基于期望效用-熵模型的基金評級方法及其在中國基金評級中的應用

楊繼平，石晨曉，Daniel CHIEW，Judy QIU，Sirimon TREEPONGKARUNA

(1.北京航空航天大學經(jīng)濟管理學院，北京 100191；2.西澳大利亞大學商學院，珀斯 6009)

1 引言

截至2016年7月底，我國共有開放式基金2965只，基金凈值達79806.03億元，開放式基金只數(shù)占全部基金只數(shù)的93.27%(數(shù)據(jù)來源于中國證券投資基金業(yè)協(xié)會)，成為證券市場中的重要組成部分。開放式基金，由于其投資便利、風險適中，以及收益穩(wěn)健等特點，吸引著越來越多的普通投資者，逐漸成為當前的主要投資品種。在眾多基金中，投資者選擇投資哪些基金就顯得非常重要。隨著基金規(guī)模的快速擴大，眾多基金評級機構(gòu)提供的基金評級結(jié)果可以幫助投資者進行決策。但是，這些基金評級結(jié)果只有基金歷史評級對未來業(yè)績具有預測性時，對投資者才具有參考價值。

現(xiàn)在國內(nèi)外主要的基金評級方法有晨星、理柏(Lipper)和Zacks評級，使用風險調(diào)整后收益對基金劃分星級，對于基金評為5星到1星。這其中，晨星評級是最有影響力的基金評價方法，被認為是投資者在選擇共同基金時最重要的量化參考指標[1]。共同基金較高的評級往往意味著更好的業(yè)績[2]。Del Guercio和Tkac[3]研究得到當共同基金的晨星評級提高后，共同基金會獲得正向的現(xiàn)金流，反之會獲得負向的現(xiàn)金流；即投資者資金投向星級提高的基金，流出星級降低的基金，這表明投資者以基金評級作為基金業(yè)績表現(xiàn)的重要依據(jù)。國內(nèi)學者王擎等[4]研究也證實明星基金的正向現(xiàn)金流入要大于非明星基金。這些研究表明投資者相信這些基金評級結(jié)果包含關(guān)于基金未來業(yè)績的重要信息。然而，進一步研究表明晨星評級提供的基金業(yè)績預測能力較小，而且不能夠很好區(qū)分評級星級較高基金和普通基金的差別。如Sauer[5]對于1976-1992年美國所有晨星評級的共同基金的研究表明以投資為目標的基金業(yè)績的持續(xù)性不明顯，在這種意義上基金前一期的業(yè)績對后期業(yè)績參考價值較小。Blake和Morey[6]以1992-1997年期間美國的股票基金作為樣本，使用虛擬變量回歸來評估基金評級的預測能力，結(jié)果表明晨星評級可以預測低評級基金的表現(xiàn)，高評級和中等評級基金的基金業(yè)績沒有明顯差異。同樣的，Gerrans[7]也指出盡管大部分的投資者進行投資時主要依據(jù)晨星評級的結(jié)果，但事實是在短期內(nèi)，基金評級結(jié)果缺乏預測能力，高評級的基金與低評級基金沒有明顯差異。Füss等[8]研究了德國晨星評級的預測能力，Sah等[9]研究了美國房地產(chǎn)共同基金市場晨星評級的預測能力，Watson等[10]研究澳大利亞的超級年金，研究結(jié)果均表明晨星評級最多可以預測低評級基金的表現(xiàn)。

由于基金評級作為投資者決策的初始參考信息，基金評級結(jié)果缺乏預測能力對于投資者的參考價值得到質(zhì)疑[1]。另外，Lisi和Caporin[11]分析了晨星風險調(diào)整后收益(Morningstar risk-adjusted return，MRAR)對于風險描述的情況。MRAR以期望效用理論為基礎(chǔ)，可能沒有考慮到基金面對的適當比例的風險，而忽略了基金本身的風險和投資者的偏好。晨星評級對于風險的不適當調(diào)整可能源于其評級依賴于期望效用理論。期望效用理論是一種被廣泛接受的理性風險決策方法，但期望效用理論沒有給出風險和回報的明確度量方法[12]。而Allais悖論指出期望效用理論不能描述表示人們進行風險決策時的偏好[13]。Kahneman和Tversky[14]也指出人們在實際決策時偏離期望效用理論描述的行為。

