摘要：本文诊断2014年至2020年475只基金分基金风格是否发生漂移，并探究金融市场情绪对基金风格漂移的影响。研究发现，在2014年至2020年期间的475只样本基金中，有403只发生过风格漂移，且股票型基金比混合型、债券型基金更易发生漂移。而金融市场情绪显著提升基金风格漂移水平，且股票类基金的风格漂移受金融市场情绪的影响更大。在理论上，本文一方面识别了基金风格漂移现象的存在；另一方面拓展了基金风格漂移动因的视角；在应用上，为投资者提供更全面的金融情感词典，科学的基金风格漂移诊断报告，为投资者优化投资决策起到指引或借鉴作用。

关键词：基金风格漂移 金融情感词典 金融市场情绪 机器学习 固定效应

Abstract: This paper examines whether the styles of 475 sub-funds have drifted from 2014 to 2020, and explores the influence of financial market sentiment on the style drift of funds. The study found that 403 of the 475 funds sampled between 2014 and 2020 had experienced style drift, and that equity funds were more prone to drift than hybrid and bond funds. And the financial market sentiment significantly enhance the level of fund style drift, and the stock fund style drift is more affected by the financial market sentiment. In theory, on the one hand, this paper identifies the existence of the phenomenon of fund style drift; on the other hand, it expands the perspective of the factor of fund style drift; in application, it provides a more comprehensive financial emotion dictionary for investors, scientific Fund style drift diagnosis report, for investors to optimize investment decision-making guide or reference. Keywords: fund style drift, financial sentiment dictionary, financial market sentiment, machine learning, fixed effects

引言

基金风格漂移是指，基金的投资组合特征或风格与基金初始对外宣称的投资目标或风格不一致的现象，俗称“跑题基金”。这一现象导致投资者预期收益缺乏保障，损害了投资者利益，不利于我国基金业发展。然而，囿于数据或模型方面的制约，实践中该现象仍缺乏相应的理论探讨，也尚未形成行之有效的市场监管举措。如此，应该对基金风格漂移的进行实时诊断，这有助于保护投资者利益，实现我国资本市场长期繁荣发展，具有重要的理论和现实意义。

目前，基金风格漂移的诊断研究尚不全面，模型预测效果不佳，亟待优化。大多文献对基金风格漂移的量化研究仅利用到财务报表数据、股票行情数据等结构化数据，如利用基金历史收益率滚动窗口的Sharpe模型来测算漂移量化指标SDS，通过Sharpe模型的各因子权重与SDS数值的大小来判断基金风格漂移的方向及程度，该结果具有一定的滞后性。

非结构化数据中最广泛的类型为文本数据，其作为记录人类思想与感情的工具，背后反映创作者所持的观点与情绪，我们将文本反映的情绪称作文本情绪。金融市场情绪是可以通过对市场文本进行分析从而得出的市场对于金融的积极或消极情感倾向。基金经理人乃至基金公司的决策可能会受到金融市场情绪的影响，导致基金风格变动频繁，研究金融市场情绪对于基金风格漂移的影响，扩宽了基金风格漂移的研究角度，丰富了基金风格漂移相关理论。

对于基金风格漂移与金融市场情绪，诸多学者已经就两者展开了详细研究。

（1）基金风格漂移测度的研究

关于基金风格漂移的量化方法主要有两大类:一类是基于基金收益的线形回归或二次规划方法，如NoelAmenc和LionelMartellimi(2002)的弱式风格模型、Chan等(2002)的三因素模型、Brown和Harlow(2005)的四因素模型以及Idzorek和Bertsch(2004)、Kathryn和Robert(2008)的Sharpe模型与SDS指标法。另一类是基于基金组合特征的对比方法，如Wermers(2002)、Andrew等(2008)以及TheofanisDarsinos和StephenSatchell(2004)提出的模型。

