基金下行风险对股票型基金业绩的影响研究

Exploring the Impact of Downside Risk on the Performance of Equity Funds

摘要: 在中国经济步入新常态的背景下，本文探讨了基金下行风险对基金业绩能力的影响。随着中国基金市场的快速发展，基金业绩评估越发精细，投资者对风险与收益的平衡要求也越来越高。本文利用下行偏差、最大回撤作为下行风险指标构造基金的下行风险评估体系。通过实证分析，研究发现下行风险对基金业绩能力的影响显著，但方向不一，同时本文深入分析了基金下行风险在不同的市场环境下对基金业绩的影响。并对不同类型的股票型基金进行了全面的横向比较，发现了不同所有权的股票型基金在面临市场下行时的管理特征和策略，揭示了不同类型的股票型基金在应对市场不利条件时的优势和不足。本文不仅为基金风险对基金业绩的影响机制提供了新的视角，还为投资者提供更具针对性的基金选择指导。

Abstract: In the context of China’s transition to a new economic normal, this paper explores the impact of downside risk on fund performance capability. With the rapid development of the Chinese fund market, performance evaluation has become increasingly refined, and investors’ demands for balancing risk and Return are growing. This study constructs an evaluation system for fund downside risk using metrics such as downside standard deviation and downside Value at Risk (VaR). Through empirical analysis, it is found that the downside risk evaluation system has a significant impact on the performance capability of funds. Additionally, this paper deeply analyzes the impact of fund downside risk on performance across different economic cycles. Furthermore, a comprehensive horizontal comparison of different types of funds is conducted. By comparing the risk characteristics and management strategies of funds with different ownership structures during market downturns, this paper reveals the advantages and disadvantages of various fund types in adverse market conditions. This research not only provides new insights into the mechanisms by which risk affects fund performance, but also offers investors more targeted guidance for fund selection.

1. 引言

在金融市场日益复杂化和全球化的背景下，基金作为一种重要的投资工具，其业绩表现和风险管理能力越来越受到投资者、基金经理和监管机构的关注。近年来，中国经济步入新常态，在走向高质量发展的过程中，面临内部结构调整与外部环境复杂多变的双重压力。特别是面对全球经济增长放缓、贸易摩擦加剧和地缘政治冲击等多重不确定因素，中国经济出现了一定程度的放缓态势。在这一背景下，作为资本市场重要组成部分的基金市场，尤其是股票型基金，受到前所未有的挑战和考验。截至2023年底，中国基金资产管理规模已超过20万亿元人民币，其中股票型基金规模近3万亿元，占据了基金市场的重要地位。股票型基金作为高风险高收益的投资工具，一直以来备受投资者关注。然而，在经济下行压力加大的情况下，股票市场的不确定性和波动性也随之增加。对于投资者而言，如何在经济下行周期中挑选能够有效抵御风险的基金成为一个重要问题。

传统的基金业绩评估往往关注基金的总体收益率和波动性，但这种方法在市场不景气的时期存在不足。尤其是在市场下行周期，基金的下行风险即能反映出基金在不利市场环境下表现的指标，显得尤为重要。下行风险主要研究基金收益低于某一特定基准时的波动性，它能更精准地反映基金在市场下跌时的风险承受能力。

在当前中国经济存在下行压力背景下，研究基金下行风险及其对基金业绩能力的影响，具有十分重要的现实意义和理论价值。下行风险的研究为投资者选择合适的投资产品、基金管理公司改进投资策略提供新的分析工具。尤其是面对经济下行导致的市场波动，深入了解下行风险对基金业绩能力的影响是至关重要的，这种理解可以帮助他们在市场波动期间作出明智的决策，从而减轻潜在损失并优化收益。

本研究将通过理论分析和实证研究，探讨基金下行风险对基金业绩能力的具体影响。利用下行标准差、最大回撤在内的风险指标，通过固定效应模型分析对股票型基金业绩的影响，并对股票型基金在下行期和上行期表现出的不同风险特征进行分析。期望通过这些分析，揭示低下行风险基金的长期优越表现，为投资者提供科学的基金选择依据，为基金管理公司优化风险管理策略提供理论支持，并为监管机构构建更为完善的市场监管体系提供建议。

2. 文献回顾

近年来，许多学者发现资产自身的下行风险在资产定价中是一个不可忽视的风险因子。Post和van Vliet (2006) [1]指出，下行风险能够很好地解释市值小、账面市值比大以及赢者组合的高平均收益率。Estrada (2007) [2]的研究表明，在资产定价中，下行风险比市场风险对资产收益有更强的解释能力。Chen (2009) [3]等发现，与方差相比，下行风险更能预测股票的风险溢价。此外，Alles和Murray (2013) [4]在研究亚洲新兴市场的股票定价问题时，发现下行风险对这些市场股票的预期收益有很好的解释作用，并且使用其他代理变量来度量下行风险时，结果依然稳健。

