基金窗口粉饰行为的定量识别与FOF投资应用

内容目录一、引言 4二、基金窗口粉饰行为的定量识别框架 6基金行为定量识别：窗口粉饰强度指标构建 6基金HER因子绩效检验 10先行风险指标：预警&监测 15三、指标在FOF投资中的实战应用 基金池的优化排雷 18基于HER因子的选基组合 22四、本文总结 图表目录图1：历史各期业绩因子RankIC（区间：2015/1/1-2025/12/31） 4图2：历史分段业绩因子RankIC均值（区间：2015/1/1-2025/12/31） 5图3：历史分段业绩因子ICIR（区间：2015/1/1-2025/12/31） 5图4：TRG计算示意图 6图5：HRG计算示意图 7图6：HER计算示意图 7图7：三种方案的对比 8图8：窗口粉饰基金案例：某基金净值显著跑输前推模拟股票组合 9图9：窗口粉饰基金案例：某基金重仓股组合报告期后显著跑输报告期前 9图10：窗口粉饰基金案例：某基金重仓前期强势股之股票后表现不佳 10图11：窗口粉饰基金案例：某基金显著跑输业绩比较基准 10图12：HER因子5分组净值曲线（区间：2014/11/5-2024/12/31） 11图13：HER因子5分组年化收益率（区间：2014/11/5-2024/12/31） 11图14：采样后60日平均收益对比（计算区间：2014/11/5-2024/12/31） 12图15：基金HER因子RankIC序列（计算区间：2014/11/5-2024/12/31） 12图16：分不同基金域内的因子绩效（计算区间：2014/11/5-2024/12/31） 13图17：前推半年平均收益率（区间：2014/11/5-2024/12/31） 13图18：前推半年平均最大回撤（区间：2014/11/5-2024/12/31） 13图19：窗口粉饰组与逆向低调组的选股能力对比（计算区间：2014/11/5-2024/12/31）........................................................................................................................................................................14图20：基金HER因子与其他基金因子的相关系数 14图21：基金窗口粉饰指标节点示意图 15图22：历史收益较差分组的粉饰基金占比较高 15图23：历史回撤较大分组的粉饰基金占比较高 16图24：基金分组规模与粉饰基金占比负相关 16图25：基金分组超额波动率与粉饰基金占比正相关 17图26：DPI与HVZ联合分组的高粉饰基金占比九宫格 17图27：交易发生时点分布概率 18图28：窗口粉饰行为识别框架总览图 18图29：基金池动态优化机制流程图 19图30：动态优化机制处理后基金池历史净值曲线对比（区间：2015/1/5-2025/12/31）19图31：经动态优化机制处理的基金池年化收益率对比（区间：2015/1/5-2025/12/31）20图32：五维基金评价指标 图3310（2013/1/28-2026/2/27）........................................................................................................................................................................21图34：多因子选基策略（计算区间：2013/1/28-2026/2/27） 21图35：基础池优化后策略超额有稳健提升（测算区间：2015/1/1-2025/12/31） 21图36：各调仓时点因基金池优化而触发的需更换基金数量 223720组合&20组合历史净值曲线（区间：2013/2/4-2026/3/6）........................................................................................................................................................................23表1：分年度超额提升幅度（区间：2015/1/1-2025/12/31） 22表2：基金组合分年度表现（区间：2013/2/4-2026/3/6） 23一、引言基金领域的信息披露质量与投资决策透明度问题日益凸显，识别基金窗口粉饰行为对FOF投资研究具有重要意义。窗口粉饰（owDressing）作为基金管理中典型的委托-代理问题，不仅扭曲了基金真实投资策略的连续性，更损害了投资者的知情权和长期利益，加剧了资本市场的信息不对称。FOF投资者常常依赖 披露的持仓股信息构建指标评价基金经理的投资能力而粉饰后的持仓组合无法真实反映其真实的投资策略。窗口粉饰行为具有隐蔽性即便具备信息优势的机构投资者亦难以通过传统调研识别，导致FOF投资者可能系统性低估底层资产风险，扭曲资产配置决策。基金的窗口粉饰行为或许并非个例，而是广泛存在于公募基金之中的一类现象，下文测算结果进一步印证了该猜想。公募基金业绩持续性存在季度非对称效应公募基金业绩的可预测性一直以来是学术界与实务界持续关注的核心议题。在对2015年以来偏股型基金季度业绩的持续性检验中，我们发现了一个异常现象：季度业绩相关性呈现显著的非对称周期特征。即基金业绩持续性并非均匀分布，滚动用3个季度业绩预测下1季度业绩，发现预测Q2和Q4的效果显著优于Q1和Q3。RankIC31个季度业绩的相（Q1-Q3）业绩与第四季度（Q4）的秩相关系数高达0.13，而且前一年Q3至当年Q1的业绩与第二季度（Q2）相关性亦达0.11；然而，相同测算方式下基金过去业绩与Q1业绩的相关系数仅为-0.02，与Q3业绩的相关系数仅为0.02，统计上不显著。这一结果表明，基金业绩的持续性并非均匀分布，而是集中在半年度报告期之前的特定窗口期。图1：历史各期业绩因子RankIC（区间：2015/1/1-2025/12/31）基金过去3个季度业绩与未来1个季度业绩的RankIC预测Q1 预测Q2 预测Q3 预测Q40.500.400.300.200.102015Q12015Q32015Q12015Q32016Q12016Q32017Q12017Q32018Q118Q319Q320Q120Q321Q121Q322Q12023Q12023Q32024Q12024Q32025Q12025Q3-0.10-0.20-0.30-0.40-0.50-0.602（RankIC均值20.110.020.100.080.060.040.020.00

