如何区分基金经理的运气和能力？

在基金投资中，我们最容易看见的是业绩，但最容易看错的也是业绩。

很多时候，亮眼的业绩背后，也可能夹杂着风格暴露、市场环境，甚至运气的成分。

前不久，晨星的业绩比较基准研究发现，若把当前中国主动基金合同中约定的业绩比较基准，换成与其历史投资风格更相似、且采用全收益口径的晨星计算基准，有近六成基金的超额收益会由正转负。

围绕基金经理能力和运气的问题，我们近日与两位长期深耕量化、指数投资与组合构建的研究者——Andy Clarke和Nelson Wicas——进行了交流。Clarke曾在晨星和Vanguard工作，并曾担任过Vanguard创始人约翰·博格的助理；Wicas则拥有三十多年量化研究和管理经验，他曾参与了Vanguard的量化团队以及研究咨询团队的建立。

在这场访谈中，他们不仅分享了如何区分基金经理的能力与运气，也进一步讨论了组合构建背后的科学和艺术。

下面，让我们一起来看看这场对谈。

Wicas：这就要回到一个问题——如何构建一个风险可控的组合。不管是指数还是主动策略，风险可控都是通往长期成功的关键。说到主动管理型基金，Grinold与Kahn在1994年出版的《Active Portfolio Management》总结下来就一句话：你需要分散下很多很多的小注。

评估主动管理人时，机构投资者基本上都会进行归因分析。他们看历史业绩，看持仓，看哪些持仓赚了钱，然后思考：这些收益，与已知的风险因子暴露能对应上吗？哪些部分真正来自选股，而不是风险因子驱动的回报？如果某段时期的业绩大部分来自某个风险因子的暴露，那很可能只是运气——基金经理恰好在正确的时间站在了正确的位置，那个风险因子恰好表现好，而他只是搭了顺风车。

但如果一套投资流程明确就是在押注某个风险因子，或者是在该风险因子范围内选股，那么这个流程大概率具有一定的可复制性。但你真正要找的，是那种选股确实赚钱、而这份收益又不只是来自某个风险因子的管理人。因为只有在这种情况下，才说明这位管理人是真的在分析过程中挖掘出了独有的信息，在这些信息的驱动下，他下的注开始产生回报。

通常，评估主动管理人时会先做这类分析，然后访谈基金经理，仔细听他讲投资流程，把它与之前的分析对照。这个过程其实本质就是在追问几个问题：这位基金经理知道自己为什么赚钱吗？他清楚自己暴露在哪些因子上吗？他自己分得清哪些是运气、哪些是能力吗？

接下来，根据掌握的信息，你可以尝试对这套策略做定量模拟，看它在更长的时间维度上是否能持续有效。主动基金经理的筛选已经变成一件可以用量化驱动的事，深受学术金融的影响——因为这套方法本身就脱胎于学术金融。

Clarke：作为一个可能没有所有这些分析工具的个人投资者，可以从一只低成本的基金开始，这样你起码在费率上可以不用吃太多亏。然后，你可以试着理解基金经理投资逻辑背后的决策依据——他为什么认为某一类股票会跑赢？你能不能在他的持仓里看到这套逻辑的体现？

这件事可以通过来各种量化的方式做得很严谨，但个人投资者也可以简单地看看这只基金在不同市场环境下的表现。如果是一只价值导向的基金，它在价值风格占优的市场里是否表现不错、在成长风格占优的市场里是否往往落后？业绩特征与他投资风格的一致性也能说明这只基金在做它自己承诺要做的事。作为个人投资者，可以从这里入手。

Wicas：科学的部分显然来自现代投资组合理论的数学框架。但这套理论在实际落地时，最初是彻底失败的，因为它需要高质量的输入——预期收益、方差估计、协方差估计。现代投资组合理论本质上是靠贝塔估计驱动的，输出结果的优劣取决于对这些贝塔预估的准确度。

但早期使用的那些预估方法，生成的贝塔根本没有预测能力。把这种东西塞进均值-方差优化器，不加约束的话，结果就是所有资金都涌进少数几只股票——跟理论的初衷完全背道而驰。