国外基金市场发展历史长，样本量大，为风险因子与基金收益率研究提供了丰富素材。多项研究致力于改进下行风险的衡量方法。Liang和Park (2007) [5]创新性地使用半离差、VaR、预期亏损和尾部风险等替代指标分析对冲基金风险–收益关系。他们与标准差方法比较后发现，对冲基金风险分析不能忽视偏态和峰度。单一风险收益指标(如平均离差比率)难以全面反映高风险资产的风险收益状况。针对这一问题，Kumar等(2010)提出了新的对冲基金风险评估模型。该模型基于松弛的数据包络分析(DEA)，综合考虑VaR、高阶矩、偏差和亏损等多种指标，以确定关键绩效指标，从而提供更全面的风险评估。

国内关于基金下行风险因子与收益率的研究相对较少，主要集中在因子的有效性上。黄崇珍和曹奇(2017) [6]以部分ETF联接基金为研究对象，比较了不同风险测度方法的精确性。他们假设基金回报率分别服从t分布和GED分布，计算相应的VaR因子，并用Kupiec模型检验不同分布下模型的精确度。结果表明，t分布下的GARCH-M模型能更好地衡量基金下行风险。宋沁鸽和李阳(2021) [7]则选取国内部分股票型和混合型开放式基金作为研究对象，采用改进的GARCH-VaR因子来衡量基金尾部风险。他们的实证结果显示，这种方法在中国开放式基金市场的风险衡量上更为精确。此外，他们还证实了中国开放式基金回报率波动具有“波动聚集性”和“尖峰厚尾”的特征。

3. 研究假设

通常情况下，基金的下行偏差与最大回撤率指标与股票型基金的业绩能力呈负相关。下行偏差度量了基金收益低于目标收益率的波动程度，而最大回撤率反映了基金在特定时间段内从高点到低点的最大损失。这两个指标的高值通常意味着基金面临较高的风险和不稳定性，投资者更可能经历显著损失。因此，较高的下行偏差和最大回撤一般对应较差的业绩表现，说明基金在风险管理方面存在不足，从而导致业绩能力下降。

本文提出如下假设：

H1：基金下行偏差与股票型基金的业绩能力呈负相关。

H2：基金最大回撤与股票型基金的业绩能力呈负相关。

H3：基金下行偏差与最大回撤对不同类型股票型基金的业绩能力有差异性。

由于下行偏差和最大回撤对基金业绩影响尚不明确，本文还提出了如下的交替假设。

H4：基金下行偏差与股票型基金的业绩能力呈正相关。

H5：基金最大回撤与股票型基金的业绩能力呈正相关。

H6：基金下行偏差与最大回撤对不同类型股票型基金的业绩能力无差异性。

4. 数据与指标构建

(一) 数据来源

天天基金网是依托于目前主流财经公司东方财富旗下的财经网站，是目前中小基金投资者使用的主流网站，中小投资者可以在网站上进行交流分享观点。本文的基金样本选取的是天天基金网上有基金综合评级并且规模大于十亿的开放式股票型基金。选择有综合评级的基金并且规模大于十亿的开放式股票基金的原因在于这些基金已经通过了相对严格的评估过程，其表现具备一定的可靠性和可预测性。这有助于确保研究样本的质量和代表性，可以在一定程度上减少规模效应对研究结果的影响，使得研究结果更具普遍意义，提高研究结论的可信度。

(二) 风险指标构建

(1) 下行风险指标构建

金融资产的下行风险(Downside Risk)不能被观察到，需要使用代理变量来度量。目前度量资产下行风险的代理变量比较多，其中常用的有下行方差[8]、下行偏差[9]、下偏矩、下行贝塔，破产概率。下行风险的一个常见代理变量是下行方差(Downside Variance)，它度量参考周朝鸿[9]的计算方式，即收益率低于预定目标时的方差，仅考虑这些负向收益的离散程度，从而帮助投资者了解他们可能面临的较大负向波动。下行偏差(Downside Deviation)则是下行方差的平方根，是一种用于评估投资组合或资产在特定时间段内下行风险的指标，主要关注收益低于某一基准(如无风险收益率或市场组合收益率)的程度。更直观地反映了资产在低于目标收益率时的波动程度。我国作为一个新兴金融市场，对冲工具的种类相对较少，大部分投资者对下行风险进行对冲较为困难，这使得投资者在面对下行风险时面临更大的挑战。因此，为了有效管理和控制风险，下行偏差这一指标来刻画风险比在发达国家金融市场更加适用在CAPM模型中投资者的效用函数被定义为$U=U\left(\mu ,{\sigma }^2\right)$ 其中µ是证券组合收益的均值；σ²是证券组合收益的方差，资产i的标准差，公式如下：

$\sigma =\sqrt{\frac{1}{n}{\displaystyle {\sum }_{i=1}^n{\left(R_i-R_f\right)}^2}}$ (1)

与标准差不同的是，下行偏差专注于潜在的负面波动，考虑了投资者实际关心的损失部分。更能真实反映投资者的损失风险。计算公式如下：

$Dd=\sqrt{\frac{1}{n}{\displaystyle {\sum }_{i=1}^n{\left(R_i-R_f\right)}^2}},R_i<R_f$ (2)

