lof基金十篇

lof基金篇1

Lof基金可以在指定网点申购与卖出基金份额，也可以在交易所买卖该基金。若投资者是在指定网点申购的基金份额想在网上卖出，需要办理一定的转托管手续；同理而言，如果是在交易所购买的基金，想要在指定网点卖出，也需要办理托管手续。

Lof基金的英文全称是“ListedOpen-EndedFund”，中文是“上市型开放式基金”。Lof是指在证券交易所发行、上市及交易的开放式证券投资基金。上市开放式基金既可通过证券交易所发行认购和集中交易，也可通过基金管理人、银行及其他代销机构认购、申购和卖出。卖出基金份额，可到指定网点包括基金公司，银行柜台，代销机构，基金网站和第三方财富管理app。上市型基金就是可以在证券交易所里面交易，和股票交易一样只要投资者在证券公司开户就可以在交易所交易了，这些均可在网上操作。

（来源：文章屋网 ）

lof基金篇2

1、含义不同。etf即交易指数开放基金，是跟踪某一指数的可以在交易所上市的开放式基金。lof基金是上市向开放基金，是中国首创的一种基金类型，也是etf基金的中国化。

2、申购赎回的场所不同。etf的申购和赎回只能在交易所进行，也就是只能进行场内交易，lof既可以在交易所进行也可以在代销网点进行。

3、申购赎回的标的不同。etf采用“实物申购、实物赎回”，投资者申购到的是一篮子股票，赎回的也是一篮子股票。lof基金申购的可能是一篮子股票，但赎回的却是现金。

4、交易限制不同。etf的门槛高，交易最低要求在50万份以上，只有资金量较大的投资者可以参与，lof对于申购赎回没有特别的要求，普通投资者也可以参与。

lof基金篇3

摘要：风险度量是金融市场风险管理的核心，VaR风险管理办法作为目前最普遍流行的风险管理工具，被广泛应用在各种金融资产风险管理中。本文运用GARCH-VaR 方法实证研究了开放式基金在收益率序列分别服从三种分布假设下，股票型基金和债券型基金的VaR 值，并进行了后测检验。结果表明，GARCH-VaR方法比传统静态VaR方法更适合描述基金风险程度，基于GED分布假设计算的VaR相比较正态分布和t分布所计算的VaR更能真实反应基金风险。股票型基金风险大于债券型基金风险,不同的基金类型在不同假设下的风险不尽相同。

关键词 ：LOF 基金；GARCH-VaR；t 分布；GED分布

一、引言

VaR（Value at risk）译为风险价值或在险价值，含义为“处在风险中的价值”，是指当市场正常波动时，一定置信水平条件下某项金融资产在持有期内可能遭受到的最大损失。VaR方法产生于20世纪80 年代。1994 年JP 摩根公司创立了Risk Metrics 系统，将当时未被大多数资本市场参与者所了解的这种新的风险价值管理工具（Value-at-Risk）免费推向市场，逐渐成为世界金融业风险管理典范，极大推动了VaR 方法应用普及。此后，VaR方法开始被银行、非银行金融机构和金融监管当局普遍接受，并广泛用于金融资产风险管理。

目前度量VaR值的方法主要有三种：非参数法（主要有历史模拟法，蒙特卡罗模拟法），半参数方法（主要有极值理论），参数方法（方差—协方差法）。传统VaR模型中，通常假设资产收益率无条件服从正态分布。但实证研究表明，金融资产收益率序列并非如此，而通常表现出尖峰厚尾特性，波动聚集性和杠杆效应。传统的VaR计算方法是一种静态计算方法，所涉及的金融资产期望收益率和收益率方差在一定时期内保持为常数限制了VaR的适用范围。GARCH模型能很好克服收益率序列时变性，又能通过假设收益率序列服从不同分布描述分布的尖峰厚尾特性。因此，GARCH模型能有效追踪金融时间序列收益率的动态方差，精确计算VaR值。本文采用将广义自回归条件异方差模型（GARCH）引入VaR 计算过程，通过构建GARCH-VaR 模型估算能反映时变特性的动态VaR 值。欧立辉[1]计算VaR的值，比较得出在GED分布假设情况下，GARCH-VaR模型是所分析的几种计算VaR方法中最有效方法。鲁皓和周志凯[2]风险进行度量，实证研究发现基于GARCH-GED 分布模型的VaR 方法比传统方法更有效，能较好刻画证券投资基金的市场风险。张敏和郑丕谔[3]计算时变风险价值的GARCH-VaR模型簇，在不同假设下对我国基金市场风险进行实证分析。发现基于GED分布的EGARCH-VaR模型能较好评估开放式基金的统计特征和市场风险。陈权宝和连娟[4]比较研究得出结论，即基于GED 分布的假设条件下模型计算的VaR值最能真实反映基金的风险，不同的基金投资风格所含的投资风险不尽相同。