0.13

预测Q1 预测Q2 预测Q3 预测Q4-0.02图3：历史分段业绩因子ICIR（区间：2015/1/1-2025/12/31）ICIR-0.11预测-0.11预测Q10.110.550.760.700.600.500.400.300

预测Q2 预测Q3 预测Q4上述非对称效应的成因，或与基金在半年度考核节点增强的窗口粉饰动机密切相关。前文提到，窗口粉饰型基金经理会在（季报、半年报等）披露截止日前进行粉饰交易操作、优化报告期末持仓结构。非对称效应的可能原因是：半年度考核的机制增加了Q2、Q4的基金经理粉饰动机，放大了业绩分化程度。大多数基金业绩考核和投资者评估是站在半年度或年度，在该考核体系之下，很多基金可能Q2Q4的粉饰行为程度更高，这可能放大了该区间基金业绩的分化程度（业绩好的基金不需要窗口粉饰未来业绩更好，业绩差的基金需要窗口粉饰未来业绩更差。Q1、Q3比Q2、Q4的业绩更能反映基金经理的真实投资能力。Q1、Q3的粉饰行为程度较低，因此这区间内的基金业绩更能反映基金真实的异质性投资能力。相比之下，Q2和Q4映基金经理真实选股能力。因此，用Q1、Q3的业绩预测下一季度（Q2、Q4）的效果，优于用Q2、Q4预测下一季度（Q3、Q1）的效果。二、基金窗口粉饰行为的定量识别框架本章尝试构建“事前预警—事中监测—事后识别”三维一体的窗口粉饰定量指标体系，系统评估其识别效果，并剖析背后的行为金融学逻辑。基金行为定量识别：窗口粉饰强度指标构建如何定量识别基金的窗口粉饰行为？利用基金持仓明细与股票行情数据，我们尝试了如下3种可行的方案。方案：全持仓缺口（otaleturnap，，即TRG=报告期全持仓组合前推收益率-基金前推实际收益率，对TRG时间序列进行均值显著性检验-et，若显著为正，则表明基金在报告期之前大概率存在窗口粉饰行为，且TRG越大代表窗口粉饰程度越大。𝑁TRG𝑞,𝑡=𝑇𝑅𝑞,𝑡−𝐹𝑢𝑛𝑑𝑞,𝑡=∑𝑤𝑞,𝑡×𝑟

−𝐹𝑢𝑛𝑑𝑅𝑒𝑡𝑢𝑟𝑛pre

pre

𝑖𝑖=1

[𝑡−20,𝑡)𝑖其中，𝑤𝑞,𝑡是基金持有股票𝑖的权重，𝑟𝑖,[𝑡−20,𝑡)是年报/中报全持仓股票𝑖在𝑡日之前20个交易日的区间涨跌幅，𝐹𝑢𝑛𝑑𝑅𝑒𝑡𝑢𝑟𝑛[𝑡−20,𝑡)是基金在𝑡日之前20个交易日的区间收益率。𝑖图4：TRG计算示意图全持仓年报/中报节点全持仓年报/中报节点0个交易日0个交易日绘制方案：重仓缺口（Heayetunap，H，即RG=报告期重仓股组合前推收益率-基金前推实际收益率，对RG时间序列进行均值显著性检验-et，若显著为正，则表HRG越大代表窗口粉饰程度越大。HRG