（2）基金风格漂移原因的研究

郭伟文等（2010）认为基金经理的个人特征，如：性别，职业资格证书，学位，海外背景和从业经验等对基金风格漂移产生影响。李学峰和金晓溪（2021）认为资本市场的对外开放程度会刺激基金风格漂移。易力和邓黎明（2020）发现机构持有人持有基金占比、基金管理公司股东规模和独立董事比例与基金风格漂移程度具有反向关系，董事会规模与基金风格漂移程度具有正向。易力（2020）发现在牛市环境和历史业绩较好时，更替基金经理会增加基金的风格漂移，而在熊市下，风格漂移没有显著变化，在历史业绩较差的情况下，基金的风格漂移降低。寇宗来等（2020）认为基金业绩通过影响市场信念进而影响基金风格漂移，基金风格漂移将随上期基金业绩呈现出显著的U型关系。Yinetal.（2017）利用中国资本市场266只开放式基金产生漂移投资风格指数，发现国外股票指数和国内股票指数波动对基金投资风格漂移产生影响。易力和盛冰心（2021）发现前期业绩排名与基金风格漂移之间存在负向关系。

（3）金融市场情绪指数的测度（文相似度的研究）

姜富伟等（2021）在 Loughran And MacDonald(2011)的基础上通过人工筛选和word2vec算法扩充，构建了一个更新更全面的中文金融情感词典，并使用该情感词典计算我国财经媒体文本情绪指标，发现媒体文本情绪可以更准确地衡量我国股市投资者情绪的变化，对我国股票回报有显著的样本内和样本外预测能力。

唐国豪等（2016）总结了文本情绪分析在金融市场与资产定价相关领域的应用与研究进展，整理了主要的文本分析方法，包括词汇分类字典法、文本词汇加权和基于机器学习的朴素贝叶斯法等。

王婷和杨文忠(2021)汇总到文本情感的分析方法分为3类包括基于情感词典的情感分析方法、基于传统机器学习的情感分析方法和基于深度学习的情感分析方法。

（4）预测模型

周卫华等（2022）提出一种基于机器学习的上市公司财务舞弊预测模型Xscore，对上市公司财务舞弊进行预测。

刘云菁等（2022)运用新机器学习的方法预测公司财务舞弊，选取11类财务比率指标与文本信息等非财务指标作为初始输入变量，采用欠采样方法处理训练集样本非平衡问题，选择轻量梯度提升机算法对公司是否舞弊建立分类模型。

基于以上背景，本项目的研究内容分为三个部分，第一部分：筛选情感语言、扩建金融情感词典，并测算金融市场情绪指数；第二部分：结合结构化与非结构化的文本数据构建基金风格漂移诊断模型，并与基于传统结构化数据构建的诊断模型对比，最终得出历史基金诊断报告；第三部分：通过机器学习等方法探寻金融市场情绪与基金风格漂移的关系，增强基金风格漂移诊断模型的可靠性。

1.理论分析

基金经理人依托基金公司这样的强背景，可以拥有更强的数据获取能力和数据分析能力，他所得出的市场预期更大概率符合未来市场的走势，当发生未来市场走势不符合经理基金利益的情况下，基金经理出于自身利益最大化，会选择违背基金合同对风险和收益的约定，选择更有利于自己的管理方式，从而产生基金漂移。如基金经理为缓解惨淡业绩压力，追逐基金排行榜排名或者当基金经理工资同业绩挂钩时，基金经理很可能在市场行情惨淡与市场行业普遍看涨时，转换投资风格，使其自身利益最大化。

图2 金融市场情绪影响基金风格漂移的机制

2.模型构建

2.1样本选取与数据来源

2.1.1样本选取

删除锐思数据库中指数型基金和 QDII 基金，删除已退市基金，选取2014年以前成立的基金以获得6年完整数据，并按照基金类别代码-晨星分类，选取锐思数据库中基金量最多的三种基金类别，分别是1101-股票型；1103-混合型；1105-债券型。通过将周收益数据与基金经理、基金持有人结构数据匹配，最终得出4032只基金作为研究样本，其中其中股票型448只，混合型2200只，债券型1379只。

2.1.2数据来源

（1）基金新闻数据：《中国基金网》上收录的所有新闻，共有2万多个从2014年至今的基金新闻。抓取整理后以表格的形式，内容包括文章题目、发布时间及来源、新闻详细内容等。

（2）金融情感词典扩建母版：姜富伟（2021）在“媒体文本情绪与股票回报预测”文章中给出的金融情感词典

（3）开放式基金周收益率数据：锐思金融数据库

（4）六类风格指数收益率（标普中国100纯成长指数周收益率、标普中国A股100纯价值指数周收益率、标普中国A股200纯成长指数周收益率、标普中国A股200纯价值指数周收益率、标普中国A股小盘纯成长指数周收益率、标普中国A股小盘纯价值指数周收益率、中证综合债券指数周收益率）：Wind金融数据库