Shannon信息熵可以度量一個風險投資決策的不確定性[15]。Yang Jiping和Qiu Wanhua[16]將信息熵引入風險型決策理論中，提出了期望效用-熵(EU-E)模型，該模型將期望效用和信息熵結(jié)合起來，可以更加準確地描述決策者對于風險的感知；并證明了在一定條件下可以解決不能用均值-方差模型合理解決的風險型決策問題，且可以解釋Allais悖論等。Yang Jiping和Qiu Wanhua[17]改進了EU-E模型，使得模型在某些條件下具有一定的規(guī)范性質(zhì)，運用這種模型可以直觀地解釋展望理論中的確定性效應等決策問題。Yang Jiping等[18]進行了實證方面的研究，應用EU-E模型對股票進行篩選，研究結(jié)果顯示利用EU-E模型優(yōu)于利用期望效用模型選擇股票進行投資組合優(yōu)化的結(jié)果。另外，作為不確定性度量的Shannon熵也被采用在各種金融模型中的風險度量。Ormos和Zibriczky[19]研究得到在度量金融風險時發(fā)現(xiàn)Shannon熵具有優(yōu)于標準差和β系數(shù)的特性。Caraiani[20]研究發(fā)現(xiàn)熵可以預測市場的動態(tài)變化，顯示熵在預測基金業(yè)績方面具有重要的特性。

針對晨星評級的上述考慮風險調(diào)整和預測能力不足的缺陷，Chiew等[21]提出期望效用-熵(EU-E)模型對基金進行評級的方法，并在美國基金市場上進行了實證研究。在本文中，我們將進一步研究該基金評級方法在中國基金市場中的適用性。我們首先對基金進行評級，并利用固定效應面板數(shù)據(jù)回歸方法研究基于期望效用-熵模型基金評級的基金業(yè)績預測能力；分別采用Sharpe指數(shù)、Jensen、Fama-French三因素和Carhart四因素α等四個不同的風險調(diào)整業(yè)績指標作為度量基金的業(yè)績預測指標。進一步，我們對基于期望效用-熵的基金評價方法和晨星評級利用這四個指標進行預測能力比較；具體采用2011年2月1日到2016年6月30日期間中國的261只開放式基金為研究樣本。

2 基于期望效用-熵模型的基金評級方法

本文首先介紹期望效用-熵模型[16-17]，以及基于期望效用-熵模型的基金評級方法如下[21]。

(1)

式中，λ∈[0,1]為常數(shù)，Ha(θ)表示行動方案a對應狀態(tài)的熵，X(a,θ)表示行動方案a在狀態(tài)θ下所能產(chǎn)生的后果(收益或損失)。

在期望效用-熵風險度量中，期望效用反映決策者的主觀偏好，熵度量風險行動對應狀態(tài)的客觀不確定性。期望效用-熵風險度量通過系數(shù)λ將兩部分結(jié)合起來，將決策者對于風險的感知表示為風險行動的期望效用和狀態(tài)的熵線性組合。