10=𝐻𝑅𝑞,𝑡−𝐹𝑢𝑛𝑑𝑞,𝑡=∑𝑤𝑞,𝑡×𝑟

−𝐹𝑢𝑛𝑑𝑅𝑒𝑡𝑢𝑟𝑛𝑞,𝑡

pre

pre

𝑖𝑖=1

[𝑡−20,𝑡)𝑖其中，𝑤𝑞,𝑡是基金持有股票𝑖的权重，𝑟𝑖,[𝑡−20,𝑡)是季报重仓股票𝑖在𝑡日之前20个交易日的区间涨跌幅，𝐹𝑢𝑛𝑑𝑅𝑒𝑡𝑢𝑟𝑛[𝑡−20,𝑡)是基金在𝑡日之前20个交易日的区间收益率。𝑖图5：HRG计算示意图重仓缺口季报节点0绘制方案：重仓股超额反转（HeayExessevesa，HE，仅考虑季报重仓股，即ER=报告期持仓组合前推收益率-持仓组合后推收益率，若HER显著为正，则表明基金在报告期之前大概率存在窗口粉饰行为，且HER越大代表基金的窗口粉饰程度越大。𝑁HER𝑞,𝑡=𝐸𝑅𝑞,𝑡−𝐸𝑅𝑞,𝑡=∑𝑤𝑞,𝑡×𝑎𝑙𝑝ℎ𝑎[

𝑁)−∑𝑤𝑞,𝑡×𝑎𝑙𝑝ℎ𝑎pre

post

𝑖𝑖=1

𝑖,

𝑖𝑖=1

𝑖,[𝑡,𝑡+20)𝑖其中，𝑤𝑞,𝑡是基金持有股票𝑖的权重，𝑎𝑙𝑝ℎ𝑎定义为股票相对中信一级行业指数的超额涨幅，𝑖𝑎𝑙𝑝ℎ𝑎𝑖,[𝑡−20,𝑡)是股票𝑖在𝑡日之前20个交易日的区间𝑎𝑙𝑝ℎ𝑎，𝑎𝑙𝑝ℎ𝑎𝑖,[𝑡,𝑡+20)是股票𝑖在𝑡日之后20个交易日的区间𝑎𝑙𝑝ℎ𝑎。6计算示意图绘制31。1是比较符合窗口粉饰行为定义的刻画方式，但其存在的弊端是数据披露时间滞后，计算出的指标对于FOF2但是方案2的构建方式中用到了重仓股组合表现与基金净值表现轧差，二者通常不可比，口径存在不一致。方案3既考虑了数据的及时性，又充分利用了基金窗口粉饰行为导致报告期前后持仓收益的非对称性。因此，下文选择HER作为刻画窗口粉饰强度的指标。图7：三种方案的对比维度方案1方案3指标简称TRG（全持仓缺口）HRG（重仓股缺口）HER（重仓超额反转）指标含义捕捉披露全持仓收益与基金实际收益的截面偏离（粉饰痕迹）捕捉披露重仓股收益与基金实际收益的截面偏离（粉饰痕迹）捕捉持仓超额收益的时间序列反转（窗口粉饰后的均值回归）计算逻辑相对直接相对直接相对间接更新频率2次/年4次/年4次/年更新时点3/8月底1/4/7/10月下旬1/4/7/10月下旬滞后时长2个月/4个月1个月1个月收益+基金收益 收益+行业指数收益 收益+基金收益 收益+行业指数收益 +行业指数收益需要数据细节差异 权重×涨幅 权重×涨幅 归一化权重×alpha一个真实案例分析：窗口粉饰行为可能会侵蚀基金收益使用上述指标，下面先看一个真实的窗口粉饰基金案例（下文称“某基金◼某基金粉饰证据：基金净值表现显著弱于模拟股票组合前推表现。下图将基金在报/中报的全持仓股构建模拟股票组合（假设前推半年持续持有入历史表现好的赢家股”的窗口粉饰型交易操作。图8：窗口粉饰基金案例：某基金净值显著跑输前推模拟股票组合某基金净值 某基金前推模拟股票组合2.502.001.501.000.500.00某基金粉饰证据：重仓股组合报告期后显著跑输报告期前。测算该基金的季报重告312次，可推测该基金大概率对季报重仓股进行了窗口粉饰。图9：窗口粉饰基金案例：某基金重仓股组合报告期后显著跑输报告期前某基金季报重仓组合报告期前后20日收益率之差10.00%9.00%8.00%7.00%6.00%5.00%4.00%3.00%2.00%1.00%0.00%某基金粉饰证据3：多次新晋重仓前期强势股，而股票之后表现不佳。详细从该基2023Q2新晋重仓了前期涨幅强势的科沃斯，次月该股票表现显著较弱；在2024Q2新晋重仓了前期涨幅强势的立讯精密，次月该股票表现显著较弱；在2024Q4新晋重仓了前期涨幅强势的东阿阿胶，次月该股票表现也显著较弱。图10：窗口粉饰基金案例：某基金重仓前期强势股之股票后表现不佳新晋重仓报告期股票代码股票简称报告期当月涨幅报告期次月涨幅涨幅之差2023Q2.SH科沃斯.%.%.%2023Q2.SZ美的集团.%.%.%2024Q2.SH海澜之家.%.%.%2024Q2.SZ立讯.%.%2024Q4.SZ东阿阿胶.%.%.%2024Q4.SH工商银行.%.%.%，备注：案例数据已做脱敏处理，具体持仓仅作类型示例◼某基金粉饰证据：该基金长期显著跑输业绩比较基准。窗口粉饰行为很可能会侵3202320253030060。图11：窗口粉饰基金案例：某基金显著跑输业绩比较基准某基金净值 某基金业绩基准 沪深3001.401.3000.900.800.700.600.50基金HER因子绩效检验基金HER因子刻画了基金在报告期前后持仓超额收益反转程度，利用该非对称性反映基金的持仓粉饰程度，那么因子能否预测基金未来业绩？接下来我们详细测算窗口粉饰强度指标HER的因子绩效。设每个季度末之后的第21个交易日为因子更新时点，根据前文公式计算所有主动权益基金的超额收益反转缺口指标，并进行截面标准化后作为基金的HER因子，样本内区间设定2014115202412312025112026年3月6日。样本内因子绩效如下：因子排序5分组净值曲线：分组业绩具备区分度，多头组具备正向超额收益，空头组具备负向超额收益。图12：HER因子5分组净值曲线（区间：2014/11/5-2024/12/31）组1 组2 组3 组4 组54.003.503.002.502.001.501.000.500.00因子排序5组（0）>组（2，分组年化收益率随HER因子值严格单调递减，粉饰程度越大的基金分组平均未来业绩越差。图13：HER因子5分组年化收益率（区间：2014/11/5-2024/12/31）11.00%10.00%年化收益率9.00%年化收益率8.00%7.00%6.00%5.00%组

