型而言，
前三个因子的拟合系数在因子的暴露方向上一致，但系数相对有所下降。从月
度收益来看，仍然有大部分基金跑赢四因子模型，获取了不错的月度超额收益，
但相对 Fama-French 三因子模型有所下降，说明四因子模型更好的归因了基金的
月度收益来源。从 Carhart 四因子模型增加的动量因子 UMD 来看，样本基金在
该因子上的拟合系数也以正数为主，说明很多基金可能有一定的追涨杀跌行为，
存在“抱团”的现象。从调整后的 R^2 来看，Carhart 四因子模型相对 FamaFrench 三因子模型有了较明显的提升，超过 75%的基金都达到了 0.7 以上，说明
动量因子的加入有效提高了基金业绩归因的效果。
然后，将 415 只样本基金分别采用 Fama-French 五因子模型进行拟合，对结
果进行描述性统计，得到以下结果：
表 4.7 Fama-French 五因子模型对样本基金的拟合系数描述性统计
月度超
市场风险
SMB
HML
RMW
CMA
调整后
额收益
溢价因子
因子
因子
因子
因子
R^2
平均数
0.0098
1.0640
-0.0449
-0.7516
0.2510
-0.5801
0.7400
标准差
0.0057
0.1212
0.2851
0.5322
0.7098
0.5525
0.0978
最小值
-0.0040
0.6562
-0.9399
-2.4210
-2.3148
-2.2890
0.4145
0.0060
0.9929
-0.2312
-1.0876
-0.1587
-0.8691
0.6786
0.0095
1.0739
-0.0415
-0.8204
0.3042
-0.5698
0.7542
0.0132
1.1330
0.1565
-0.4293
0.7685
-0.2322
0.8120
0.0315
1.4297
0.9071
1.2934
1.8260
1.3862
0.9591
指标
25%分
位数
50%分
位数
75%分
位数
最大值
从 Fama-French 五因子模型的拟合系数来看，前三个因子的暴露方向与
Fama-French 三因子模型和 Carhart 四因子模型都一致。从月度收益而言，大部
分基金都相对五因子模型跑出了月度超额收益，相对三因子模型的月度超额收
益略有下降，但高于四因子模型的月度超额收益。从盈利因子 RMW 来看，超
过半数基金的拟合系数为正数，且平均数和中位数也明显高于 0，说明基金经
理相对更偏好盈利能力强的公司。但值得注意的是，RMW 因子的标准差显著高
于其他四个因子，说明样本基金在该因子上存在较大的分歧。由于 RMW 因子
类似于高 ROA 公司组合和低 ROA 公司组合的收益率差值，说明基金经理对高
ROA 的公司是否能带来更高的回报率上存在分歧。从投资因子 CMA 来看，大
部分基金在该因子的拟合系数为负数，说明多数基金经理偏好投资于总资产扩
26
第四章 不同多因子模型下的基金绩效归因实证研究
张速度较快的公司。从调整后的 R^2 来看，Fama-French 五因子模型的拟合效果
普遍相对三因子模型有了一定的提升，超过 75%的基金达到 0.67 以上，但却低
于 Carhart 四因子模型的调整后 R^2。
最后，将 415 只样本基金分别采用 Frazzini, Kabiller 和 Pedersen 提出的六因
子模型进行拟合，对得到的结果进行描述性统计，得到以下结果：
表 4.8 Frazzini, Kabiller 和 Pedersen 提出的六因子模型对样本基金的拟合系数描述性统计
月度超
市场风险
SMB
HML
UMD
BAB
QMJ
调整后
额收益
溢价因子
因子
因子
因子
因子
因子
R^2
平均数
0.0079
0.9391
-0.0485
-0.6902
0.1981
0.0041
0.0594
0.7938
标准差
0.0049
0.1650
0.2461
0.4368
0.1833
0.0411
0.5384
0.0863
最小值
-0.0044
0.3668
-0.8314
-2.1260
-0.3722
-0.1280
-2.0165
0.4511
0.0048
0.8412
-0.2057
-0.9664
0.0788
-0.0202
-0.2270
0.7490
0.0075
0.9568