其中，$R_i$ 是基金资产i的收益，$R_f$ 为市场无风险收益率。

Pástor et al. (2017) [10]提出，基金经理的盈利机会识别能力和积极管理能力对未来业绩产生正面影响。私有信息理论则认为，拥有信息优势的基金经理更能利用其资源进行主动管理。因此，在排除其他非相关因素的影响后，如果基金的最大回撤幅度较小，可能表明基金经理具备良好的主动管理能力来应对下行风险，这会随着经验的积累而增强。同时，具备这样的能力的基金经理也可能积极寻求私有信息以识别盈利机会，从而提高基金未来的业绩。尽管以上分析表明“最大回撤幅度小”和“未来业绩好”之间可能存在相关关系，但目前尚无学者对这一主题进行深入研究，尤其是在不同市场环境下的相关性分析，亟待进一步探讨。

因此，本文使用最大回撤(Maximum Drawdown)作为另一个代理变量用于观测基金的极端风险，最大回撤(Maximum Drawdown)是衡量投资策略或资产在特定时间段内从最高点到最低点的最大累计损失百分比。这一指标揭示了使用特定投资策略在最差情况下可能面临的极端风险，反映了资产价格或投资组合价值在一段时间内可能经历的最大下跌幅度。公式如下：

$Md=\frac{P_{peak}-P_{trough}}{P_{peak}}$ (3)

其中，$P_{peak}$ 为特定时间段内的最高点，$P_{trough}$ 为特定时间段内的最低点。

通过合并这两种度量方法，评估体系得到多维度的全面视角，即既能揭示极端情况的最大损失，又能监控日常投资运行中的负向波动。这种综合视角有助于更全面地理解和管理投资的潜在风险。

5. 实证分析

(一) 实证模型及变量定义

本文研究中，建立回归模型，其中开放式股票型基金业绩(Return)作为被解释变量，而下行风险评估体系代理变量下行偏差(Dd)、最大回撤(Md)作为核心解释变量进行测量，如公式4和公式5所示。

$\begin{array}{c}Retur{n}_{i,t}={\beta }_{1}D{d}_{i,t-1}+{\beta }_{2}Siz{e}_{i,t-1}+{\beta }_{3}shinde{x}_{i,t-1}+{\beta }_{4}R{f}_{i,t-1}+{\beta }_{5}CP{I}_{i,t-1}\\ +{\beta }_{6}Ag{e}_{i,t-1}+{\beta }_{7}Yea{r}_{i,t-1}+{\beta }_{8}T{r}_{i,t-1}+{\beta }_{9}fe{e}_{i,t-1}+{\delta }_{i,t}\end{array}$ (4)

$\begin{array}{c}Retur{n}_{i,t}={\beta }_{1}M{d}_{i,t-1}+{\beta }_{2}Siz{e}_{i,t-1}+{\beta }_{3}shinde{x}_{i,t-1}+{\beta }_{4}R{f}_{i,t-1}+{\beta }_{5}CP{I}_{i,t-1}\\ +{\beta }_{6}Ag{e}_{i,t-1}+{\beta }_{7}Yea{r}_{i,t-1}+{\beta }_{8}T{r}_{i,t-1}+{\beta }_{9}fe{e}_{i,t-1}+{\delta }_{i,t}\end{array}$ (5)

(二) 相关变量说明

本文选取数据样本为天天基金吧2019年第一季度至2024年第一季度共21个季度有基金评级的87支基金数据。其中基金资产净值、基金存续时间、CPI指数、无风险利率、基金经理年限等数据均源自WIND数据库。

(1) 基金业绩(Return)

Fama和French [11]将公司的盈利能力因子和投资因子加入到FF三因子模型[12]中构建五因子模型超额收益率，公式如下：

$Retur{n}_{i,t}^{Raw}-r{f}_t={\alpha }_{i,t}+{\beta }_i\left(R_m-r{f}_t\right)+s_i^{F}SM{B}_t+h_i^{F}HM{L}_t+r_i^{F}RA{W}_t+c_i^{F}CM{A}_t+{\epsilon }_{i,t}$ (6)

本文依照计算公式利用基金过去24个月的历史数据滚动计算出超额收益率，其中，$Retur{n}_{i,t}^{Raw}$ 为基金i在第t月的原始收益率，$r{f}_t$ 为该月的无风险收益率，$\left(R_m-r{f}_t\right)$ 为市场风险溢价因子，$SM{B}_t$ 、$HM{L}_t$ 、$RA{W}_t$ 、$CM{A}_t$ 为使用流通市值加权的办法计算的因子以上五者的相关月度数据均可以在国泰安数据库中获取。之后通过对解释变量与被解释变量进行多元统计回归，计算得出截距项${\alpha }_{i,t}$ 的值，即可得出经Fama-French五因子模型调整后的超额收益。

(2) 下行风险(Dd)

下行风险指基金收益低于某个基准收益率(通常为无风险收益率或目标收益率)的负向波动性，只考虑亏损风险。本文以无风险收益率为基准利率，只有当基金收益低于这个基准时，才会被纳入计算。

(3) 最大回撤(Md)

