基金的詹森指数怎么计算的(基金的詹森指数计算例题)

基金的詹森指数怎么计算的？我们一起来看看。首先，这个指数是根据美国股市历史数据得出的，所以不能直接套用，只能参考。詹森指数的定义是：在一个时期内，标普500指数成分股公司的平均市盈率，这个指数可以反映出这个公司的盈利能力，也可以反映出这个公司的估值水平。在过去的十年中，标普500指数的平均市盈率从不到20倍增长到目前的接近50倍，而道琼斯工业平均指数的平均市盈率从不到20倍增长到目前的接近50倍。

大数据基金发展情况：截至2016年11月8日，市场上共有19只大数据基金，其中两只为加入了大数据因子的保本策略基金。这19只中有7只指数型基金与12只主动管理型基金。同时，大数据基金又可分为通过分析市场热度选股与利用电商、互联网数据先选行业再继续选股的基金。

大数据基金收益情况：被动管理的大数据基金中，加入情绪类搜索因子的大数据基金在市场趋势性上涨和反弹时更具优势，同样在市场趋势性下跌与急速下跌时下跌幅度超过同期偏股型基金；震荡区间大部分大数据基金都能跑赢同期股票型基金。加入行业基本面大数据因子的大数据基金如博时淘金大数据100无论是在趋势性下跌、反弹还是震荡时都能跑赢同期股票型基金，仅在2016年1月市场熔断导致的急速下跌是略低于同期股票型基金；博时银智大数据100也在震荡区间内跑赢同期股票型基金。主动管理的大数据基金中，基本面大数据基金中仅东方红京东大数据基金在2016年震荡期间内可以跑赢同期灵活配置型基金。情绪类大数据基金的主动管理型基金成立时间较晚，在2016年年初熔断时期由于大部分基金都处于建仓期因此跌幅小于同期灵活配置型基金，在震荡时期大部分都能跑赢同期灵活配置型基金。

对利用大数据因子进行行业配置的检验：我们将所有偏股型基金的持有行业作为基准计算基本面类大数据基金的行业配置超额收益，从目前的样本上看，采用大数据选取行业的基金能够获取一定的超额收益。

对加入大数据因子的量化模型能否战胜普通量化模型的检验：我们仍旧将2014年以来的行情分为四段：趋势性上涨、趋势性下跌、反弹、急速下跌与震荡。在这五个区间段内，大数据基金与普通量化基金的收益你追我赶呢，区别不大。同时，在2014年11月17日至2016年11月14日区间，刨除掉随机性因素，两类基金无论是夏普比率、詹森指数还是对标沪深300指数的Beta值均不相上下，因此相比之下，两类基金区别不大。

结论：从上述数据上看，首先，通过大数据因子进行行业配置目前几个周期内均能够获取行业配置超额收益，但由于数据量较少，我们还需要后期继续跟踪；其次，对比大数据量化基金和普通量化基金，二者获取阿尔法收益的能力不相上下，并且从上述对比中我们可以看出，大数据基金中，大数据因子的占比仅在三分之一至六分之一之间，因此大数据量化基金能否拥有良好业绩还需要依托基金公司自身的量化能力。大数据的意义在于为量化指标打开了全新的大门，当前量化指标存在一定的滞后性，无法最及时的反应当时市场情况。而采用了大数据指数则可以在一定程度上改善这一情形。虽然就当前的数据上看，大数据的优势并没有显著性突出。我们将继续对大数据基金进行跟踪，观测其在市场较为平稳时候的表现，判断大数据因子能否最终起到优化量化模型、为投资者获得良好收益的能力。

大数据基金兴起于2015年，我们曾在《大数据基金，天使or魔鬼》一文中对大数据基金进了部分研究，因大数据基金成立时间较短，我们只对大数据基金的研究较为基础。如今已是2016年底，大数据基金家族逐渐壮大，我们将在本文对大数据基金进行进一步跟踪与分析。

1.大数据基金收益情况

截至2016年11月8日，市场上共有19只大数据基金，其中两只为加入了大数据因子的保本策略基金。这19只中有7只指数型基金与12只主动管理型基金。同时，大数据基金又可分为通过分析市场热度选股与利用电商、互联网数据先选行业再继续选股的基金。其中，博时招财一号大数据基金和博时招财二号大数据基金为保本型基金，因此我们将不对这两只基金进行分析。

在进行业绩对比时，我们将被动管理型大数据基金与股票型基金进行对比，从中可以发现，利用大数据选行业的博时淘金大数据100无论是在趋势性下跌、反弹还是震荡时都能跑赢同期股票型基金，仅在2016年1月市场熔断导致的急速下跌是略低于同期股票型基金；博时银智大数据100也在震荡区间内跑赢同期股票型基金。

利用搜索因子选股的基金则更在市场趋势性上涨和反弹时更具优势，同样在市场趋势性下跌与急速下跌时下跌幅度超过同期偏股型基金；震荡区间大部分大数据基金都能跑赢同期股票型基金。