-0.0533
-0.6568
0.1963
0.0001
0.0983
0.8142
0.0111
1.0448
0.1031
-0.4113
0.3153
0.0292
0.4083
0.8565
0.0254
1.3545
0.8522
0.4281
0.7339
0.2182
1.5087
0.9592
指标
25%分
位数
50%分
位数
75%分
位数
最大值
从 Frazzini, Kabiller 和 Pedersen 提出的六因子模型的拟合系数来看，前四个
因子的暴露方向一致，且拟合系数接近。从低贝塔因子 BAB 来看，样本基金在
BAB 因子上的拟合系数普遍不高，平均数和中位数均接近于 0。从高质量因子
QMJ 来看，超半数基金在该因子上的拟合系数为正数，且平均数和中位数都明
显大于 0。QMJ 因子虽然相对于五因子模型中的盈利因子 RMW 已经做了一定
的改进，在计算盈利能力时考虑了多方面的财务指标，同时综合了成长性和安
全性方面的财务指标，但在拟合系数上仍然存在一定的分化。一个可能的原因
是部分自上而下选股的基金经理确实在选股时优先考虑行业的因素，而将公司
的财务指标置于次要的地位，但也可能 QMJ 因子仍然无法完全反映自下而上的
基金经理在精选个股时所考虑到的所有因素。
表 4.9 不同因子模型的拟合效果对比
指标
三因子模型 四因子模型 五因子模型
六因子模型
月度超额收益-平均数
0.0115
0.0082
0.0098
0.0079
月度超额收益-中位数
0.0115
0.0080
0.0095
0.0075
27
第四章 不同多因子模型下的基金绩效归因实证研究
续表 4.9 不同因子模型的拟合效果对比
指标
三因子模型 四因子模型 五因子模型
六因子模型
调整后 R^2-平均数
0.7207
0.7645
0.7400
0.7938
调整后 R^2-中位数
0.7382
0.7840
0.7542
0.8142
将四个多因子模型的拟合结果进行对比，从月度超额收益和调整后 R^2 两
个角度观察不同多因子模型的拟合效果。
从月度超额收益来看，可以发现六因子模型的月度超额收益明显低于其他
三个多因子模型，说明六因子模型更好的对基金的月度收益进行了归因。从调
整后的 R^2 来看，六因子模型的调整后 R^2 同样显著高于其他三个多因子模型，
说明六因子模型对基金月度收益的解释力更强。
综合而言，无论从月度超额收益还是调整后 R^2 的角度，Frazzini, Kabiller
和 Pedersen 提出的六因子模型对基金月度收益归因的效果都是最好的，Carhart
四因子模型次之，随后是 Fama-French 五因子模型，最后是 Fama-French 三因子
模型。
第三节 BAB 因子和 QMJ 因子在六因子模型中的效果
对于 Frazzini, Kabiller 和 Pedersen 提出的六因子模型中的各个因子，通过拟
合系数的 P 值观察各个因子的有效性。以不大于 0.05 作为单个因子归因有效的
标准，发现几乎所有基金的市场风险溢价因子 P 值都不大于 0.05，且过半的基
金在账面市值比因子 HML，动量因子 UMD 和高质量因子 QMJ 上都有着较好的
拟合效果。但市值因子 SMB 和低贝塔因子 BAB 表现不佳，特别是 BAB 因子本
身的拟合系数就不高，说明 BAB 因子对于国内公募股票型基金的归因效果有限。
其中的原因很可能是 BAB 因子的逻辑基础本身就建立在加杠杆的条件上，且需
要通过做空的机制配合实现，但国内的公募基金显然不具备相应的投资渠道，
BAB 因子或许在投资方式更广泛，监管相对宽松的私募股票基金业绩归因上会
有更好的表现。
表 4.10 Frazzini, Kabiller 和 Pedersen 提出的六因子模型对样本基金拟合系数的 P 值情况
市场风险
SMB
HML
UMD
BAB
QMJ
溢价因子
因子
因子
因子
因子
因子
P 值不大于 0.05 的占比
99.76%
18.80%
81.45%
62.89%
8.67%
52.77%
P 值大于 0.05 的占比
0.24%
81.20%
18.55%
37.11%
91.33%
47.23%
指标
此外，选取在 QMJ 因子上 P 值不大于 0.05 的基金进行观察，共有 219 只基