在定義中，λ表示決策者對于所面臨決策問題的主觀期望效用和決策行動對應狀態(tài)的客觀不確定性大小的平衡系數(shù)，它隨著決策者不同而不同，稱為決策行動的期望效用-熵平衡系數(shù)。當決策者希望決策結(jié)果的期望效用的確定性程度的影響大時，也即決策結(jié)果的不確定性對行動方案影響小時，λ接近于0；如果希望期望效用的確定性程度有完全影響時，λ=0；此時期望效用-熵模型的風險度量與期望效用模型一致。當決策者希望決策的期望效用的確定性程度的影響小時，也即決策結(jié)果的不確定性對行動方案影響較大時，λ接近于1。當每個行動對應的狀態(tài)有相同的分布時，即每個行動方案a對應的狀態(tài)θ的熵都相同，此時狀態(tài)θ的熵對于決策行動的選擇無影響。

投資者選擇基金進行投資實際上是風險型決策問題，假設(shè)投資者從m只基金中選擇部分績優(yōu)基金進行投資，我們基于期望效用-熵模型風險度量方法對基金進行排序或評級，然后再進行選擇。具體地，本文應用如下基于期望效用-熵的基金評級方法。

由概率分布，可得投資基金Si的規(guī)范化熵為：

(2)

其規(guī)范化期望效用為：

EU(ai)

(3)

根據(jù)期望效用-熵模型風險度量方法，得到投資基金Si的行動方案ai的期望效用-熵風險為：

(4)

將投資基金Si的期望效用與公式4定義的風險相減得到第i只基金Si的凈期望效用為：

NetEU(ai)=EU(ai)-R(ai)

(5)

凈期望效用反映了決策者考慮了行動方案的不確定的情況下，得到的經(jīng)過期望效用-熵風險調(diào)整后凈效用。該凈效用既考慮期望效用，又考慮到期望效用-熵風險度量因素，進行調(diào)整后期望效用相對可以取得較大權(quán)重。

對于行動方案a1和a2，如果NetEU(a1)>NetEU(a2)，則行動方案a1優(yōu)于行動方案a2；即凈期望效用越高，行動方案越優(yōu)。根據(jù)凈期望效用對基金進行排名評級。不同于Chiew等[21]中利用多個樣本期基金凈期望效用排名的加權(quán)平均，本文采用3年期基金凈期望效用，使用與晨星評級相同的分位數(shù)給予當月排名后的基金5星到1星級的評級，即排序在前10%的基金評為5星級；在接下來的22.5%評為4星級；中間的35%評為3星級；隨后的22.5%評為2星級；最后的10%評為1星級。

3 基金評級預測能力評價的面板數(shù)據(jù)回歸模型

在對基金業(yè)績表現(xiàn)的評價上，本文主要采用Sharpe指數(shù)、詹森α、Fama-French三因子α和Carhart四因子α四大經(jīng)典風險調(diào)整業(yè)績評價指標進行中國基金業(yè)績表現(xiàn)的衡量與檢驗[22-24]。Sharpe指數(shù)是用來計算風險調(diào)整后收益的經(jīng)典業(yè)績評價指標[25]。詹森α是1968年詹森在對美國共同基金的業(yè)績進行研究后，基于資本資產(chǎn)定價模型(CAPM)提出的基金業(yè)績評價指標[26]。隨后，F(xiàn)ama和French[27]提出使用上市公司的市場收益率因素、規(guī)模因素和賬面市值比可以解釋證券回報率的差異。Carhart四因子模型是在三因子模型的基礎(chǔ)上加入了動量因子，其研究發(fā)現(xiàn)證券的動量效應對基金業(yè)績有非常明顯的影響，因此，首先將證券的動量效應納入了基金業(yè)績的考察之中[28]。

使用面板數(shù)據(jù)模型來評估EU-E模型評級和晨星評級的預測能力，Sharpe指數(shù)、詹森α、Fama-French三因子α和Carhart四因子α分別作為被解釋變量，評級結(jié)果作為解釋變量。我們擬合以下回歸模型：

Si,t+1=δ5+δ4D4it+δ3D3it+δ2D2it+δ1D1it+εit

(6)