所谓的"艺术"就是从这儿发展起来的。最简单的做法就是加约束——给优化问题加上线性约束，确保行业权重与基准大致匹配，上下留一点偏离空间；确保组合里各类因子的权重与基准一致；确保没有哪只个股相对其在基准中的权重被过度超配或低配。艺术的部分就是这样起步的。

此后又经历了长达几十年的摸索，试图让风险模型真正按预想的方式运转。这中间的学问很深，艺术成分也很多。举个简单的例子：构建量化组合时，你会有一大堆输入数据。每只股票都有来自不同信息源的多种信号，通常会被汇总成一个合成值喂进优化器，然后生成一个组合。但这样做的结果往往是，组合随着时间推移越来越偏向其中少数几个信号。原因是不同信号的底层数据换手速度不一样，换手慢的信号会一直滞留在组合里。你可能输入了一整套分散化的量化信号，最后却得到一个严重集中于少数个股的组合。

这个问题在实践中怎么解决呢？你用优化器建好组合，看自己的选股清单，检查分布在各个行业里的股票，看看他们是否足够分散。有时候需要手动刷新样本。这就是艺术所在——确保喂给组合的样本，以及能持续留在组合里的样本，能真实反映你整体的投资理念。

Clarke：我想是因为他把"别把鸡蛋放在一个篮子里"这种朴素的常识，转化成了一套真正能用的统计框架。有了这套框架，你就能精确测算不同资产的组合方式会如何影响整体的波动率和收益。

他把一条经验法则，变成了一个可以精确操作的工具。而且我认为他引入的第二件重要事情，是把风险理解为不确定性——风险不只是"坏结果"，而是"一系列可能的结果"。这与过去人们看待风险的方式相比，是一次根本性的突破。

我总是会用约翰·伯尔·威廉姆斯作为例子，他是《投资价值理论》这本书的作者。他认识到通用汽车比政府债券风险更高，因此在估算内在价值时，需要用更高的折现率来处理它的现金流。但这个过程最终给你的仍然是一个单一的估值，一个点估计——说这只证券值多少钱。而马科维茨的框架，把风险建模为一系列可能的结果，这是质的转变。

Wicas：在刚才那个关于艺术和科学的问题里我已经提到了一些，局限就在于它本质上还是取决于如何预估贝塔。

在这套理论出现的时候，行业甚至不知道怎么去预估贝塔，或者说当时对贝塔的理解与实际相去甚远。我可以举个例子说明当时存在的难题。比如，先锋以前的首席投资官Gus Sauter在八十年代被聘用时，他的任务就是改善基金的跟踪误差。他研究了Barra的产品，看了各种带自定义风险模型的专业优化工具，评估了各种带自定义风险模型的专业优化工具，看看使用这些产品能达到什么水平的跟踪误差。结果，他们实际做出来的是一个叫"分层抽样器"的东西——把基准拆成各种"桶"，按规模、风格、行业等因子划分，迭代地在每个桶里分配资金选股，直到资金用完，拼凑出一个匹配基准的组合。

虽然它遵循了现代投资组合理论的思想，但这是一个非常不优雅的解决方案。在做的时候，虽然很清楚目标是什么——通过匹配因子暴露来跟踪基准——只是用了完全不同的路径。直到2000年代中期，有了更好的数学方案来解决这些问题，他们才转向更标准的风险模型方法。这应该能让你感受到这个过程是在不断演变的，想要用更"优雅"的数学方案和一个非常简单的做法去实现，是需要花很长的时间。

Clarke：有几个原因。首先，伟大的创新往往需要比我们预期更长的时间才能被广泛接受。就拿电话来说，贝尔1876年发明了电话，但直到1950年代，才真正有一半的美国家庭拥有电话。新技术的普及本来就慢。

具体到指数基金，它起源于学术界，最初支持指数投资的理论依据是有效市场假说，这对很多从业者来说根本难以接受，大概正是这一点拖慢了普及速度。后来，支持指数投资的论据转向了费率。查理·艾利斯早期写过相关文章，博格也在积极倡导。再后来是威廉·夏普那篇标志性的文章《主动管理的算术》，它证明了一个简单的道理：所有投资者作为一个整体，赚到的就是市场平均回报。扣费前，平均的主动管理资金与指数基金能赚到相同的回报；扣费后，由于主动管理费率更高，平均的主动管理资金就会落后于指数基金。这个论证极大推动了指数投资的普及。