金，占 415 只样本基金的 52.77%。拟合系数正值较高的基金多为医药类消费类
28
第四章 不同多因子模型下的基金绩效归因实证研究
基金，在拟合系数正值前几的基金中还出现了葛兰、刘彦春等管理规模超 500
亿级别的明星基金经理，但也不乏一些规模相对较小的基金在 QMJ 因子上有较
高的正拟合系数。医药和消费类作为近两年被广泛关注的行业，行业内的公司
无论在盈利能力、成长性和安全性上大多有比较突出的优势，消费行业内的白
酒公司的财务指标上更是在 A 股市场首屈一指。头部白酒公司的 ROE、净利率
等财务指标往往远高于市场平均水平，也拥有较好的持续成长能力，且多数白
酒公司负债率极低，财务安全性高，与 QMJ 因子的考虑因素高度匹配。
表 4.11 在 QMJ 因子上正拟合系数前 20 的样本基金概况
基金
基金规模
QMJ 因子
经理
（亿元）
拟合系数
中欧医疗健康 A
葛兰
710.8144
1.5087
1.17E-07
0.6950
景顺长城鼎益
刘彦春
195.6796
1.3138
1.02E-13
0.8510
赵蓓
177.7550
1.3115
3.41E-06
0.6209
刘彦春
452.1383
1.2613
1.44E-13
0.8662
序号
基金名称
1
2
3
4
工银瑞信
前沿医疗 A
景顺长城
新兴成长 A
P值
调整后
R^2
5
鹏华医药科技
金笑非
17.6239
1.2507
1.55E-09
0.7893
6
汇添富消费行业
胡昕炜
207.8536
1.2290
1.36E-13
0.8685
7
银河美丽优萃 A
杨琪
3.5203
1.2242
3.94E-10
0.8631
8
易方达医疗保健
杨桢霄
36.8342
1.1787
3.78E-08
0.7782
9
富国消费主题 A
王园园
76.6231
1.1416
2.44E-08
0.8298
10
交银策略回报
韩威俊
7.4373
1.1185
5.63E-08
0.7371
11
大摩健康产业 A
王大鹏
22.0463
1.1070
5.33E-05
0.6071
李琛
4.5683
1.0599
2.84E-10
0.7877
12
广发消费品
精选 A
13
华夏消费升级 A
黄文倩
11.1871
1.0362
1.16E-11
0.8406
14
融通健康产业 A
万民远
20.1825
1.0113
1.77E-05
0.6928
15
广发聚优 A
张东一
3.6605
0.9738
8.83E-10
0.8443
赵蓓
47.0240
0.9690
6.49E-06
0.7844
王宗合
8.4732
0.9637
3.04E-09
0.8604
16
17
工银瑞信医疗
保健行业
鹏华养老产业
29
第四章 不同多因子模型下的基金绩效归因实证研究
续表 4.11 在 QMJ 因子上正拟合系数前 20 的样本基金概况
序号
18
基金名称
景顺长城
动力平衡
基金
基金规模
QMJ 因子
经理
（亿元）
拟合系数
刘苏
12.0187
0.9614
8.98E-11
0.8509
P值
调整后
R^2
19
广发竞争优势 A
苗宇
13.7675
0.9363
1.63E-07
0.8595
20
鹏华消费优选
王宗合
8.4539
0.9323
4.39E-09
0.7980
另外，许多拟合系数负值居前的基金在行业选择上重点配置了新能源、周
期和计算机三大行业。新能源行业由于仍处于起步阶段，盈利能力还不够稳定，
需要较高的前置投入，同时可能需要一定的负债来支撑前期投入，计算机行业
也存在同样的问题。而周期行业作为重资产行业，同样需要通过较高的负债来
投入前期的资本开支。因此上述三个行业从财务指标来看并不亮眼，导致偏好
投资这三个行业的基金在 QMJ 因子的拟合系数上，也体现出较高的负值。
表 4.12 在 QMJ 因子上负拟合系数前 20 的样本基金概况
序
号
1
2
3
4
基金名称
中信建投
智信物联网 A
创金合信
资源主题 A
海富通股票
华安动态
灵活配置 A
基金
基金规模
QMJ 因子
经理
（亿元）
拟合系数
周紫光
5.8372
-2.0165
1.69E-11
0.8152
李游
8.9043
-1.6714
1.01E-07
0.6593
吕越超
24.9240
-1.6627
2.84E-06
