导读：最近基金行业有一本书特别火，叫做《主动基金投资》。这是一本从因子投资的底层框架出发，讲解如何筛选和配置主动型基金的新书。一直以来，我们都是主动型基金产品的忠实粉丝，也就在几天前刚刚回顾了我们的TOP100主动型基金的年度榜单。无论是从长期的角度出发，还是就看2024年924之后的表现，主动型基金都是跑赢被动ETF宽基指数的。甚至在科技、消费、医药、制造四大赛道中，主动型基金也整体跑赢了相关的行业基准。

但是从2022到2024年，主动型基金的表现一直被持有人诟病。这也推动力ETF产品成为国内资产管理行业最显著的趋势。低费率、高透明度、风格不漂移，让越来越多投资者开始接受一个看似简单的结论：既然大部分基金经理很难长期战胜指数，为什么不直接购买指数基金？

这个结论在美国市场有很强的现实基础。大量研究发现，美国主动股票基金扣除费用后的平均Alpha并不显著，甚至可能为负。但是，当我们把同一套结论搬到中国市场时，却会遇到一个非常有意思的现象：中国主动基金作为一个整体，历史上确实创造过显著的超额收益；但购买这些基金的投资者，却没有完整地拿到这部分收益。

基金赚钱，基民不赚钱。到底是基金经理的问题，还是投资者的问题？基金过去业绩很好，代表能力强，还是仅仅站在了某种风格的贝塔上？抄基金重仓股，能不能复制基金经理的收益？

这正是《主动基金投资》试图回答的问题。

中国主动基金为什么值得研究

这本书的起点，并不是替主动基金辩护，而是提出了一个中国市场的典型事实：自2005年基金数据逐渐完善以来，中国主动股票基金扣除费用后的FFC4-Alpha，平均达到年化3%左右甚至更高。

所谓FFC4-Alpha，可以简单理解为，在剔除了市场、规模、价值和动量等常见因子收益后，基金剩下的那部分超额收益。也就是说，一只基金上涨，并不代表基金经理创造了Alpha。小盘股上涨时重仓小盘，成长股上涨时重仓成长，获得的更多是时代和风格的贝塔。只有在剥离这些因素后依然存在的收益，才更接近基金经理真正的能力。

从这个角度看，中国主动基金的价值不是一个信仰问题，而是一个可以被检验的经验事实。但是，平均存在Alpha，并不意味着每一位基金经理都有Alpha。一部分优秀基金创造的高额超额收益，完全可能抬高整个行业的平均值。

所以，主动基金投资真正的难点，从来不是判断“主动还是被动”，而是从大量产品中找到那些具有真实能力，而且这种能力尚未被规模、人员变化和市场竞争消耗掉的基金经理。

基金赚钱和基民赚钱，是两套完全不同的数据

书中第二个重要事实，是“基金赚钱、基民不赚钱”。

作者引用的研究显示，2004年12月至2020年6月，中国主动股票基金的平均年化复合收益率约为14%，但投资者实际获得的年化收益率只有8.27%，相差5.73个百分点。放到十五年以上的复利周期中，基金累计收益达到662.12%，投资者获得的累计收益却只有242.67%。

这并不矛盾。基金收益率，是假设一笔钱从期初一直持有到期末得到的产品收益；投资者收益率，则受到每一笔申购赎回时点的影响。大量投资者并不是在基金便宜、基金经理处于逆风期时买入，而是在历史业绩最好、市场关注度最高、基金规模迅速扩张后才开始申购。

研究发现，基金过去一年收益率每提高1%，下一季度的市场净流入平均增加17.2亿元。真正能够持续获得净流入的，往往只有过去业绩排名前10%的基金。互联网销售平台的发展，又进一步强化了这种“赢家通吃”的资金流结构。

投资者以为自己在选择能力，很多时候只是在购买最近一年最强的风格。

等到风格反转，基金业绩开始落后，投资者又会赎回，转向下一只排名靠前的产品。基金净值曲线可能长期向上，基民却不断在不同基金之间高买低卖。最终损害收益的，并不是缺少优秀基金，而是没有形成一套稳定的选择和持有体系。

过去的冠军，

为什么未必是未来的冠军

普通投资者选择主动基金，最常见的方法是看过去一年、三年和五年的收益排名。但是，《主动基金投资》这本书想表达的，是把基金评价从“看结果”升级为“拆解收益来源”。

第一，要区分能力和运气。基金经理连续两年重仓某个热门行业，可能来自深度认知，也可能只是在一次风格行情中获得了高贝塔。两者在上涨时很难区分，只有放到更长的周期、不同的市场环境和因子模型中，差异才会逐渐显现。