最后是业绩数据的长期积累。记得1990年代中期我第一次买指数基金时，心里其实没什么底。当时心想："好吧，大概就能赚到市场回报，也许这就够了，至少不会太差，说不定能跑赢50%出头的同类。"然后时间过了十年、二十年，你去看晨星的评级，会发现这些基金跑赢了80%、90%的同类产品。正是这种年复一年积累起来的实证数据，彻底奠定了指数投资对投资者的说服力。

Clarke：我个人更愿意直接叫它"指数投资"。不过，我理解"被动"这个词为什么流行，因为它和主动管理对比起来很直观——主动管理里，人们要主动决定买卖哪些证券，而被动就不需要。

但问题在于，"说"被动"，会给人一种管理一只指数基金就什么都不用做的错觉，这对构建这些产品所需的全部理论积累和技术创新来说是不够公道的。实际上，管理一只指数基金要做的事情多了去了。背后有深厚的历史和技术积累，即便是日常运营也相当复杂。"指数投资"这个说法至少能打开一扇门，让人愿意去了解背后的那些创新，所以我更倾向于用它。

Wicas：我想补充的是，早年指数基金管理还处在"跟踪误差时代"，基金相对基准的偏离其实可以很大，不同管理人之间的差距也很显著。到了八、九十年代，出现了一股强大的推动力——至少在先锋是这样——要把跟踪误差尽可能压窄。要做到这一点，绝不是什么"被动"，而是极度主动，对每一个细节都要高度关注。

Gus Sauter教我怎么管理指数基金时，他给我看的第一样东西就是现金流预测模型。那时候你可以大概预计有资金会流进整个基金体系，但未必有人能提前通知他说今天会有500万美元要进某只基金。所以他得自己测算出来，因为客户最终也需要会按当天收盘价成交。你必须确保预判到的这500万美元然后提前建仓，否则就会产生跟踪误差。他用历史现金流建了一个回归预测模型，甚至把基金的收益率作为输入变量，因为他知道在那个年代，资金往往在行情好的时候流入。这套预测模型相当复杂，而这只是他整套体系里的一个环节。他还是交易成本分析的早期采用者——他们大概是Plexus那家交易成本分析咨询公司的首批客户之一。

我每月都会和他的团队开会，他们会把上个月所有交易抠到极细，看哪里没达到执行目标。讨论的基本都是当时市场的信号是什么？券商那边传来什么信息？我们为什么那么做？怎么才能持续改进？在我为他工作的那段时间，他的交易最终是赚钱的——实际交易成本低于预算费率，有段时间指数基金甚至在跑赢基准。这全靠对细节近乎苛刻的关注。

还有一件事大家可能知道：当指数调整成分股时，会有大量主动操作，目的是尽量降低基准重构带来的市场冲击。当时团队里有个人叫迈克·比克，我跟他开了一场又一场会。我带着学术视角去，想学习他讲当年打算用什么策略，但最后还是完全没搞懂他是怎么做到的。我一度觉得他就像《陆军野战医院》里的"雷达·奥莱利"——无所不知的消息灵通人物。他把市场上每个人的动向都摸得清清楚楚，然后带着一整套惊人的信息回来驱动我们的决策。亲眼看到这套流程在实战中运转，非常有意思，这也是一个极其主动的过程。

最近二十年，这些理念得到了更广泛的认可，指数基金的跟踪误差也随之收窄。但有意思的是——这种情况实实在在地持续了二十年——先锋的指数基金一直在跑赢业内所有人。这要归功于Gus Sauter和他的团队，归功于他们对细节的极致关注和持续不断的主动管理。

本文节选自晨星美国播客Long View《Andy Clarke and Nelson Wicas: Index Funds Aren’t Really Passive, and Other Lessons for Building a Better Portfolio》，欢迎点击“阅读原文”收听完整节目（英文）。