最大回撤指在某一特定时间段内，基金净值从最高点到最低点的最大跌幅。衡量的是基金在其某一期间经历的最严重的潜在亏损，反映了投资者在最不利情况下可能面临的最大损失。

(4) 基金规模(Size)

张旻等(2013) [13]研究发现基金规模与基金资金流量和基金业绩相关，本文使用基金资产净值来表示基金规模，并将取上期末基金资产净值定义为规模取值，基金在上一季度末资产净值的自然数。

(5) 市场环境(shindex)

根据李志冰(2019) [14]研究发现，基金市场受到股票市场的影响，本文将上证指数作为控制变量。公式如下：

$shrindex=\frac{shindex{300}_t-shindex{300}_{t-1}}{shindex{300}_{t-1}}$ (7)

其中shrindex是上证综指在第t季度与t − 1季度的变化率。

(6) 无风险利率(Rf)

本文用三月期国债利率表示无风险利率。

(7) 消费者物价水平(CPI)

CPI指数是衡量一个国家消费者物价水平变化的重要经济指标，CPI指数的变化会影响基金的实际回报率和投资者的购买力，本文使用中国消费者价格指数(CPI)来反映宏观经济环境。

(8) 基金存续时间(Age)

存续时间长的基金往往净值较高，但对追求更高投资收益的投资者来说，可能认为其升值潜力有限，因此更倾向选择投资净值较低的存续时间较短的新基金。本文使用基金成立日期至前一季度末总天数的自然对数来表示基金的存续时间。

(9) 基金经理从业年限(Year)

从业年限较长的基金经理更有可能积累丰富的投资经验和市场洞察力[15]，从而在投资决策中表现得更加稳健和有效。本文使用基金经理从进入基金管理行业至今的总年数来表示其从业年限。

(10) 市场成交额(Tr)

市场成交额是衡量市场活跃度和流动性的重要指标。较高的市场成交额通常表明市场的交易活动频繁，流动性较好，投资者可以更容易地买入或卖出资产，而不必担心因流动性不足而导致的价格波动。本文使用市场成交额的自然对数来表示市场的流动性和活跃度，以便更好地进行数据分析和模型构建。

(11) 费用率(fee)

基金的费用率直接影响到投资者获取的净收益，因此也会影响到投资者的决策，费用率计算如下：

$fee=\frac{fe{e}_{pt-1}}{N_{pt-1}}$ (8)

其中，是p基金在t − 1季的费用，N_pt−1则是p基金在t − 1季的份额数。

控制变量及其定义如下表1。

Table 1. Control variables and their definitions

表1. 控制变量及其定义

	名称	指标	定义	数据来源
基金特征变量	基金规模	Sizei,t	基金i在t季度的基金资产规模的对数	Wind
	存续时间	Agei,t	第t月度基金自开始申赎以来的累计年数	Wind
	基金费率	feei,t	基金i在t季末的费用总额与基金季末份额的比值	Wind
	基金经理从业年限	Yeari,t	基金i第t月度基金经理自开始管理基金以来的累计工作年数	Wind
宏观经济指标	CPI指数	CPIt	t月度中国CPI指数	Wind
	市场环境	shindext	第t月度与t − 1月度上证指数的变化率	Wind
	无风险利率	Rft	t月度公布的三个月期国债利率	Wind
	市场成交额	Tri,t	t月度证券交易市场总成交金额对数	Wind

(三) 描述性统计

Table 2. Descriptive statistics

表2. 描述性统计

变量	Obs	Mean	Std	Min	Max
Return	4576	0.0061	0.0297	−0.0920	0.164
Dd	4576	0.1540	0.0740	0.0071	0.5038
Md	4576	−0.0623	0.3904	−0.2725	−0.0020
Size	1827	5.2013	1.2400	0.0953	8.1521
shindex	4576	0.0035	0.0427	−0.0802	0.1380
Rf	4576	0.0023	0.0005	0.0014	0.0251
CPI	4576	0.0170	0.0143	−0.0050	0.0540
Age	4576	6.7252	3.1654	0.6	20
Year	4576	5.2678	3.1537	0.004	19.5
Tr	4576	3.3862	0.0123	3.3463	3.4083
fee	1827	0.0361	0.0852	0.0065	1.3974

如表2，在所选取的时间段内，下行偏差的范围从最小值的0.0071到最大值的0.5038不等，这表明市场在此期间经历了显著的波动和风险。下行偏差较高的值意味着市场在某些时间段内偏离预期收益的程度较大，投资者在这些时期的风险暴露相对较高。与此同时，最大回撤的范围介于−0.2725和−0.0020之间，这进一步反映了投资者可能在这段时间内经历的最大损失。具体来看，下行偏差的平均值较低，这意味着虽然个别时段的市场波动较大，但多数时段的市场表现相对稳定。最大回撤的平均值为−0.019，显示了市场在这段时间内总体上出现了较小但不可忽视的回撤。这些数据表明，在这一时期内，投资者仍然面临较大风险。下行偏差的广泛范围突显了市场在短期内的波动性，而最大回撤的负值则揭示了投资者在整个时间段内可能遭遇的显著损失。市场的不确定性和高风险特征明显，投资者需要在投资决策过程中更加谨慎。