其中，Si,t+1為基金i在樣本外t+1期的業(yè)績評價指標；D4it，D3it，D2it，D1it為虛擬變量，如果基金i在t期分別被評為4，3，2，1星級，則取值為1，否則為0；i=1, 2, …,N，N是每個樣本中的基金個數(shù)；t=1, 2, …,M，其中M是每個樣本中的月數(shù)。

系數(shù)δ5對應于5星級基金的業(yè)績。因此，其余虛擬變量的系數(shù)表示對應的星級類別相對于5星級基金的業(yè)績。例如，如果δ4為負，這表明在該樣本期，4星級基金平均表現(xiàn)低于5星級基金。因此，如果基金評級結(jié)果具有良好的預測能力，那么評級越高的基金對應的系數(shù)應該越大，即我們應該觀察到δ1<δ2<δ3<δ4<0<δ5。

對于面板回歸模型，選擇合適的估計方法很重要。靜態(tài)面板回歸模型有三種估計方法，即混合回歸模型、固定效應模型和隨機效應模型。本文使用F檢驗和Hausman檢驗來確定模型的估計方法[29-30]。

F檢驗用于確定模型是混合回歸模型還是固定效應模型。相對于一般線性回歸模型，混合回歸模型可以有效地擴大樣本容量，增強估計的有效性。在面板數(shù)據(jù)在時間和橫截面?zhèn)€體之間均無顯著性差異的假設(shè)成立的前提下，混合回歸模型比固定效應模型估計的效率高。F檢驗的原假設(shè)為：相對于固定效應模型，混合回歸模型更有效。F檢驗的統(tǒng)計量如下所示：

(7)

(8)

Hausman檢驗統(tǒng)計量漸進服從于自由度為k的χ2分布，若在置信水平下接受原假設(shè)，則使用隨機效應模型來估計；否則，采用固定效應模型。

4 基于期望效用-熵模型和晨星基金評級的業(yè)績預測能力

4.1 樣本選取及基本統(tǒng)計分析

4.1.1 樣本選取及基本統(tǒng)計分析

晨星評級公司目前為國內(nèi)的開放式基金提供評級，不對貨幣市場基金、保本基金、其它基金、QDII行業(yè)股票基金進行評級。同時，只對存在時間在三年或三年以上的基金進行晨星評級。對于同類基金數(shù)量少于10只的類別，不公開發(fā)布其評級結(jié)果，因此本文計算基金三年的評級結(jié)果。晨星評級結(jié)果從銳思數(shù)據(jù)庫直接獲得。搜集銳思數(shù)據(jù)庫里基金的月度收益數(shù)據(jù)進行編程計算得到EU-E模型的評級結(jié)果。

為了比較EU-E模型評級和晨星評級的預測能力，使用面板數(shù)據(jù)模型來分析基金評級結(jié)果的預測能力，并使用了Sharpe指數(shù)、Jensen、Fama-French三因素和Carhart四因素α四個不同的風險調(diào)整業(yè)績指標來衡量基金的業(yè)績。在計算每項指標時，按照Füss等[8]和Watson等[10]的計算方法，對于樣本期內(nèi)每只基金，對其每個月之前三年的數(shù)據(jù)進行滾動OLS回歸得到基金業(yè)績評價指標。為了計算這些業(yè)績評價指標，從銳思數(shù)據(jù)庫收集了以下數(shù)據(jù)：無風險利率、市場溢酬因子(Rm-Rf)，市值因子(SMB)，賬面市值比因子(HML)和動量因子(MOM)。其中Shibor自2007年正式推出以來，在貨幣市場和金融產(chǎn)品定價中的基準作用得到了有效發(fā)揮，因此使用上海銀行間3個月同業(yè)拆放利率作為無風險利率。

為了計算基金的業(yè)績評價指標，在連續(xù)評級3年以上的642只基金中尋找月度收益數(shù)據(jù)長度大于等于101個月的基金，按照這一標準篩選后，我們獲得了從2011年2月1日到2016年6月30日包含261支開放式基金的樣本。對樣本中261只基金從2011年2月1日到2016年6月30日的基金月度收益率序列進行基本統(tǒng)計分析，結(jié)果如表1所示。