组2 组3 组4 组HER因子按基金因子原始值，将所有基金样本根据阈值(±5%)3HER因子值最低的基金组合称为“逆向低调组合（即反向粉饰型基金。测算每期采样时点后0日平均区间收益率：逆向低调组（.）>中间组（.）>窗口粉饰组（.。图14：采样后60日平均收益对比（计算区间：2014/11/5-2024/12/31）逆向低调组(HER原始值6.00%普通均值截尾均值采样时点后普通均值截尾均值采样时点后60日平均收益率4.00%3.00%2.00%1.00%0.00%-1.00%-2.00%

窗口粉饰组(HER原始值>5%)IC检验：基金HERIC均值较大，因子具备显著的定量选基效果。在全部主动权益基金域中，基金HER因子的RankIC均值为05，IC75.61%HER因子有较好的基金未来业绩预测效果，整体来看是一个优秀的选基因子。图15：基金HER因子RankIC序列（计算区间：2014/11/5-2024/12/31）各期RankIC 累计RankIC0.4 00.3-0.0.3--10-1.-0.1-2-0.25-0.3 -2.5因子有效性分域检验：在大多数基金域中该因子都呈现负向预测特征，粉饰程度越高（因子值越大）的基金，未来业绩越差。下表基于对主动权益基金的二次划分，在不同的基金域中分别测算因子的业绩预测有效性。在主题基金中，因子也具备对高窗口粉饰风险基金的识别能力，例如在消费、医药、红利、成长、大盘等基金域中的IC显著为负且胜率较513~6个百分点，尤其在主题基金中，说明因子对高窗口粉饰风险基金的识别能力强于优选能力（备注：部分基金域样本数量不足，统计意义不R因子作为负向筛选工具纳入基金评价体系，帮助FOF组合规避高因子值基金的尾部风险。图16：分不同基金域内的因子绩效（计算区间：2014/11/5-2024/12/31）基金基金域 样本数量组1 组2 组3 组4 组5多空年化超额IC均值 ICIR IC胜率全市场均衡全市场均衡型 4705 11.410.09.58.73.3-0.-0.3820 风格-大盘292 10.29.37.75.34.3--0.4384 主题-医药330 11.110.79.48.02.6-0.02 -0.1274 主题-金融地产 39 12.67.88.98.15.5--0.1806 风格-价值140 9.313.69.910.21.3-0.-0.1808 主题-制造55 12.39.311.37.61.7-0.0053-0.0193 03860.0587-0.1550 57.847-0.031.191 11.914.38.710.7主题-科技310.07020519风格-小盘 422 11.19.97.87.46.4 4.7 -0.0691-0.4351 62.2主题-周期 469 12.610.09.38.18.2 4.4 -0.0644-0.3894 66.7风格-红利 58 12.49.08.45.86.6 5.8 -0.1014-0.3798 57.8主题-消费 464 13.711.111.69.69.3 4.3 -0.0414-0.2298 55.6风格-成长 202 11.67.49.45.95.7 5.9 -0.0667-0.3027 60.0问题：HER因子为什么具备预测基金未来收益的能力？从逻辑角度来看，有下述可能的成因：alpha。交易冲击成本：季末集中交易导致的冲击成本滞后体现。进一步地，下文尝试从数据角度探寻HER具备基金业绩预测能力的底层原因。下述分组历史业绩特征表明，HER因子成功捕捉到了基金历史表现与窗口粉饰行为之间的负向关联，业绩较差、回撤较多的基金更有动机通过窗口粉饰美化持仓掩盖真实管理能力不足。图17：前半年平收益（区间图18：前半年平最大撤（区8% 18%7% 17%平均历史业绩(前推半年区间平均历史业绩(前推半年区间)平均历史业绩(前推半年区间)16%6%15%6%14%5%5%4%逆向低调组(