（5）基金经理数据：锐思金融数据库与国泰安CSMAR数据库：

（6）开放式基金持有人结构数据：锐思金融数据库

2.2变量设计

2.2.1基金风格漂移

本项目计划运用Sharpe（1988）的二次规划法计算基金资产投资组合中的风格权重。其中，资产收益率采用Hardy（2003）非叠加日收益率测度月度风格权重，以保证其对风格漂移有足够的敏感性。风格权重的二次规划方程为：

（1）

其中，表示基金在第月的收益率；表示t月中信标普A股100纯成长指数、100纯价值指数、200纯成长指数、200纯价值指数、小盘纯成长指数、小盘纯价值指数6类风格资产收益率；是使追踪误差的方差最小化的风格权重；为中证综合债券指数收益率，用于衡量基金投资组合中持有的少量债券，提高风格权重计算的精确度；为债券资产权重。

本项目使用Idzorek和Bertsch（2004）提出的风格漂移得分SDS（style drift score）度量基金投资风格的波动程度，SDS值越大，风格漂移越大。SDS定义为观测期风格权重方差和的平方根。将T期6类风格权重代入式（2），可以得到基金投资风格漂移指标SDS，即：

（2）

2.2.2金融市场情绪指数

本项目拟优化中文金融情感词典，并使用文本相似度模型等方法测度金融市场情绪。

（1）金融情感词典

本文寻找多个开源的金融情感词典数据集，下称FED（Financial Emotion Dictionary）。同时，寻找多个开源的情感词典数据集（非金融情感），下称NFED（Non-Financial Emotion Dictionary）。将多个FED进行合并去重。

使用Word2Vec算法对FED进行扩展，扩展对象为NFED中的词语。其常用方法为根据词语的词向量余弦相似度进行扩展。扩展后的词典下称FED2。同时使用BERT等人工智能里的经典算法对FED2再次进行扩展，视扩展情况决定是否使用进一步扩展后的词典。进一步扩展后的词典下称FED3。将之前得到的FED2或FED3进行处理，因词典中有大量换行符号等影响计算的符号，需消除此类符号。本项目利用word2vec算法从语料库中训练词语向量并计算词语相似度，从而提取与前文筛选后情感词语高度相关的词语，并挑选出具有合适情感倾向的词语，以此实现发现新词并扩充词典的目的。

具体地，计算2个词向量的余弦相似度，计算方法为：

余弦相似度越大，代表两个向量越接近，即两个词语越相关。

（2）金融市场情绪

将情感词及否定词组合为情感单元，并采用如下步骤计算文本情绪。第一，对新闻文本进行分词处理，并去除停用词语。然后，利用情感词典筛选出所有情感词语。第二，构建情感单元。假设情感词只受到在其之前的词汇的影响，将从前一个情感词之后开始到该情感词为止作为一个情感单元。第三，赋予情感得分。积极词权重赋为１，消极词权重赋为-1。

考虑到双重否定表肯定的情况，否定词的权重为，ｎ为否定词出现的次数。文章情绪的计算公式如下：

其中，为情感词权重，为一篇文章中的情感单元总数，即为一篇文章的情绪值。基于单篇文章的情绪指数，可以通过求当月内所有新闻文本情绪平均值的方法获得月度文本情绪。

2.2.3控制变量与预测变量

（1）基金经理相关变量选取

郭文伟2010在“基金经理的个人特征对基金风格漂移的影响研究” 拥有博士或硕士学位的基金经理相比仅有学士学位的经理表现出更强烈的风格漂移倾向，而基金经理的海外学习背景、职业资格证书、从业经验越有助于保持基金风格的一致性，故本项目选取基金经理学历、海外经历、职业资格证书、从业时间这四个变量作为基金经理个人特征层面的控制变量

（2）基金持有人结构相关变量选取

参照国内已有研究，易 力（2020）在文章“基金管理公司治理结构会影响基金风格漂移行为吗？”一文中提出基金持有人结构中机构投资者持有基金比例等与基金风格漂移呈负相关关系，故本文选取机构持有比例作为控制变量之一。