0.6065
蒋璆
26.8742
-1.4165
1.24E-07
0.7286
P值
调整后
R^2
5
平安策略先锋
神爱前
29.7308
-1.3369
2.05E-07
0.7777
6
华夏能源革新 A
郑泽鸿
209.3178
-1.3145
0.000478
0.6481
夏林锋
0.7191
-1.2073
1.33E-09
0.8618
储雯玉
1.0574
-1.1710
5.28E-08
0.8209
25.9490
-1.1559
1.24E-08
0.6565
8.6041
-1.1555
4.41E-06
0.6958
7
华宝未来
主导产业 A
8
长城久恒
9
华宝资源优选 A
10
华泰保兴吉年丰
A
蔡目荣,
丁靖斐
尚烁徽
30
第四章 不同多因子模型下的基金绩效归因实证研究
续表 4.12 在 QMJ 因子上负拟合系数前 20 的样本基金概况
序
基金名称
号
11
万家新兴蓝筹
工银瑞信
12
生态环境 A
基金
基金规模
QMJ 因子
经理
（亿元）
拟合系数
莫海波
18.5012
-1.1396
3.46E-05
0.4832
何肖颉
47.8407
-1.1379
8.89E-09
0.8237
P值
调整后
R^2
13
信澳新能源产业
冯明远
148.8328
-1.1221
6.19E-07
0.7644
14
天治核心成长
许家涵
3.9336
-1.0907
8E-10
0.8148
15
华富产业升级
7.2925
-1.0288
0.000213
0.7182
16
中银智能制造 A
王伟
17.9547
-1.0085
4.16E-08
0.8408
张剑峰
20.4292
-0.9187
2.33E-07
0.8103
1.0030
-0.9053
0.000129
0.7166
17
陈启明,
陈奇
工银瑞信新材料
新能源行业
黄潜轶,
18
泰信现代服务业
19
财通成长优选
金梓才
17.3209
-0.8951
0.005612
0.4817
20
中海能源策略
姚晨曦
23.5215
-0.8891
0.000224
0.7682
王博强
第四节 改进后的六因子模型
在上述的研究过程中，可以发现 BAB 因子需要的构造过程在公募股票基金
上难以实现，因此在逻辑基础上有所缺失。而在实际回归的应用中，根据拟合
后的 P 值，发现在 BAB 因子上显著的基金数量很少，且拟合系数不高。因此，
尝试通过剔除 BAB 因子对原有的六因子模型进行改进，观察改进后的拟合结果
与原来的六因子模型之间的区别。
去除 BAB 因子，仅保留市场风险溢价因子、市值因子 SMB，账面市值比
因子 HML，动量因子 UMD，高质量因子 QMJ 共 5 个因子，重新对 415 只样本
基金进行拟合，得到以下结果：
表 4.13 去除 BAB 因子的六因子模型对样本基金的拟合系数描述性统计
指标
平均数
月度超
市场风险
SMB
HML
UMD
QMJ
调整后
额收益
溢价因子
因子
因子
因子
因子
R^2
0.0079
0.9391
-0.0485
-0.6902
0.1981
0.0594
0.7938
31
第四章 不同多因子模型下的基金绩效归因实证研究
续表 4.13 去除 BAB 因子的六因子模型对样本基金的拟合系数描述性统计
月度超
市场风险
SMB
HML
UMD
QMJ
调整后
额收益
溢价因子
因子
因子
因子
因子
R^2
标准差
0.0049
0.1650
0.2461
0.4368
0.1833
0.5384
0.0863
最小值
-0.0044
0.3668
-0.8314
-2.1260
-0.3722
-2.0165
0.4511
0.0048
0.8412
-0.2057
-0.9664
0.0788
-0.2270
0.7490
0.0075
0.9568
-0.0533
-0.6568
0.1963
0.0983
0.8142
0.0111
1.0448
0.1031
-0.4113
0.3153
0.4083
0.8565
0.0254
1.3545
0.8522
0.4281
0.7339
1.5087
0.9592
指标
25%分
位数
50%分
位数
75%分
位数
最大值
去除 BAB 因子的改进六因子模型在拟合系数上与原来的六因子模型十分接