12%

HER>5%)窗口粉饰程度较高的基金选股能力显著不足，导致基金未来业绩承压。使用基金收益完全分解模型对基金的收益能力进行多层次多维度的拆解，根据公式基金收益=风格能力（10）+行业能力（30）+动态能力+选股alpha，反推不同类型基金的选股能力，对比窗口粉饰组和逆向低调组的基金收益来源。从选股能力对比来看，逆向低调组显著优于窗口粉饰组。图19：窗口粉饰组与逆向低调组的选股能力对比（计算区间：2014/11/5-2024/12/31）风格能力行业能力动态能力选股能力窗口粉饰组中间组逆向低调组-54.90%45.59%14.05%58.90%-36.11%62.06%0.58%62.05%-48.18%69.24%3.88%87.32%HER因子与短期业绩类因子有一定程度的负向关系，与其他大多数基金因子之间相关系数不高。我们测算了基金因子库的相关系数矩阵，下图展示了部分与HER最相关的因子。业绩较差的基金可能持有了表现不佳的股票，同时可能面临较大的业绩压力，因此历史业绩因子与窗口粉饰程度HER因子呈现一定程度的负相关。图20：基金HER因子与其他基金因子的相关系数序号序号基金因子名称相关系数序号基金因子名称相关系数1近1月最大回撤幅度0.160822LAA-0.00072近1月净值波动率0.144523LYA-0.00333跨期跟随效应IFF0.075824股票配置能力-0.01644brr因子收益liqidity0.073625LBA-0.01655barra因子收益momentum0.067926MBA-0.01936基金存续天数0.066027时任基金经理总规模-0.02287行业配置能力0.064928基金规模-0.02558机构投资者持有份额占比0.058829风格配置能力-0.03099行业轮动速度0.048530brr因子收益vltility-0.034710股票翻新速度0.047331brr因子收益rwth-0.041411股票仓位0.022132brr因子收益lize-0.042212基金规模变化率0.020133brr因子收益ri_yild-0.050013时任基金经理投资时长0.017734个人投资者持有份额占比-0.058814近1年净值波动率0.017435持股集中度-0.065415股票仓位波动率0.017336pb_roe因子暴露-0.103416RD0.017137跨期领先效应IFL-0.110317近3年最大回撤幅度0.009638选股Alp胜率-0.127918管理人员工持有份额占比0因子暴露-0.224819MAA0.005440近1月收益率-0.327820行业能力圈广度0.004841近1月Sharpe-0.351421近月Clr-0.3597先行风险指标：预警监测通过前文研究，我们构建了一个窗口粉饰强度指标HER，能够识别窗口粉饰行为并刻画粉饰程度。但是由于基金季报披露存在滞后性，该指标只能在基金进行窗口粉饰之后再过1个月才能计算。图21：基金窗口粉饰指标节点示意图绘制鉴于HER指标存在披露滞后性，本部分进一步探索事前预警机制，通过基金历史特征识别高粉饰风险产品。为研究事前预警指标，本小节先探索一个问题：具备什么特征的基金更倾向窗口粉饰（HER>5）？从逻辑与数据层面总结具备粉饰风险基金的特征，从而构建预警指标。◼ 历史半年基金绝对收益率：较差的基金通常面临较大的排名压力，从动机来看有更大的概率做窗口粉饰。图22：历史收益较差分组的粉饰基金占比较高24%22%窗口粉饰基金数量占比20%窗口粉饰基金数量占比18%16%14%12%10%