整個樣本期的月度收益率偏度為-0.3358，峰度為4.8754，表明基金收益不服從正態(tài)分布。同時，JB統(tǒng)計量為1378.10，整個樣本期的月度收益是非正態(tài)分布的。傳統(tǒng)的風險測量指標都要求收益率服從正態(tài)分布，而熵的使用是不需要已知樣本收益的分布，這也可以在一定程度說明了我們使用EU-E模型的合理性。

表1 基金月度收益率序列基本統(tǒng)計特征

如表2所示，為保證計算結(jié)果的穩(wěn)健性，我們將總的樣本劃分為一、三和五年期的子樣本來評估基金評級在短期、中期以及長期的預測能力。為了盡可能的使用樣本的信息，我們將樣本期劃分如下。

表2 子樣本期劃分

4.1.2 基金業(yè)績評價指標的相關(guān)性分析

Eling和Schuhmacher[31]研究結(jié)果表明選擇何種業(yè)績評價指標不會影響對沖基金的排名。即使資產(chǎn)收益分布不服從正態(tài)分布，這些業(yè)績評價指標也可以用來評估資產(chǎn)的業(yè)績。如前所述，本文計算了四種基金業(yè)績的評價指標，進一步計算業(yè)績評價指標的Pearson相關(guān)性來考查不同的業(yè)績評價指標分別作為被解釋變量對基金評級結(jié)果回歸的穩(wěn)健性。表3顯示了基金業(yè)績評價指標的Pearson相關(guān)性。與Eling和Schuhmacher[31]的研究結(jié)果一致，各個業(yè)績評價指標之間都存在很強的正相關(guān)性，因此在進行評級結(jié)果的預測分析中，我們列出的Sharpe指數(shù)作為被解釋變量的回歸結(jié)果是具有代表性的。

表3 四種樣本業(yè)績評價指標的Pearson相關(guān)性

4.2 基于期望效用-熵模型評級結(jié)果的預測能力

我們首先對EU-E模型結(jié)果的預測能力進行分析。本文選取效用函數(shù)為線性函數(shù)，研究λ值從0到1連續(xù)變化時基于EU-E模型的評級結(jié)果和晨星評級結(jié)果的相關(guān)性。特別地，為了說明λ值從0到1連續(xù)變化時EU-E模型的評級結(jié)果和晨星評級結(jié)果之間的相關(guān)性，以三年期樣本為例，以半年期為時長滾動得到5個三年期樣本，對λ從0到1連續(xù)變化的情況下，基于EU-E模型與晨星基金評級結(jié)果的Spearman秩相關(guān)系數(shù)如圖1所示：

圖1 基于EU-E模型與晨星基金評級結(jié)果的Spearman秩相關(guān)系數(shù)

在5個不同的三年期樣本中，基于EU-E模型與晨星的基金評級結(jié)果的Spearman秩相關(guān)系數(shù)隨著λ取值的變化，秩相關(guān)系數(shù)變化趨勢大致相同。從圖1可以看到，Spearman秩相關(guān)系數(shù)隨λ值的增加而增加，且增加一定值后開始降低?；谶@種相關(guān)性的變化，我們主要研究當λ=0.25和λ=0.75時基于EU-E模型與晨星基金評級的比較。

首先研究EU-E(λ=0.25)模型基金評級結(jié)果的預測能力。F檢驗和Hausman檢驗的結(jié)果均顯示Sharpe指數(shù)作為被解釋變量，EU-E(λ=0.25)模型基金評級結(jié)果作為解釋變量的15個面板回歸應采用固定效應回歸模型，回歸結(jié)果如表4所示。