(四) 相关性分析

在建立回归方程之前，进行变量间的相关性检验是一个重要的步骤，用来避免多重共线性等问题。根据相关性检验的结果，大部分变量都拒绝了原假设，显示出这些变量之间存在一定程度的相关性。Spearman相关系数能够帮助我们探索和衡量变量之间的整体相关性水平，而不受数据分布形式的限制。下面列出了相关性检验的结果(表3)，进一步揭示了各变量之间的相关性情况。

Table 3. Correlation analysis

表3. 相关性分析

变量	Return	Dr	Size	shindex	Rf	CPI	Age	Year	Tr	Tr
Return	1.000
Dr	−0.159^***	1.000
Size	−0.123^***	0.065^***	1.000
shindex	0.167^***	−0.133^***	−0.133^*	1.000
Rf	0.115^***	0.035^***	−0.205^***	0.152	1.000
CPI	0.028^**	0.085^***	−0.262^***	−0.280^**	−0.262	1.000
Age	−0.131	−0.255^***	0.265^**	−0.036^**	−0.035^**	−0.311^**	1.000
Year	−0.049^**	−0.171^*	0.171^**	−0.032^**	−0.228^**	−0.180^**	0.290^**	1.000
Tr	−0.263^**	0.164^***	0.243^*	0.031^***	−0.378^***	−0.199^***	0.284^*	0.157^*	1.000
fee	0.083	0.162	−0.456^***	0.030	0.172	0.219	−0.407	−0.239^***	−0.091	1.000

^*p < 0.1; ^**p < 0.05; ^***p < 0.01.

按照通常标准，如果相关系数的绝对值超过0.8，可能暗示存在多重共线性问题。根据，Spearman 相关系数的绝对值最高为−0.407，均在0.8以下，这表明没有明显的多重共线性问题。所以，在构建回归方程时，变量之间的相关性不会带来严重的问题，可以继续进行后续的统计分析和模型构建。

(五) 回归分析

每个基金都有独特的特性，这些差异可能在时间维度上保持相对稳定，但在基金之间存在显著的差异。通过固定效应模型，我们能够控制这些不可观察但具有显著影响的变量，从而准确评估其他变量的独立影响。这一方法论上的改进允许我们在一个更加细化的层面上理解每个基金的独特表现特征，进而提高研究结果的外部效度和内部一致性。

在本研究中，我们引入了下行风险和87个基金的固定效应模型，这一步骤的目的是更全面地评估我们的研究结果，并确保结果的可靠性和有效性。通过引入下行风险和基金的固定效应模型，我们可以控制潜在的混杂因素，避免结果受到外部因素的干扰而产生偏差，这有助于确保我们的研究结论更加准确和可靠。固定效应结果如下表4：

Table 4. Fixed effect regression results

表4. 固定效应回归结果

解释变量	被解释变量Return
	Dd	Md
Dd	−0.0058^***
	(−4.51)
Md		0.0121^***
		(4.64)
Size	−0.0002^**	−0.0001^**
	(2.35)	(−2.23)
shindex	0.0047^**	0.0049^**
	(2.76)	(2.81)
Rf	−1.9339^***	−2.0260^***
	(−7.23)	(−7.57)
fee	0.0006	0.0004
	(0.71)	(0.45)
CPI	−0.0630^***	−0.0601^***
	(−8.71)	(−9.35)
tr	−0.0226^**	−0.0277^***
	(−2.63)	(−3.37)
Age	0.0622	0.0683
	(0.60)	(0.66)
Year	−0.0630	0.0690
	(−0.61)	(−0.67)
_Cons	0.1785	0.2042^***
	(1.18)	(1.35)
固定效应	YES	YES
R-squared	0.1756	0.1766
N	4576	4576

^*p < 0.1; ^**p < 0.05; ^***p < 0.01.

在这个回归实证模型中，我们发现下行偏差对基金业绩都呈现出负向影响，最大回撤对基金业绩呈现出正向影响。具体而言，下行风险的系数为−0.0058，最大回撤的系数为0.0121，表明随着下行偏差的增加，基金业绩会显著下降。投资者在面临较高的下行偏差时倾向于避险，增加了抛售压力，导致基金资产的价值下跌。另一方面最大回撤与基金业绩之间存在正向关系。这一结果可能看似反常，但可以解释为基金在经历显著回撤后，其管理团队采取了有效的风险控制和调整策略，进而促进了基金的恢复和业绩改善。尤其是在市场回调后，基金价格可能更具吸引力，从而吸引更多的投资者进场，推动基金业绩回升。此外，最大回撤的正向影响也可能反映出那些经历过大幅回撤的基金具备更强的反弹能力，这些基金管理团队能够通过策略调整和市场机会把握，实现超额收益。下行偏差和最大回撤对基金业绩的影响机制存在显著差异。下行偏差的增加通常导致基金业绩下降，表明投资者对风险的敏感性较高并倾向于避险情绪。而最大回撤则显示出较为复杂的影响路径，可能揭示了基金管理团队在面对大幅回撤时展现出的调整能力和市场恢复机遇。这些发现强调了在基金业绩分析中，不仅需要关注短期波动风险(下行偏差)，还需要理解和评估基金管理团队在极端市场环境下的反应能力和恢复策略(最大回撤)。