历史业绩较差 历史业绩中等 历史业绩优异◼ 历史半年基金最大回撤：基金经理可能通过粉饰掩盖策略失效或风控崩溃的真实原因。图23：历史回撤较大分组的粉饰基金占比较高20%19%窗口粉饰基金数量占比18%窗口粉饰基金数量占比17%16%15%14%13%12%11%10%历史回撤较大 历史回撤中等 历史回撤较小◼ 基金规模：规模压力效应明确，规模迷你组的基金（规模<10亿元粉饰概率显著较大，运营压力可能迫使基金经理放弃长期策略，转向短期粉饰。图24：基金分组规模与粉饰基金占比负相关17%窗口粉饰基金数量占比16%窗口粉饰基金数量占比15%14%13%12%11%10%口粉饰概率更大。据此我们可以计算基金的粉饰动机指标用以提前警示风险，在事前动机预警层构建指标：粉饰倾向指数DrssigPopsitydx，DPDPI=最大回撤压力+业绩排名压力+规模压力=MaximumDrawdown[T−365,T)−PastPerf[T−365,T)−SizeT其中，设T为DPI计算日期(通常为报告期的上个月末)，MaximumDrawdown[T−365,T)是基金1PastPerf[T−365,T)1年业绩回报，SizeT是基金在T可知3个指标分别做截面标准化之后合成为DPI。问题：如果基金正在进行窗口粉饰，净值层面有何可高频跟踪的迹象？基金若在报告期之前进行了窗口粉饰交易，则通常基金超额净值会存在异常波动，可利用基金滚动历史超额波动率的时间序列分布，判断报告期前是否出现统计显著性异常偏离。为指标V（超额波动率ioiloliliyZo。𝜎𝑇−𝜇𝑇HVZ𝑇=|

pre𝜎𝑇hist𝜎

hist|pre其中，设T为HVZ计算日期通常为报告期当月月末)，𝜎𝑇是基金在报告期当月的超额收益pre波动率，𝜇𝑇是基金过去12个非重叠月份的平均波动率，𝜎𝑇是基金过去12个非重叠月hist份的收益波动率的标准差。

hist计算逻辑：选取报告期当月作为监控窗口，计算基金相对基准的超额年化波动率；同时回溯过去12个非重叠月份，构建基金自身的历史波动率分布（均值与标准差Z-scoreHVZZ_Score1.96（95%置信水平，判定为异常高波动，存在窗口粉饰的可能性较大。图25：基金分组超额波动率与粉饰基金占比正相关45%40%窗口粉饰基金数量占比35%窗口粉饰基金数量占比30%25%20%15%10%

高波动DPIHVZ2个指标有较好的协同效应，可提高预判高粉饰程度基金的成功率。图26：DPI与HVZ联合分组的高粉饰基金占比九宫格高粉饰基金占比HVZ分组1HVZ分组2HVZ分组3DPI分组1DPI分组DPI分组25.91%28.46%33.41%29.01%31.76%37.80%43.09%问题：对于HER因子较大的基金，如何区分其行为属于“追涨”还是“窗口粉饰”？答：叠加粉饰倾向程度(DPI)和超额异常波动(HVZ)两个筛选逻辑之后，通过HER因子筛选出来的基金大概率属于窗口粉饰。如果基金是“追高”，那么理论上基金交易时点在时间轴上呈现均匀随机分布，如果基金是“窗口粉饰”，那么理论上基金交易时点在季报节点附近密集分布。在此假设下，我们从后验视角来进行检验，具体方法为：计算基金真实全持仓模拟组合净值与基金真实净值发生明显偏离的时间点（日度差异>1.5倍历史10天日度差异均值）认为是交易时点，测算结果发现，“窗口粉饰”基金的交易时点大都发生在季报之前10个交易日以内，5个交易日以内相对更密集。2745%40%35%30%25%20%15%10%5%0%