首先，系數(shù)δ5在所有子樣本中都是正的，這表明EU-E(λ=0.25)模型的5星級基金在所有子樣本都獲得了正的風險調(diào)整后收益。此外，系數(shù)δ4到δ1均顯著，全部為負值且絕對值越來越大，即隨著基金評級下降，基金的收益也隨之下降。這意味著基于EU-E(λ=0.25)模型的基金評級結(jié)果具有顯著的預測基金未來表現(xiàn)的能力。

表4 基于Sharpe指數(shù)為被解釋變量的EU-E(λ=0.25)基金評級的面板回歸結(jié)果

注：OBS代表觀測值的個數(shù)，括號里是變量的標準差?！?**’、‘**’、‘*’分別表示0.01、0.05、0.1水平下系數(shù)的統(tǒng)計學顯著性。固定效應面板回歸結(jié)果不對常數(shù)項進行顯著性檢驗。

進一步研究EU-E(λ=0.75)模型基金評級結(jié)果的預測能力。F檢驗和Hausman檢驗的結(jié)果均顯示Sharpe指數(shù)作為被解釋變量，EU-E(λ=0.75)基金評級作為解釋變量的15個面板回歸應該使用固定效應模型。

與基于EU-E(λ=0.25)的基金評級結(jié)果類似，基于EU-E(λ=0.75)模型的基金評級可以預測最高評級的基金，在所有子樣本中獲得正的風險調(diào)整后收益。此外，回歸結(jié)果也呈現(xiàn)出從δ4到δ1的顯著的且越來越負的關(guān)系，這意味著基于EU-E(λ=0.75)模型的基金評級，具有顯著的預測未來基金表現(xiàn)的能力。

4.3 晨星基金評級結(jié)果的預測能力

F檢驗的結(jié)果顯示，Sharpe指數(shù)作為被解釋變量，晨星基金評級結(jié)果作為解釋變量的15個面板回歸采用固定效應回歸模型好于混合回歸模型，Hausman檢驗的結(jié)果顯示隨機效應回歸模型好于固定效應回歸模型，回歸結(jié)果如表5所示。

表5 基于Sharpe指數(shù)為被解釋變量的晨星基金評級的面板回歸結(jié)果

注：OBS代表觀測值的個數(shù)，括號里是系數(shù)的標準差。 ‘***’、‘**’、‘*’分別表示0.01、0.05、0.1水平下系數(shù)的統(tǒng)計學顯著性。

系數(shù)δ5表示樣本期5星級基金的業(yè)績。每個虛擬變量的系數(shù)表示對應的星級類別相對于5星級基金的表現(xiàn)。例如，2011年2月到2012年1月的一年期子樣本中，δ4為-0.020，該系數(shù)表明，在2011年2月到2012年1月期間，4星級基金平均獲得的風險調(diào)整后收益比5星級基金少了2.0%。另外，系數(shù)δ3為-0.000，系數(shù)δ2為0.006，系數(shù)δ1為-0.007。這表明2星級基金表現(xiàn)最好，勝過1星級、3星級、4星級和5星級基金，即晨星基金評級結(jié)果在該樣本中并沒有表現(xiàn)出應有的預測能力。

4.4 EU-E模型與晨星基金評級結(jié)果的預測能力比較

對于樣本期分別為一年、三年和五年共15個樣本期，以四個不同業(yè)績評價指標分別作被解釋變量的EU-E模型和晨星基金評級的預測能力結(jié)果進行總結(jié)。

在研究的15個樣本期，以四個不同業(yè)績評價指標分別作被解釋變量的60次回歸模型中，基于EU-E(λ=0.25)和EU-E(λ=0.75)模型的基金評級結(jié)果滿足δ1<δ2<δ3<δ4<0<δ5的次數(shù)均達到60次，即這兩個模型都具有良好的預測能力；而晨星基金評級預測能力較弱。