主动管理型大数据基金大部分为灵活配置型基金，因此我们将他们与灵活配置型基金进行业绩对比。在2015年年中股市巨幅波动与2016年年初股市急速下跌时，通过大数据选择行业配置的基金中无论是天弘云端生活优选还是东方红京东大数据基金都跑输同期灵活配置型基金，在2015年四季度反弹时期，两只基金也跑输同期灵活配置型基金，但东方红京东大数据基金在2016年2月以来的震荡区间内能够跑赢同期灵活配置型基金。

利用搜索因子选股的主动管理型基金成立时间较晚，在2016年年初熔断时期由于大部分基金都处于建仓期因此跌幅小于同期灵活配置型基金，在震荡时期大部分都能跑赢同期灵活配置型基金。

2.检验一：大数据行业指数能否起到优选行业的作用

我们计算了博时淘金100、天弘云端生活优选和东方红京东大数据的行业配置超额收益，——我们将所有偏股型基金的持有行业作为基准计算其超额收益。其中，天弘云端生活在2015年二季度的行业配置超额收益为8.97%；2015年四季度，博时淘金100、天弘云端生活和东方红大数据的行业配置超额收益分别为7.57%、11.28%、0.73%；2016年二季度三只基金的行业配置超额收益分别为0.05%、3.34%和1.46%。从目前的样本上看，采用大数据选取行业的基金能够获取一定的超额收益。但由于样本量较少，我们还将继续跟踪这类基金的行业配置超额收益。

3.检验二：加入大数据因子的量化基金能否战胜传统量化基金

传统的量化选股因子包括：宏观指标、价值因子、成长因子、基本面因子和市场因子，价值因子考虑市盈率（PE）、市净率（PB）、市现率（PCF）、股息率、净资产收益率（ROE）等指标；成长因子考虑主营收入增长率、净利润增长率、预期每股收益（EPS）、预期每股收益（EPS）增长率、PEG等指标；基本面因子考虑销售毛利率、息税前利润/营业总收入、营业总成本/营业总收入、总资产周转率等指标；市场因子考虑个股收益率。还有部分传统量化模型会考虑资金流动因素。

大数据因子则包括：搜索因子、大数据基本面因子等。如下表所示，大数据选股因子并非大数据基金的全部选股逻辑，大数据基金的量化模型是在传统量化选股模型的基础上加入了搜索因子，搜索因子的占比为三分之一至五分之一不等。

大数据基本面因子则是在传统的行业模型中加入了电商数据，通过电商数据综合评估行业景气程度，对所投资行业进行判断，随后加入自身的量化选股模型最终选出成分股进行投资。

我们将对比加入大数据因子的量化基金与传统量化基金，用于测算加入大数据因子量化基金是否更加有效。

为检验大数据因子之后量化模型是否更加有效，我们对比了各时间段内的跟踪大数据指数基金和普通量化基金的收益情况。如上文，我们仍旧将2014年以来的行情分为四段：趋势性上涨、趋势性下跌、反弹、急速下跌与震荡。在这五个区间段内，大数据基金与普通量化基金的收益你追我赶，区别较小。

我们继续计算大数据指数基金和普通量化型基金的综合指标：Sharpe、Jenson、对标沪深300指数的Beta值。从图2至图4中可以看出：在2014年11月17日至2016年11月14日区间，刨除掉随机性因素，两类基金无论是夏普比率、詹森指数还是对标沪深300指数的Beta值均不相上下，因此相比之下，两类基金区别不大。

4.结论

我们共对大数据基金做了两项检验：通过大数据因子进行行业配置是否能够带来行业配置超额收益，以及加入大数据因子的量化基金能否战胜普通量化基金。从上述数据上看，首先，通过大数据因子进行行业配置目前几个周期内均能够获取行业配置超额收益，但由于数据量较少，我们还需要后期继续跟踪；其次，对比大数据量化基金和普通量化基金，二者获取阿尔法收益的能力不相上下，并且从上述对比中我们可以看出，大数据基金中，大数据因子的占比仅在三分之一至六分之一之间，因此大数据量化基金能否拥有良好业绩还需要依托基金公司自身的量化能力。

就大数据基金投资策略上看，加入搜索因子的情绪类大数据基金作为高Beta基金，适合市场上涨区间，行业景气类大数据基金净值波动幅度低于市场情绪类大数据基金，适合投资回归基本面时。

正如我们之前所说，大数据的意义在于为量化指标打开了全新的大门，当前量化指标存在一定的滞后性，无法最及时的反应当时市场情况。而采用了大数据指数则可以在一定程度上改善这一情形：采用搜索因子可掌握投资者情绪，采用电商数据可实时得知各行业动向，两种大数据都可做到预测未来市场情况。自2015年以来股市波动较大，投资者风险偏好变化较大，就当前的数据上看，大数据的优势并没有显著性突出。我们将继续对大数据基金进行跟踪，观测其在市场较为平稳时候的表现，判断大数据因子能否最终起到优化量化模型、为投资者获得良好收益的能力。

扫描下方二维码，关注金融界基金