第二，要判断这种能力能否持续。基金的主动程度、持仓结构、行业集中度、风格均衡度、换手特征和投资稳定性，都比一个简单的历史收益率包含更多信息。真正优秀的基金经理，不一定在每一年都排名靠前，但其超额收益应当具备一定的可解释性和可重复性。

第三，要考虑规模的容量问题。基金经理因为业绩优秀吸引大量资金后，原有的投资方法未必还能承载新的规模。原来可以买入中小市值公司，规模扩大后只能转向大市值公司；原来可以集中投资少数机会，规模扩大后必须增加持仓数量。

这也是“明星基金陷阱”的形成机制：历史业绩带来资金流入，资金流入推动规模扩张，规模扩张又逐渐侵蚀未来的超额收益。投资者看到的是过去的能力，却买入了一个已经发生变化的产品。

为什么简单抄基金作业并不有效

既然中国基金经理作为一个整体创造过Alpha，那么直接购买公募基金重仓股，是不是也能获得超额收益？

书中给出的答案是：简单抄作业并不靠谱。

作者统计了2004年至2023年的数据，选择基金超额持仓最大的50只股票并定期再平衡。这个组合在2018年至2020年表现突出，但放到整个样本区间，不仅没有战胜市场，夏普比率也只有0.29，低于市场组合的0.35。

原因并不复杂。基金持有一只股票，不代表这只股票一定被低估；基金持仓的披露存在时滞；不同基金经理的能力也有显著差异。如果把所有基金的持仓简单加总，优秀基金经理的信息就会和大量普通甚至错误的信息混合在一起。

因此，更合理的顺序不是先看基金买了什么，而是先判断哪些基金可能具有能力，再对这些基金的持仓赋予更高权重。进一步，还可以研究基金持仓、资金流以及“基金—股票”网络中包含的信息。

基金持仓不是标准答案，而是一种需要再次加工的另类数据。

从主观选基走向可检验的投资体系

这本书最后把学术研究落到了基金投资实践中，包括基金画像、基金分类、基金优选、基于因子的基金配置，以及基金持仓测算。同时也讨论了机器学习、深度学习和文本分析在基金研究中的应用。

机器学习的价值，并不是凭空预测下一只冠军基金，而是能够同时处理大量非线性变量。比如说，历史Alpha、基金规模、资金流、持仓集中度、因子暴露和基金经理文本信息之间，可能存在传统线性模型难以捕捉的关系。

但是，模型依然不能消除投资中的不确定性。基金评价永远是在有限样本中区分能力和运气。数据只能提高判断的概率，无法把未来变成一道标准答案。

我们认为，这本书最重要的贡献，是建立了一套主动基金投资的正确顺序：先理解资产和风格的贝塔，再识别基金经理的Alpha；先研究超额收益的来源，再判断这种能力是否可持续；最后通过分散配置、长期持有和再平衡，把基金经理的能力真正转化为持有人的收益。

当然，这本书也无法证明中国主动基金能够永久保持年化3%的平均Alpha。随着市场有效性提高、投研竞争加剧、被动资金扩张和信息传播速度加快，历史上的超额收益完全可能逐渐衰减。因子模型本身也未必能够剥离所有风险暴露。

正因为如此，主动基金投资不应该建立在“某个明星基金经理永远正确”的信仰上，而应建立在一套可检验、可解释、可迭代的体系上。

回归到本源，主动基金的价值不是每年找到收益冠军，而是把专业投资者的认知转化为普通人能够长期持有的产品。对投资者来说，真正稀缺的也不是知道哪只基金去年涨得最好，而是在市场不断变化中，依然能够识别能力、理解逆风，并把时间交给那些真正可持续的方法。

- end-

按姓名首字母排序

上下滑动阅读更多内容

| | | | |

| | | | |

| | |

| | | | |

| | | |

| | | |

| | |

| |

| | | |

|

| | | | |

| | | |

| |

| |

| |

| |

| || |

|

| | |

| | | |

| | | |

| | | |

| | |

|

| | | |

| ||

| |

| || | |

| |

| | | |

|

| | |

| | 银华| 东方红|

| |东方红|中信保诚

|

| |

|

| | | |

| |

| |

||

| | | | |

| |

| | | ||

| |

| |

| | |

||民生加银| 东方红

| |

| | |

| |

| | |

| | || |

|

|

中银| 中信保诚

| | ||

| |

| |

| |

|

| | | | |

| |

| |

| |

| | |

| | | |

| | | | |

|

|

富国| 农银汇理|

| | | | |

|

| |

| | | |

|

| | 新华| 富达

|

| |

|

|

|

| ||

|| |

| |