近，说明去掉 BAB 因子并未对原有的拟合结果产生显著影响。在对国内公募股
票基金利用六因子模型进行拟合时，BAB 因子可能是多余的。
另外，将去掉 BAB 因子后的改进六因子模型（实际已经为五因子模型）与
其他多因子模型的拟合效果进行对比，发现无论从月度超额收益上还是调整后
的 R^2 上来看，改进六因子模型相对原六因子模型基本不变，且仍然显著跑赢
了 Fama-French 三因子模型、Carhart 四因子模型和 Fama-French 五因子模型。
表 4.14 改进六因子模型与其他多因子模型的拟合效果对比
三因子
四因子
五因子
六因子
去掉 BAB 因子的
模型
模型
模型
模型
改进六因子模型
月度超额收益-平均数
0.0115
0.0082
0.0098
0.0079
0.0080
月度超额收益-中位数
0.0115
0.0080
0.0095
0.0075
0.0076
调整后 R^2-平均数
0.7207
0.7645
0.7400
0.7938
0.7930
调整后 R^2-中位数
0.7382
0.7840
0.7542
0.8142
0.8097
指标
32
第五章 结论与展望
第五章 结论与展望
第一节 研究结论
随着中国经济的高速增长，如何根据自身的风险承受能力进行合理的资产
配置成为了居民普遍面临的问题。在“房住不炒”政策的指引下，许多本身配
置于房地产行业的资金也开始寻求转向金融产品进行投资，以获得财富的保值
和增长。公募基金作为一种发展成熟，投资者专业度高，监管规范，投资门槛
低的资产配置手段，受到了广大投资者的青睐。在资管新规出台后，国内资产
管理行业迎来了一次供给侧改革，公募基金也逐步成为了最主要的资产配置方
式之一。在公募基金行业蓬勃发展之时，科学的基金业绩归因方法对于基金投
资者、基金管理人和基金监管机构都有重要的意义。
本文基于 Frazzini, Kabiller 和 Pedersen 在研究巴菲特的超额收益来源时，提
出的六因子模型进行研究。由于国内许多基金经理都是价值投资学说的忠实拥
护者，他们与巴菲特的选股方法或许会有较多的相似之处，因此尝试利用六因
子模型对国内的公募股票型基金进行业绩归因，并与海外成熟的 Fama-French 三
因子模型、Carhart 四因子模型和 Fama-French 五因子模型进行对比，观察六因
子模型在基金业绩归因上是否会有更好的效果。在研究过程上，本文首先构造
了六因子模型中特有的低贝塔因子 BAB 和高质量因子 QMJ，对单个因子在国内
股票市场的应用效果进行了探究，其次将 415 只样本基金分别采用 Fama-French
三因子模型、Carhart 四因子模型、Fama-French 五因子模型和 Frazzini, Kabiller
和 Pedersen 提出的六因子模型进行业绩归因，对比了不同多因子模型的归因效
果。然后，将不同多因子模型的拟合结果进行对比，从月度超额收益和调整后
R^2 两个角度评判多因子模型的好坏。随后，分别探究新加入的 BAB 因子和
QMJ 因子在六因子模型中的作用。最后，尝试根据上述研究的结果，对六因子
模型进行一定的改进。
研究表明，从单个因子在国内股票市场的应用效果来看，BAB 因子存在一
定的正收益。但是 BAB 因子的实现是建立在拥有加杠杆和做空两大工具的基础
上的。而加杠杆的常用方法融资往往需要较高的融资成本，做空的常用方法融
券则往往面临无券可融的情况，因此效仿 BAB 因子的构造方法在中国股票市场
难以实现，即便实现可能也要付出高额的资金成本，从而导致最终获取的收益
33
第五章 结论与展望
并不理想。不过，由于 BAB 因子的大额涨跌幅在历史上往往同步出现，因此可
以考虑作为一个观测指标，在出现大额涨幅时将低贝塔股票换为高贝塔股票，
或在出现大额跌幅时将高贝塔股票换位低贝塔股票，获取短期的高额收益。
QMJ 因子本身则并未表现出明显的正或负收益，总体呈现出小额波动时涨幅为
主，大额波动时跌幅居多的特征。
从不同多因子模型的拟合结果来看，在单个因子上，样本基金大多在市值
因子 SMB、高账面市值比因子 HML，投资因子 CMA 上的拟合系数为负，说明
基金整体偏好投资于规模大、高 PB 的公司。大多数基金在动量因子上的拟合系
数为正，说明基金存在一定的追涨杀跌的“抱团”行为。超半数的基金在盈利