根据以往文献，我们采用近些年新提出的控制变量。微观层面，包括基金经理学历（DEG）,基金的机构持有比例（IHR）,基金经理的毕业院校层次（EB）,基金经理的证券从业经历年限（WT）,任职期间基金净增长率（PER）,基金经理的海外经历（OSE）,基金经理的相关证书（CER）。宏观层面，包括流通中的现金（M0）和失业率（UER）。

表2 变量说明

3.模型设计

3.1机器学习预测

多层感知器(Multi-Layer Perceptron，MLP)也叫人工神经网络(Artificial Neural Network，ANN)，除了输入输出层，它中间可以有多个隐层。通过连接多个特征值，经过线性和非线性的组合，最终得到目标输出值。多层感知机的层与层之间是全连接的，即每一层的任意一个神经元均与其前一层的所有神经元有连接，这种连接代表了一种权重加和，本文将采用MLP机器学习方法去对SDS样本集进行训练。

图3 MLP神经网络模型结构图

3.2固定效应模型回归

机器学习方法可以预测两者关系，但是由于机器学习方法过分强调解释力，易出现过拟合等问题，所以我们还进一步使用计量经济学的方法进行证实，我们采用固定效应模型检验关系。设定固定效应模型如下。

4.实证结果

4.1描述性统计

SDS的均值为0.0653，方差为0.3395，最小值为0.0003，最大值为71.2385.SDS的值越大，代表了基金风格的漂移程度越大。描述统计显示基金的平均漂移程度不大。SI表示金融市场情绪指数，其值越大表示市场看多情绪强烈，其值越小代表市场看空情绪强烈。SI的平均值为0.5147，方差为0.0026，最小值为0.4409，最大值为0.6131，可以看出金融市场情绪指数波动幅度较小，市场情绪在2014年至2020年期间相对稳定。

表3 描述性统计

4.2实验前检验

使用4032只开放式基金2004年至2020年周收益数据与6种风格指数以及中证证券指数数据进行固定效应模型回归，选择基金经理学历与基金持有结构数据作为控制变量，回归模型通过豪斯曼检验，说明使用固定效应模型，回归结果如表4所示。

表4 实验前检验

结果显示：开放式基金周收益率与6种风格指数显著相关，且控制变量皆显著，说明基金经理学历越高，开放式基金收益率越高，机构持有比例越高，基金收益率越高，与现实相符，说明使用6种风格指数计算夏普系数从而诊断基金风格漂移是合理的。

4.3基金风格漂移诊断报告

通过matlab与stata16软件计算出各只基金2014年至2020年的SDS指数以及夏普指数，并据此做出基金风格漂移诊断报告。

表5 基金风格漂移诊断报告展示

这里简要列出报告情况，考虑到年度数据的完整性，使用数据可获取6年以上的基金数据，最终保留475只基金。未发生漂移的基金数量：73只，风格漂移率占比88.42%，说明目前基金风格漂移现象越来越普遍。

由于基金数量众多，我们举例说明。

表6 基金风格漂移案例

汇添富成长基金是一只典型的漂移基金，且风格反复变动，我们参考其收益走势图发现，发现其收益走势线与沪深300指数走势相近，与同类平均走势线差距较大，说明该基金随时根据大盘调整投资，极易发生风格漂移。

表7 基金风格未漂移案例

未发生漂移的基金选取鹏华环保基金，查阅其成立以来相关持仓，发现其持仓一直保持固定风格，不存在漂移。从两案例可以看出，我们的报告结果与现实相符，能科学合理地诊断基金风格漂移。

表8 漂移与未漂移基金SDS对比

根据表8所示，未漂移基金sds无论平均值、最大值、最小值皆小于漂移基金。

表9 不同类别基金SDS对比

其次是分类别对基金sds进行研究，股票型基金的sds无论平均、最大或是最小值都大于其他类基金sds，说明股票型基金更容易发生基金风格漂移，这与现实相符，该结果印证了本项目计算的夏普指数与SDS指数的合理性。

表10 不同基金管理人的基金风格漂移率（最低组）

表11 不同基金管理人的基金风格漂移率（最高组）

此外，本项目依据报告总结了样本内各基金管理公司所管基金的漂移情况，分为最小组与最大组。结果发现，样本基金中，如光大保德信经济管理公司管理的6只基金均发生漂移，这警示投资者在投资该公司基金前，需要慎重审视其基金经理以及公司相关业绩情况。