回归模型中还包括了其他控制变量，如基金规模、基金费率和市场环境等。这些变量也对基金业绩产生显著影响。基金规模、基金费率、市场环境等因素的显著性表明，除下行风险外，基金特征和市场环境等因素也对基金的业绩产生重要影响。其原因在于市场环境和基金本身的变化会直接地影响基金所持资产的价值。

(六) 稳健性分析

(1) 附加控制变量

在基准回归部分，本文使用了一系列基金特征变量和宏观经济指标作为控制变量，如基金规模、基金费率、市场成交额和市场环境等。这些控制变量的引入使得我们能够排除其他潜在影响因素，从而更准确地衡量下行风险对基金超额收益率的独立影响。然而，在这些控制变量中，我们未考虑到一个潜在的重要因素，即个人投资者情绪。投资者情绪作为一种心理和行为特征，对市场的短期波动和基金业绩可能具有显著影响，因此将其纳入控制变量的考量中是必要的。

投资者情绪指的是投资者对市场的心理反应和行为倾向，它通常受到市场新闻、经济指标、甚至社会事件等多种因素的影响[16]-[18]。投资者情绪可以通过多个渠道对基金表现产生影响。例如，高涨的投资者情绪可能会推动市场的非理性繁荣，使得基金的短期业绩出现飙升；相反，消极的投资者情绪可能引发抛售潮，导致基金净值迅速下跌。忽略投资者情绪可能导致对下行风险与基金超额收益率关系的理解出现偏差，因此，将其作为控制变量纳入我们的回归模型具有重要意义。

本文利用文本挖掘技术，从东方财富天天基金网基金吧的帖子中提取信息，通过词典法进行文本分类预测，构建了月度个人投资者情绪指数。公式如下：

$Sen{t}_{i,t}=\frac{Positiv{e}_{i,t}-Negativ{e}_{i,t}}{Negativ{e}_{i,t}+Positiv{e}_{i,t}}$ (9)

Table 5. Robustness test regression results

表5. 稳健性检验回归结果

解释变量	被解释变量Return
	Dd	Md
Dd	−0.0052^***
	(−3.96)
Md		0.0109^***
		(4.33)
Sent	−0.0000	−0.0000
	(−0.11)	(−0.11)
Size	−0.0021^*	−0.0021^*
	(−1.77)	(−1.77)
shindex	0.0055^**	0.0056^**
	(2.99)	(3.03)
Rf	−2.0220^***	−2.0966^***
	(−7.26)	(−7.53)
fee	0.0013	0.0007
	(0.63)	(0.38)
CPI	0.0541^***	0.0616^***
	(−8.01)	(−9.04)
Tr	0.0247^**	0.0291^**
	(−2.76)	(−3.37)
Age	0.0605	0.0661
	(0.58)	(0.64)
Year	0.0613	0.0668
	(−0.59)	(−0.65)
_Cons	2.4781	2.4781
	(1.18)	(1.18)
固定效应	YES	YES
R-squared	0.4712	0.4712
N	4576	4576

^*p < 0.1; ^**p < 0.05; ^***p < 0.01.

在加入新的控制变量后，解释变量的检验结果与其他检验结果一致，进一步证实了结果的稳健性(表5)，并明确说明了下行风险与基金超额收益率之间存在显著关系。

(2) 替换被解释变量

为了验证研究结果的稳健性，本文采用了替换被解释变量的方法进行稳健性检验。具体而言，我们将原模型中的Alpha (超额收益率) [19] [20]替换为Return (基金收益率)，其计算公式如下：

$Retur{n}_{i,t}^{Rel}=Retur{n}_{i,t}^{Raw}-Fundinde{x}_t$ (10)

其中$Retur{n}_{i,t}^{Raw}$ 为基金i在t季度的原始收益率，Fundindex_t为t季度东财基金普通股票型基金指数收益率。

稳健性检验结果表明(表6)，主要解释变量下行偏差和最大回撤对Return的影响保持显著，这与原模型的结果保持一致。具体而言，下行偏差的系数估计值为−0.2972，t统计量为−13.30，在1%的显著性水平下显著；最大回撤系数的估计值为0.9931，t统计量为25.06，在1%的显著性水平下显著。这些结果进一步证实了下行风险对基金收益率的显著影响，并且表明了下行偏差对基金收益的影响是负向显著，但最大回撤对基金的收益的影响是正向显著，强化了本研究的主要发现。此外，控制变量如基金规模、基金费率、消费者物价指数和市场环境等因素在稳健性检验中仍然表现出显著性，这与原模型结果相一致。这不仅验证了这些因素对基金收益率的重要影响，也进一步证实了模型设定的合理性。

结果表明，无论是使用超额收益率还是相对收益率作为基金业绩的衡量指标，下行偏差和最大回撤对基金业绩的影响都是显著且一致的，这为我们理解下行风险在基金市场中的作用提供了更为全面和深入的见解。