因子 RMW 和高质量因子 QMJ 上的拟合系数为正，但存在一定分歧。这一方面
可能是由于 RMW 因子和 QMJ 因子所考虑到的财务指标并不完备或权重分配不
够合理，但也可能确实存在一批基金经理在选股时将财务指标置于相对次要的
地位，而更重视行业生命周期，竞争壁垒，或者公司护城河等因素。此外，绝
大部分样本基金都跑赢了所有因子模型，获得了月度超额收益。
从不同多因子模型的拟合结果来看，根据月度超额收益和调整后 R^2 两个
角度评判多因子模型的好坏，发现六因子模型相对其他三个多因子模型的月度
超额收益更低，调整后的 R^2 更高，说明六因子模型更好的分解了基金的月度
收益来源，对基金月度收益的解释力度在四个多因子模型中最好，因此六因子
模型的业绩归因效果是最好的。在其余三个多因子模型中，Carhart 四因子模型
最优，Fama-French 五因子模型次之，Fama-French 三因子模型效果最差，但也
有超过 75%的基金拟合的调整后 R^2 在 0.65 以上，说明几个多因子模型都有较
好的拟合效果。
从新加入的 BAB 因子和 QMJ 因子在六因子模型中的作用来看，BAB 因子
不仅在理论上难以完成构造，在中国股票市场和公募基金领域缺乏相应的构造
手段，而且在实际应用上，拟合系数非常小，从 P 值来看在大多数基金上也并
不显著。而 QMJ 因子效果较好，从逻辑上而言整体构造过程与自下而上的投资
理念较为契合，且在实际应用中，发现医药行业和消费行业基金在 QMJ 因子有
较为显著的正拟合系数。
综合上述研究后，鉴于 BAB 因子的效果不佳，考虑剔除 BAB 因子的改进
六因子模型。在 BAB 因子剔除后的六因子模型在拟合系数上与原六因子模型差
异不大，且月度超额收益和调整后 R^2 基本不变，仍然显著跑赢了 Fama-French
三因子模型、Carhart 四因子模型和 Fama-French 五因子模型，说明 BAB 因子在
用于公募股票基金业绩归因是很可能是冗余的，剔除 BAB 因子的改进六因子模
型可能更适合用于公募股票基金的业绩归因。
34
第五章 结论与展望
第二节 研究不足与展望
在本文的研究过程中，可以发现虽然六因子模型相对传统的经典多因子模
型有了一定的优化，但大部分基金仍然能够较好的跑赢六因子模型，基金的业
绩归因问题仍有待进一步深化研究。
一方面，可以从六因子模型本身入手，除了本文已经尝试的去掉 BAB 因子，
还可以考虑将 QMJ 因子拆分为盈利因子、成长因子和安全性因子三个因子，避
免先入为主的赋予这三个方面同样的权重。另一方面，可以考虑添加其他可以
代表公募基金投资方法的因子，来提高业绩归因的有效性。譬如，过去的多因
子模型通常简单的拆分为市场相关的因子和公司相关的因子两个部分，而忽视
了公司所在行业相关的因子。本文涉及的多因子模型也多着眼于对于公司本身
的考虑，仅有市场风险溢价因子考虑了全股票市场的因素，但没有代表公司所
在行业情况的因子，这可能导致很多自上而下投资的基金业绩无法被正确归因。
此外，行业竞争壁垒，公司护城河这类事实上的优势也缺乏量化的指标来进行
衡量，但这往往也是专业投资者的重要考量因素。
此外，多因子模型在私募股票基金业绩归因上的应用也值得进一步探究。
由于私募股票基金的披露相对公募基金而言不够规范和完备，持仓数据通常难
以获得，但一般会定期披露净值数据，因此从基于净值的角度入手，采用多因
子模型进行拟合可能是更适用于私募基金的业绩归因方式。且本文涉及到的六
因子模型中的 BAB 因子虽然在公募基金上缺乏实现的方法，应用效果不佳，但
在投资手段更加多元化的私募基金上却可能会有一定的效果。
未来，随着基金行业的快速发展，基金投资者的投资需求、基金公司的业
务需求和基金监管机构的监管需求将会共同推动基金研究问题的进一步深入。
近年来国内新兴的 FOF 基金也有望给基金业绩归因问题的研究提供更丰富的研
究思路和数据支撑，推动基金业绩归因相关理论的持续发展。
35
第五章 结论与展望
参考文献
[1] Altman E I. Financial ratios, discriminant analysis and the prediction of corporate
bankruptcy[J]. The journal of finance, 1968, 23(4): 589-609.