窗口粉饰基金 其他基金T±5日内 T±10日内 T±30日内 T±30日外&未发生绘制三、指标在FOF投资中的实战应用基金池的优化排雷沿着基金窗口粉饰的时间链条：事前预警→事中监测→事后刻画，前文构建了3个定量指标用于识别基金的窗口粉饰行为。“动机-过程-结果”三维一体的窗口粉饰评价框架形成逻辑闭环，DPI解释“为什么粉饰”，HVZ捕捉“是否粉饰”，HER计算“粉饰程度”。图28：窗口粉饰行为识别框架总览图绘制在实际FOF投资中，上述研究成果可以应用于“基金池优化排雷”。在初始基金池中，剔除那些有动机、有迹象、有结果的窗口粉饰型基金，优化基金池从而提升FOF策略绩效。数据验证如下：初始基金池：885001.WI成份基金。基金池动态优化机制：，在上月末(T-31日)更新基金DPIT，将上期HERT−1>1/5（分位数前20%）且DPIT前1/10（分位数前10%）的基金列入观察名单，暂时从基金池中剔除；T更新基金，将>1.96的基金筛选出来，已在观察名单的继续留在观察名单，其他的移回基金池；在季报披露后(T+20交易日)，计算基金HERT，将HERT1/5（20%分位数）的基金加入观察名单，持续到下一次更新DPI为止。图29：基金池动态优化机制流程图绘制基金池表现历史回测排序：优选池.WI>观察池。下图为上述基金池动态优化机制1.%>50.WI（8.97%）>观察池（4.10%。因此，上述动态优化机制一定程度上可以帮助改善基金池的质量，降低策略选到窗口粉饰且回报差的基金的概率，从而提升FOF策略绩效。图30：动态优化机制处理后基金池历史净值曲线对比（区间：2015/1/5-2025/12/31）观察池 优选池 885001.WI3.503.002.502.001.501.000.500.00图31：经动态优化机制处理的基金池年化收益率对比（区间：2015/1/5-2025/12/31）

年化收益

10.98%8.97%4.10%8.97%4.10%4.00%2.00%0.00%

885001.WI

优选池使用动态优化机制改善基金池可以提升FOF策略的绩效。我们从收益表现、业绩归因、风险控制、产品特征、基金交易这五个维度出发构建了多个基金评价因子，该FOF策略从中选择10个有效的基金因子给基金综合打分，每季度选取综合得分较高的20只基金产品构建FOF组合。图32：五维基金评价指标下面以该多因子量化选基FOF策略为例，展示基础池的优化对FOF策略绩效的提升效果。图33：多因子选基策略选用的10个选基因子回测绩效（计算区间：2013/1/28-2026/2/27）因子名称 因子方向IC均值组1 组2 组3 组4 组5 IR abs(IC均值)近年Clr+0.092%2%2%2%2%0.490.09近6月收益率+0.082%2%2%2%%0.310.08近3年Sharpe+0.072%22%%2%%0.510.07rrvle+0.072%2%2%%%0.230.07Al胜率+0.062%2%2%2%%0.420.06管理人员工持有份额占比+0.052%2%2%%%0.660.05rrliiity+0.042%2%2%22%2%0.160.04IF-4%2%2%2%2%70.04近1年最大回撤幅度-42%2%%2%2%40.04机构投资者持有份额占比+0.0322%2%2%%2%0.280.03图34：多因子选基策略（计算区间：2013/1/28-2026/2/27）策略/基准 天风多因子选基策略 885001.WI10.009.008.007.006.005.003.002.000.00