Table 6. Robustness test regression analysis

表6. 稳健性检验回归分析

解释变量	被解释变量Return
	Dd	Md
Dd	−0.2972^***
	(−13.30)
Md		0.9931^***
		(25.06)
Size	−0.0059^***	−0.0026^*
	(−3.31)	(−1.69)
shindex	0.5955^***	0.5182^***
	(19.65)	(19.63)
Rf	6.38	−12.87^**
	(1.37)	(3.16)
fee	0.0282^*	0.0200^*
	(1.75)	(1.43)
CPI	1.1955^*^**	0.6054^***
	(10.70)	(6.12)
Tr	0.3776^**	0.4128^**^*
	(2.53)	(3.30)
Age	2.5291	2.7229^*
	(1.40)	(1.72)
Year	−2.5372	−2.7322^*
	(−1.41)	(−1.73)
_Cons	2.4781	2.6663
	(0.94)	(1.16)
固定效应	YES	YES
R-squared	0.4712	0.5946
N	4576	4576

^*p < 0.1; ^**p < 0.05; ^***p < 0.01.

(七) 异质性分析

(1) 不同市场时期的异质性分析

考虑到不同的市场环境对基金市场[21]的影响可能具有非对称性，本文参考何兴强(2006)的部分做法，以上证指数为依据，每12个月为窗口期，按指数水平标记窗口内的高低点，剔除相邻的高(低)点中的较低(高)值，从图可以看出2021年12月为窗口期内的最高点也是这五年内的最高点，至此之后一路下跌进入了市场下行期。因此，本文可以将样本期分为2019~2021的基金上行期和2021~2023的基金下行期两种市场状态下，探究下行风险对基金业绩影响差异。上证指数的具体走势图如下图1：

Figure 1. 2019~2023 Shanghai Composite Index trend chart

图1. 2019~2023上证指数走势图

Table 7. Heterogeneity analysis of different market states (upward period)

表7. 不同市场状态的异质性分析(上行期)

解释变量	被解释变量Return
	Dd	Md
Dd	−0.0062^***
	(−3.64)
Md		0.0118^***
		(3.09)
Size	−0.0002	−0.0002
	(−1.44)	(−1.52)
shindex	0.0050^*	0.0062^*
	(1.68)	(2.11)
Rf	−2.0192^***	−2.0388^***
	(−6.20)	(−6.24)
fee	0.0006	0.0004
	(0.59)	(0.35)
CPI	−0.0566^***	−0.0628^***
	(−6.52)	(−6.85)
Tr	−0.0308^**	−0.0450^*^*^*
	(−2.13)	(−3.39)
Age	0.0528	0.0735
	(0.32)	(0.44)
Year	0.0534	0.0739
	(0.32)	(0.44)
_Cons	0.1783	0.2491
	(0.88)	(1.24)
固定效应	YES	YES
R-squared	0.2330	0.2289
N	4576	4576

t-statistics in parentheses. ^*p < 0.1; ^**p < 0.05; ^***p < 0.01.

Table 8. Heterogeneity analysis of different market states (downturn period)

表8. 不同市场状态的异质性分析(下行期)

解释变量	被解释变量Return
	Dd	Md
Dd	−0.0016^*
	(−1.59)
Md		0.0166^***
		(4.11)
Size	0.0006^*	0.0006^*
	(1.76)	(1.85)
shindex	−0.0010^*	−0.0010^*^*
	(−1.40)	(−2.09)
Rf	4.8228^***	3.9796^***
	(3.35)	(2.83)
fee	0.0938^***	0.0921^***
	(3.47)	(3.47)
CPI	0.0833^***	0.0687^**
	(3.34)	(2.78)
Tr	0.0953	0.1137^*
	(1.43)	(1.72)
Age	0.0800	0.0866
	(0.61)	(0.67)
Year	0.0795	0.0862
	(0.62)	(0.67)
_Cons	−0.2012	−0.2478
	(−0.61)	(−0.77)
固定效应	YES	YES
R-squared	0.1002	0.1278
N	4576	4576

t-statistics in parentheses. ^*p < 0.1; ^**p < 0.05; ^***p < 0.01.

从回归结果中可以看出(表7，表8)，在不同市场状态中，最大回撤对基金绩效均有一定的影响。具体来说，上行期时，每单位最大回撤对基金绩效的提升为0.0118。下行期时，每单位最大回撤对基金绩效的提升为0.0166，表明最大回撤在一定程度上会影响基金的表现，而下行期对基金绩效的影响更为显著。另外，下行偏差也对基金绩效有一定影响。但可以看出在上行期时下行偏差的影响是高于下行期的其原因在于，在市场上行期，投资者情绪普遍乐观，对基金表现的期望值较高。如果基金发生了较大的下行偏差(Dd)，投资者可能会更为敏感，因为这意味着在一个整体上升的市场中，基金未能抓住更多的盈利机会。因此，投资者会对下行偏差进行更严厉的惩罚，从而放大其对基金绩效的负面影响。