[2] Asness C S, Frazzini A, Pedersen L H. Quality minus junk[J]. Review of Accounting Studies,
2019, 24(1): 34-112.
[3] Asness, C., A. Frazzini, and L. H. Pedersen (2013), “Quality Minus Junk”, working paper,
AQR Capital Management, New York University.
[4] Brinson G P, Hood L R, Beebower G L. Determinants of portfolio performance[J]. Financial
Analysts Journal, 1986, 42(4): 39-44.
[5] Carhart M ． On Persistence in Mutual Fund Performance [J].Journal of
Finance,1997,52(l):57-82.
[6] Chang E C, Lewellen W G. Market timing and mutual fund investment performance[J].
Journal of Business, 1984: 57-72.
[7] Fama E F, French K R. A five-factor asset pricing model[J]. Journal of Financal
Economics,2015(a), (116):1-22.
[9] Fama E F, French K R. Size, value, and momentum in international stock returns[J]. Journal of
financial economies, 2012, 105 (3):457-472:
[10] Fama E.F, French, K.R. Common risk factors in the returns on stocks and bonds[J].
Journal of Financial Economics, 1993, (33): 33-56.
[11] Frazzini A, Kabiller D, Pedersen L H. Buffett's alpha[R]. National Bureau of Economic
Research, 2013.
[12] Frazzini, A. and L. H. Pedersen (2013), “Betting Against Beta”, Journal of Financial
Economics, Forthcoming.
[13] Jensen M C. The performance of mutual funds in the period 1945-1964[J]. The Journal of
finance, 1968, 23(2): 389-416.
[14] Markowitz, Harry. Portfolio selection [J]. The journal of finance, 1952, 7(1): 77-91.
[15] Merton R C. On market timing and investment performance. I. An equilibrium theory of
value for market forecasts[J]. Journal of business, 1981: 363-406.
[16] Ohlson J A. Financial ratios and the probabilistic prediction of bankruptcy[J]. Journal of
accounting research, 1980: 109-131.
[17] Ross S A. The arbitrage theory of capital asset pricing[M]//Handbook of the fundamentals of
financial decision making: Part I. 2013: 11-30.
[18] Sharpe W F. Capital asset prices: A theory of market equilibrium under conditions of risk[J].
The journal of finance, 1964, 19(3): 425-442.
[19] Sharpe W F. Mutual fund performance[J]. The Journal of business, 1966, 39(1): 119-138.
[20] Treynor J, Mazuy K. Can mutual funds outguess the market[J]. Harvard business review,
1966, 44(4): 131-136.
[21] Treynor J. How to rate management of investment funds[J]. 1965.
36
第五章 结论与展望
[22] 陈立,赵海滨.国内证券投资基金绩效评价研究的文献综述[J].商业文化(学术
版),2007(04):61-62.
[23] 陈彤.基金绩效评价方法的发展[J].经济师,2006(11):22-23.
[24] 段新锋. 我国开放式证券投资基金绩效评价研究[D].江西财经大学,2017.
[25] 韩冬,佘振武.证券投资基金绩效评价模型综述[J].山东行政学院山东省经济管理干部学
院学报,2005(02):101-103.
[26] 韩国文.证券投资基金绩效评价理论方法研究综述[J].技术经济,2007(10):73-77.
[27] 胡安幸,戴亮.夏普比率的有效性研究——基于我国开放式基金市场的数据[J].时代金
融,2017(12):149-150+160.
[28] 胡蓉. 我国开放式偏股型基金绩效评价的实证研究[D].华东政法大学,2016.