3.002.502.001.501.000.500.00初始基金池优化后的多因子选基策略相比原始策略有明显的绩效提升：年化超额提升1.06%（.→.49，月度胜率提升.（.2→.67。有了前文的研究结论支持之后，下面我们使用“基金池动态优化机制”尝试改进多因子选基策略的绩效。每期调仓时，先按照上述基金池动态优化机制将观察池的基金剔除，再按照同样的多因子选基策略从优化池中选择得分最高的20只基金纳入优化FOF组合。图35：基础池优化后策略超额有稳健提升（测算区间：2015/1/1-2025/12/31）多因子选基策略(原始) 多因子选基策略(优化) 885001.WI6.005.004.003.002.001.000.00表1：分年度超额提升幅度（区间：2015/1/1-2025/12/31）年度多因子选基策略多因子选基策略(优化)885001.WI超额提升201536.66%38.78%43.17%2.11%20161.22%1.22%-13.03%0.00%201722.21%22.21%14.12%0.00%2018-20.87%-20.64%-23.58%0.23%201938.16%41.06%45.02%2.89%202060.77%63.81%55.91%3.04%202112.24%15.70%7.68%3.46%2022-13.77%-13.34%-21.03%0.43%20235.51%5.88%-13.52%0.37%20249.14%9.95%3.45%0.81%202541.71%41.92%33.19%0.20%图36：各调仓时点因基金池优化而触发的需更换基金数量更换调仓基金数量20181614121086422014/10/12015/2/12014/10/12015/2/12015/6/12015/10/12016/2/12016/6/12016/10/12017/2/12017/6/12017/10/12018/2/12018/6/12018/10/12019/2/12019/6/12019/10/12202/12206/122010/12212/12216/122110/12022/2/12022/6/12022/10/12023/2/12023/6/12023/10/12242/12246/122410/12025/2/12025/6/1基于HER因子的选基组合前文因子测试研究发现alphaalpha，HER构建长期具备正向alpha的FOF885001.WI呢？样本池：在各调仓时点将885001.WI的成份基金作为基础池。基础要求：基金规模≥1亿元，股票仓位≥60，前十大集中度≥40，时任基金经理管该产品时长≥180天，在每个调仓时点同一基金经理仅保留规模最大的产品。窗口粉饰组合：每期先按DPI选取前1/3，再按HVZ选取前1/3，再从中选择因子HER最大的20只产品。逆向低调组合：每期先按DPI选取后1/9，再从中选择因子HER最小的20只产品。窗口粉饰组合具备显著的负向超额收益2013/2/42026/3/6，组合年化收益4.600.19，Calmar0.0780885001WI37.97，反向年化超额-4.66。逆向低调组合具备显著的正向超额收益2013/2/42026/3/6，组合年化收益13.920.67，Calmar0.3620885001.WI58.86，正3.10。图37：逆向低调20组合&窗口粉饰20组合历史净值曲线（区间：2013/2/4-2026/3/6）窗口粉饰20组合 逆向低调20组合 885001.WI6.005.004.003.002.001.000.00表2：基金组合分年度表现（区间：2013/2/4-2026/3/6）年度窗口粉饰20组合逆向低调20组合885001.WI窗口粉饰组合超额逆向低调组合超额20136.02%10.60%6.65%-0.64%3.94%201415.45%32.61%22.24%-6.79%10.37%201543.91%45.72%43.17%0.74%2.55%2016-23.61%-7.38%-13.03%-10.59%5.65%201710.81%26.66%14.12%-3.31%12.54%2018-30.73%-21.60%-23.58%-7.15%1.98%201943.69%40.75%45.02%-1.32%-4.26%202050.84%54.01%55.91%-5.07%-1.89%20214.43%21.11%7.68%-3.25%13.43%2022-27.36%-23.82%-21.03%-6.32%-2.79%2023-19.54%-8.27%-13.52%-6.01%5.26%2024-5.00%10.06%3.45%-8.45%6.61%202533.36%20.68%33.19%0.18%-12.51%2026YTD1.77%7.83%5.51%-3.73%2.33%四、本文总结本报告围绕公募基金窗口粉（ owDressing）行为展开系统性研究构建“事前预警—事中监测—事后识别”的三维定量分析框架，为FOF投资提供了新的风险识别视角和组合优化工具。报告研究发现公募基金业绩持续性存在显著的季度非对称效应——Q2Q4的业绩持续性显著强于Q1与别窗口粉饰行为提供了市场层面的间接证据。另外，报告通过一个典型案例揭示了窗口粉饰行为可能会侵蚀基金收益。方法论构建方面，报告提出三项关键指标：HER（重仓股超额反转）作为事后识别指标，HER因子具备显著的负向选基能力（RkIC均值.0，胜率7.%，粉饰程度越高的基金未来业绩越差；DPI（粉饰倾向指数）作为事前预警指标，基于历史业绩压力与规模压力效应，提前识别高风险基金；HVZ（超额波动率Z-score）作为事中监测指标，通过净值异常波动高频捕捉粉饰交易迹象。三项指标形成“动机-过程-结果”的逻辑闭环。实战应用方面，报告验证了该识别框架在FOF（1）基金池动态优化机制回测结果显示，剔除高DPI、高HV