4.4金融情感词典

本文使用word2vec算法对14年至20年的基金新闻数据进行金融情感词典扩建，共扩展1745个积极词汇，如兴高采烈、扬眉吐气、洋洋得意等。扩展911个消极词汇，如不公正地、无效的、遗弃等词汇。表为扩建的金融情感词典部分内容展示。

表12 扩建的金融情感词典展示

4.5金融市场情绪指数的测算结果

本文利用所构建的中文金融情感词典计算了2014年至2020年各月的金融市场情绪指数，并将2014年至2020年各月指数绘制如图所示。

图4 2014年-2020年金融市场情绪月度走势图

为验证金融市场情绪指数的科学性，关注两个时间节点：

其一，从2014年3月，互联网金融写入政府工作报告，金融市场情绪指数进入一个上升通道；

其二，2014年底至2015年10月，人们对于 P2P网贷的恐慌使得金融市场情绪指数出现断崖式下落，并小幅回升后再次下落。

以上现实情况与上图结果一致可以验证本文计算的金融市场情绪指数的合理性。

4.6金融市场情绪指数与基金风格漂移

4.6.1机器学习模型

从MLP模型训练可以看出，经训练后的MLP对结果SDS进行预测情况不大理想，这是由于欠拟合原因造成的，数据规律未有效识别。

从误差项MAPE绝对误差平均值可以看出，0.09147的平均误差占比SDS超过10%，也从另一个角度表明了模型存在欠拟合。值得注意的是，金融市场情绪指数与SDS存在一定的正相关关系，二者在时间上的变化趋势相似，这与我们采用固定效应模型回归结果得出的结论完全相同。

4.6.2固定效应模型回归结果

表13 金融市场情绪指数与基金风格漂移关系的基准回归

以上结果均为稳健标准误情况下输出，且通过Hausman检验与Spearman检验。回归结果显示，金融市场情绪指数与sds的回归系数在1%的水平下显著为正，说明金融市场情绪指数显著提升了基金风格漂移，表明金融市场情绪确实是基金风格漂移的动因之一，说明基金经理易受金融市场整体的投资情绪影响，从而作出违背基金风格的投资行为，导致基金风格漂移。控制变量方面，机构持有比例系数在1%的水平下显著为负，验证了易力（2020）的研究，认为机构投资者持有基金比例与基金风格漂移呈负相关关系；任职期间基金净值增长率系数在1%的水平下显著为正，验证了寇宗来（2020）的研究，认为基金上一期的业绩越好，基金越可能发生风格漂移。

结论与政策建议

第一，从金融市场情绪指数来看，金融市场情绪指数越高涨，基金风格漂移程度越显著，二者呈现一定的正相关关系，这是因为市场情绪高涨时，多数人对市场呈看多状态，大量增量资金涌入市场，推动股价上涨，超额收益增大，导致基金风格更倾向漂移至超额收益更多的行业。对此，政府应巩固实体经济的平稳发展，避免出现断层及断崖式下滑，维持实体经济稳定是保证金融市场理性的前提，同时也应加强对基金公司的监管，对调仓进行限制，避免其在市场情绪高涨的同时，基金漂移助推金融市场泡沫。基金公司应注重大数据统计，将量化交易系统纳入未来发展战略，运用量化交易克服市场情绪影响，保证基金风格稳定。

第二，从基金经理个人特征分析，基金经理学历越高，基金风格漂移程度越大，这可能是因为基金经理受教育程度越高，对自己的投资能力更自信，更倾向于增加风险、追求短期收益、轮换投资风格来获取超额收益，从而导致了较大的基金风格漂移；基金经理的证券从业经历越久，基金风格漂移程度越大，说明基金经理从业时间越久，越偏向于去追求短期高回报行业，在控制风险的同时，赚取超额收益，造成基金风格漂移；基金经理职业资格证书同基金风格漂移呈负相关关系，这表明持有含金量较高的职业资格证书的基金经理拥有较高的专业知识水平，从而有助增强其投资理念和投资策略稳健性，在一定程度上减少了其所管理基金的风格漂移程度。对此，政府应加大人才引进优惠力度，激励更专业的人才落户，既降低基金风格漂移程度，又能稳定金融市场。基金公司在招聘时应注重基金经理的学历层次和专业证书，同时鼓励在职基金经理参加类似CFA、FRM等职业资格认证方面的专业培训，通过深入学习有助于形成稳健投资理念及风格，增强基金风格稳健性。基民在投资基金时，为避免基金风格产生漂移，应更注重基金经理专业水平。