[29] 李红权,马超群.中国证券投资基金绩效评价的理论与实证研究[J].财经研究,2004(07):5665..
[30] 李牧辰. 基于 Fama-French 五因子模型的混合基金绩效评价[D].集美大学,2018.
[31] 李晓伟. 我国开放式基金绩效评估与归因的实证分析[D].对外经济贸易大学,2017.
[32] 李志冰,杨光艺,冯永昌,景亮.Fama-French 五因子模型在中国股票市场的实证检验[J].金
融研究,2017(06):191-206.
[33] 梁僖. 股票型基金绩效归因分析理论和实证研究[D].北京邮电大学,2017.
[34] 林雪. 偏股混合型基金的绩效评价与归因分析[D].浙江大学,2020.
[35] 卢学法,严谷军.证券投资基金绩效评价实证研究[J].南开经济研究,2004(05):79-84.
[36] 罗春风.我国证券投资基金总体绩效的实证分析——基于总业绩评价理论[J].财经科
学,2012(03):19-26.
[37] 莫晓莲. 我国开放式基金绩效评估及归因的实证研究[D].西南财经大学,2012.
[38] 宋光辉,董永琦,陈杨炀,许林.中国股票市场流动性与动量效应——基于 Fama-French 五
因子模型的进一步研究[J].金融经济学研究,2017,32(01):36-50.
[39] 孙佳欣. 基于持仓数据的我国股票型基金绩效归因实证研究[D].山东大学,2018.
[40] 王彬.证券投资基金绩效评价问题探析[J].中国证券期货,2011(10):10-11.
[41] 王聪.证券投资基金绩效评估模型分析[J].经济研究,2001(09):31-38.
[42] 王守法.我国证券投资基金绩效的研究与评价[J].经济研究,2005(03):119-127.
[43] 王伟. 我国股票型开放式基金绩效评估—基于改进的 Carhart 四因素模型的实证研究[D].
暨南大学,2016.
[44] 王艳晶. 我国开放式基金绩效归因的实证研究[D].山东大学,2017.
[45] 王一博. 我国开放式股票型基金流动性择时能力实证研究[D].南京大学,2017.
[46] 徐春丽. A 股制药板块多因子选股模型探讨[D].上海财经大学,2021.
[47] 徐涵江.证券投资基金经营业绩评价研究及其实证分析[J].统计研究,2000(04):28-31.
[48] 徐凯. 我国开放式基金的绩效评价研究[D].上海外国语大学,2018.
[49] 徐新扩,杨楠.绿色证券投资基金业绩评价研究[J].中国证券期货,2019(05):13-27.
[50] 徐颖,刘海龙.基金的投资绩效归因分析及实证研究[J].系统工程,2006(01):76-81.
[51] 徐永锋.证券投资基金绩效评价方法研究文献综述[J].市场论坛,2008(07):67-68.
[52] 杨炘,王小征.中国证券投资基金业绩评价因素模型实证研究[J].系统工程理论与实
践,2003(10):30-35.
[53] 于瑾.我国证券投资基金业绩归因分析的实证研究[J].中国软科学,2004(09):74-78.
[53] 张明明,郭忠亭.证券投资基金业绩归因分析方法的研究[J].现代管理科学,2007(01):117119.
37
第五章 结论与展望
[54] 张婷,李凯.证券投资基金投资绩效分析[J].预测,2000(01):41-44.
[55] 张晓艺. 我国指数增强型基金的绩效评价和业绩归因研究[D].外交学院,2022.
[56] 张颖利. FOF 基金绩效评价研究[D].浙江大学,2022.
[57] 赵胜民,闫红蕾,张凯.Fama-French 五因子模型比三因子模型更胜一筹吗——来自中国 A
股市场的经验证据[J].南开经济研究,2016(02):41-59.
[58] 朱玲玲. 我国开放式证券投资基金绩效评价的实证分析[D].吉林大学,2010.
38
Shanghai University of Finance and Economics
硕
士
学
位
论
文
上
海
财
经
大
学
上 海 财 经 大 学
地
址：中国上海国定路 777 号
777 Guo Ding Road
邮
编：200433
Shanghai,200433
电
话：（021）65904625
网
址：http://www.shufe.edu.cn
41
P.R.China
http://www.shufe.edu.cn