基于EU-E(λ=0.25)和EU-E(λ=0.75)模型的基金評級在不同樣本期都可以預測基金未來業(yè)績，即研究結(jié)論對于一年、三年和五年的樣本期都是穩(wěn)健的。而對于不同的樣本期，晨星評級雖有一定預測能力，但是預測能力均較弱。這與Blake和Morey[6]，Gerrans[7]，F(xiàn)üss等[8]，Sah等[9]以及Watson等[10]得到的晨星評級的預測能力很弱的研究結(jié)果相符合。

我們進一步分析基于EU-E模型和晨星基金評級方法區(qū)分不同星級基金表現(xiàn)的能力。利用模型對5星級基金預測業(yè)績時，因為δ5表示研究樣本期內(nèi)5星級基金的預測業(yè)績，因此基于EU-E模型預測能力優(yōu)于晨星評級的特征為δ5，EU-E>δ5,晨星。對于4星到1星基金預測業(yè)績能力，由于每個被評為4星到1星的虛擬變量的系數(shù)表示被評為對應星級的基金低于5星級基金的預測業(yè)績的差。因此，不同星級之間預測業(yè)績的差值越大說明基金評級方法區(qū)分基金預測業(yè)績的能力越強。這樣，我們優(yōu)先選取被評為4星到1星的基金相對于其上一級的基金預測業(yè)績的差值較大的模型。據(jù)此，被評為3星到1星級的基金的EU-E模型優(yōu)于晨星評級定義為：EU-E模型某一星級與前一星級的預測業(yè)績之差大于晨星基金評級對應的星級預測業(yè)績之差。例如考慮3星級基金預測業(yè)績時，EU-E模型評級優(yōu)于晨星評級意味著δ4,EU-E-δ3,EU-E>δ4，晨星評級-δ3，晨星評級。

在以四個不同的業(yè)績評價指標分別作為被解釋變量情況下，基于EU-E(λ=0.25)和EU-E(λ=0.75)模型的基金評級結(jié)果與晨星評級各星級基金業(yè)績比較如表6所示。每個模型進行的回歸總數(shù)是60，考慮了一、三和五年的子樣本和四個不同的被解釋變量。

表6結(jié)果顯示，在考慮5星級基金表現(xiàn)時，在全部的60個回歸結(jié)果中，EU-E(λ=0.25)、EU-E(λ=0.75)均優(yōu)于晨星評級。在考慮1-4星級基金表現(xiàn)時，EU-E(λ=0.25)、EU-E(λ=0.75)也優(yōu)于晨星評級，即EU-E模型評級可以更好地區(qū)分不同星級基金的業(yè)績。

表6 基于EU-E模型與晨星兩種基金評級模型面板回歸的預測能力比較

5 結(jié)語

對于基金過去的業(yè)績，市場上現(xiàn)有的晨星評級方法可以給予客觀的評價，但不能預測基金未來的業(yè)績。但投資者進行決策時不可避免地要考慮基金評級結(jié)果對于基金未來業(yè)績的預測能力。本文利用EU-E模型進行基金評級，得到了2011年2月1日到2016年6月30日期間，261只基金，共65個月的16965個基金評級數(shù)據(jù)。接下來使用面板數(shù)據(jù)模型來評估EU-E(λ=0.25)、EU-E(λ=0.75)模型評級結(jié)果和晨星基金評級的預測能力。

在研究的一、三和五年共15個不同樣本期，λ取值為0.25和0.75的EU-E模型評級都具有良好的基金業(yè)績預測能力，而晨星評級預測能力較弱。同時EU-E(λ=0.25)、EU-E(λ=0.75)模型評級的5星級基金業(yè)績優(yōu)于晨星評級對應的基金業(yè)績，EU-E(λ=0.25)和EU-E(λ=0.75)模型相比于晨星評級可以更好地區(qū)分不同星級基金的業(yè)績。研究結(jié)論對于一年、三年和五年的樣本期都是穩(wěn)健的。