第三，就基金公司结构而言，机构投资者持有基金占比越高，总体漂移越小，说明机构投资者有较好的监督约束作用，能显著降低基金风格漂移的可能性。对此，政府应引导机构加大对基金的投资，提高其持有基金的比例，加大审查力度，发挥机构投资者的监管优势。基金公司应积极引入机构投资者资本，稳定基金风格。基民在选择基金时，也应参考机构投资者持有比例这一因素。

参考文献：

[1]徐维军,彭子衿,张卫国,黄静龙.基于文本信息考虑投资者情绪的均值回归策略设计——以东方财富股吧发帖文本和A股市场为例[J].运筹与管理,2022,31(03):193-198.

[2]高扬,申怡然,徐嘉熙.投资者情绪对科创板市场收益率的影响——基于文本数据挖掘视角[J].运筹与管理,2022,31(02):184-190.

[3]黄雨婷,宋泽芳,李元.基于文本挖掘的股评情绪效应分析[J/OL].数理统计与管理:1-14[2022-09-09].DOI:10.13860/j.cnki.sltj.20211130-010.

[4]王美月,贾欣然,蔡雨惠.景顺长城沪深300基金投资风格漂移现象识别——基于ARMA和GARCH模型[J].投资与创业,2021,32(21):24-26.

[5]孙烨,刘思宇.基金风格漂移对股价崩盘风险的影响研究——来自中国创业板市场的分析[J].数量经济研究,2021,12(04):17-38.DOI:10.16699/b.cnki.jqe.2021.04.003.

[6]姜富伟,孟令超,唐国豪.媒体文本情绪与股票回报预测[J].经济学(季刊),2021,21(04):1323-1344.DOI:10.13821/j.cnki.ceq.2021.04.10.

[7]寇宗来,毕睿罡,陈晓波.基金业绩如何影响风格漂移和经理离职?——理论与经验分析[J].金融研究,2020(09):172-189.

[8]易力,廖胤凯.基金经理更替对基金风格漂移的影响[J].上海金融,2020(06):61-70.DOI:10.13910/j.cnki.shjr.2020.06.008.

[9]万晓榆,杨腾,袁野,盛海刚.微博信息情绪类型对用户分享意愿的影响研究[J].情报科学,2019,37(08):97-101+107.DOI:10.13833/j.issn.1007-7634.2019.08.016.

[10]孟勇,常静.投资者情绪对规模效应的影响[J].统计与信息论坛,2019,34(04):98-104.

[11]石善冲,康凯立,赵志刚.机构与个体投资者情绪对IPO抑价影响研究——基于微信文本挖掘[J].经济与管理,2019,33(01):51-58.

[12]唐国豪,姜富伟,张定胜.金融市场文本情绪研究进展[J].经济学动态,2016(11):137-147.

[13]喻国平,许林.基金投资风格漂移及对股市波动的影响研究[J].证券市场导报,2016(07):59-68.

[14]郭文伟.中国开放式基金投资风格漂移程度的量化研究[J].广东商学院学报,2012,27(03):32-40.

[15]郭文伟,宋光辉,许林,藤莉莉.中国开放式基金风格漂移动态研究[J].商业研究,2011(10):133-140.DOI:10.13902/j.cnki.syyj.2011.10.015.

[16]宋光辉,许林.开放式基金投资风格漂移量化指标应用研究[J].证券市场导报,2011(05):41-46.

[17]郭文伟,宋光辉,许林.基金经理的个人特征对基金风格漂移的影响研究[J].软科学,2010,24(02):123-128.

[18]宋威.风格漂移与基金绩效[J].商业研究,2009(06):153-156.DOI:10.13902/j.cnki.syyj.2009.06.056.

[19]李学峰,徐华.基金投资风格漂移及其对基金绩效的影响研究[J].证券市场导报,2007(08):70-77.