(2) 不同所有权的异质性分析

根据东方财富网提供的基金公司数据，我们将研究样本中的基金分为中资基金和合资基金进行异质性分析。具体而言，中资基金涵盖29支，所涉及的基金公司包括汇添富、易方达、创金合信、前海开源、南方和广发等；合资基金涵盖58支，所涉及的基金公司包括富国、工银、汇丰晋信和中欧等。

在此基础上，我们分别对中资基金和合资基金的样本进行了回归分析。回归结果显示，下行偏差(Dd)对中资基金和合资基金的影响方向一致，均表现为负向影响，而最大回撤(Md)对中资基金和合资基金的影响方向均表现为正向影响。

进一步分析发现，相较于合资基金，国内基金市场中下行风险对中资基金业绩影响更大。其背后的原因可能在于合资基金由于其海外背景，通常在全球多个市场上运营，对冲风险的机制更为成熟，风险管理的经验更为丰富，因此能够更好地应对下行风险。同时，中资基金在国内市场的投资策略可能更加激进，持仓集中度较高，对国内个别行业或股票的依赖性更强。在市场下行时，这种投资策略会导致其收益率波动更大。

控制变量的回归结果也有所差异。具体来看，市场成交额(Tr)对中资基金收益率影响显著高于外资资金；其原因在于当市场成交额上升时，往往反映了市场的高度活跃，但这种活跃并不一定是正面的，特别是在国内市场，散户投资者占比大，他们容易受到短期市场波动的情绪驱动，进行频繁交易。这种情况下，市场成交额上升可能更多反映出市场的高波动性和不稳定性。由于持仓集中度的不同。这就使得中资基金相较合资基金在投资决策上面临更大的难度，无法在剧烈波动中实现稳定收益，导致整体收益率下降高于合资基金。

通过上述异质性分析(表9)，我们揭示了不同所有权结构的基金在面对下行风险时表现出的差异性。这不仅进一步验证了模型的稳健性，也为理解我国散户投资者在基金和基金公司选择上的倾向和偏好提供了实证证据。

Table 9. Heterogeneity analysis of different ownerships

表9. 不同所有权的异质性分析

解释变量	Return
	Dd		Md
	中资	合资	中资	合资
Dd	−0.0071^***	−0.0047^***
	(−3.62)	(2.81)
Md			0.0154^***	0.0095^**
			(−3.98)	(2.77)
Size	−0.0002^*	−0.0002	−0.0002^*	−0.0002
	(−1.74)	(−1.30)	(−1.55)	(−1.31)
shindex	0.0042^*	0.0056^**	0.0042^*	0.0057^**
	(1.61)	(2.46)	(1.64)	(2.49)
Rf	−1.4527^***	−2.1810^***	−1.5520^***	−2.2609^***
	(−3.60)	(−6.22)	(−3.85)	(−6.45)
fee	0.0008	0.0012	0.0005	0.0008
	(0.84)	(0.45)	(0.59)	(0.30)
CPI	−0.0430^***	−0.0580^***	−0.0523^***	−0.0651^***
	(−4.43)	(−6.90)	(−5.34)	(−7.62)
Tr	−0.0293^**	−0.0175	−0.0350^*^*^*	−0.0218^**
	(−2.25)	(−1.56)	(−2.81)	(−2.02)
Age	0.0752	0.0543	0.0826	0.0594
	(0.74)	(0.51)	(0.82)	(0.56)
Year	−0.0758	−0.0552	−0.0831	−0.0603
	(−0.75)	(−0.52)	(−0.83)	(−0.57)
_Cons	0.1808^*	0.2038	0.2069^**	0.2038
	(1.72)	(0.97)	(1.99)	(0.97)
固定效应	YES	YES	YES	YES
R-squared	0.1745	0.1792	0.1745	0.1790
N	4576	4576	4576	4576

^*p < 0.1; ^**p < 0.05; ^***p < 0.01.

6. 结论

本文通过研究中国经济新常态背景下基金下行风险对股票型基金业绩的影响，揭示了下行风险在基金业绩评估中的重要性。通过构建下行风险评估体系，实证分析了下行风险显著影响基金业绩，这一结论在不同市场环境和基金类型中表现出显著差异，研究不仅拓展了风险影响的视角，还为投资者提供了合理决策的理论依据和实用建议。

除了下行风险，基金规模、无风险收益率、市场环境等因素也对基金的业绩产生了重要影响。通过固定效应模型的分析，研究进一步验证了这些因素对基金绩效的显著性影响，并且没有发现明显的多重共线性问题，从而确保了研究结果的可靠性。

在稳健性分析中，替换了被解释变量基金业绩的衡量指标后，下行偏差和最大回撤对基金收益率的影响依然表现出显著性，进一步验证了模型的稳健性。

研究表明，下行风险评估体系能为风险管理提供有力依据，使基金管理者在面对市场波动时能够做出更为稳健的决策。通过合理管理和应对下行风险，基金管理者可以有效减少潜在损失，优化投资组合，从而在复杂的市场环境中保持竞争优势。研究结果不仅为基金管理策略的优化提供了新思路，还为投资者在风险管理和投资决策过程中提供了重要的参考。