二、GARCH-VaR 模型理论介绍

1.GARCH 类模型基本理论1982 年Engle 在研究通货膨胀时提出自回归条件异方差模型（ARCH 模型）。Bollerslev随后在1986改进了ARCH模型使之扩展成为GARCH(p，q)模型，使用简单的GARCH模型来替代一个高阶的ARCH模型，较好弥补了ARCH模型的不足。GARCH（p,q)模型的一般表达式如下：

GARCH模型的优点在于，不仅能描述资产收益率序列有偏分布，且保留了描述过度峰度优势。一般认为使用GARCH模型在预测金融资产收益率最为成功。通常GARCH（1，1）模型能描述许多金融时间序列的异方差问题，即能在一定程度上反映实际数据的长期记忆特征。

GARCH模型中残差序列的条件分布通常被假设为正态分布，但这种假设在处理金融市场中具有尖峰厚尾特性的收益率序列时却并不适合，因为源于导致资产价格发生剧烈变动的信息往往以成堆而非平滑连续方式出现，这就是波动的聚集性。实践中GARCH模型残差的分布通常为正态分布（高斯分布）、t分布和广义误差分布（GED分布）。正态分布是一种薄尾分布，其概率密度函数以指数函数衰减至零，很难刻画因为波动聚集所导致的尖峰厚尾现象。t分布的尾部要比标准正态分布的尾部肥大，峰也要比正态分布尖，当t分布的自由度趋于无穷大时，t分布的概率密度函数等于标准正态分布的概率密度函数，t 分布近似等于标准正态分布。在GED分布中，当自由度等于2时，GED分布是正态分布，自由度大于2时，GED分布的尾部比正态分布的尾部更薄，自由度小于2时，其尾部比正态分布的更厚，峰度比正态分布更尖。因此自由度小于2的GED分布比正态分布更适合描述序列的尖峰厚尾特性。

2.GARCH-VaR模型

VaR风险价值是指在市场正常波动下对证券组合可能遭受到的损失统计测度，即某一投资组合在给定置信水平下，一定持有期内可能发生的最大损失。数学公式描述即：Prob（p>VaR）=1-c 。其中，p为资产在持有期内的损失，c为置信水平（一般取99%、95%、90%）。实践中假定以未来资产价值的期望值为参照，VaR 的计算公式为：VaR= P0 ?σΖC ? T 。其中P0 为资产的期初价值，σ 为方差，ΖC 为一定置信水平的下分位数，T为资产的持有期。虽然VaR具有以随机变量的概率分布刻画风险和以货币计量单位表示风险管理的潜在亏损优点，但因为与资产收益概率分布和波动性有关，而资产收益常具有异方差特性，要准确估计VaR必须充分考虑收益概率分布及波动性。由于GARCH模型考虑了序列异方差，可有效拟合具有长期记忆性的异方差函数，很好反映金融市场中资产收益率波动的聚集效应。因此，利用GARCH模型计算出来的时变条件标准差σt 代入到VaR计算方法中，可得基于GARCH 模型的动态VaR 计算公式：VaR= Pt -1 ?ΖC ?σt ，其中，Pt -1 为前一日的资产价格，ΖC 为一定置信水平对应分布函数的下分位数。σt 为基金收益率序列的条件标准差序列。通过构建的GARCH-VaR 模型对资产的风险进行测定。

三、实证研究

1.数据的选取和处理

本文研究样本选取了在沪深证券交易所上市的8只交易型开放式LOF基金，并将其分为股票型LOF基金（博时主题，景顺鼎益，南方高增和招商成长）和债券型LOF基金（华强富债，易基岁丰，富国天丰和大成景丰）2个不同投资风格的基金分组。数据选择从2010 年12 月20 日到2014年11月28日，共计961个交易日的基金每日净值数据作为研究对象。将数据处理成为基金的收益率序列的计算公式为rt =1n(yt -yt -1) ，其中yt 为基金第t日的累计净值，yt -1 是基金第t-1日的累计净值，样本数据经过处理得到每个收益率序列的数据个数为960个。本文所有数据计算通过Eviews5.0和Matlab7.0实现。

2.样本数据的基本分析

通过对样本基金日收益率序列描述性统计分析可知（表1），8只基金收益率均值均接近于零，方差普遍较小。但股票型基金方差比债券型基金方差大，说明股票型基金波动比债券型基金波动剧烈。在5%的显著性水平下，8只基金偏度都是负值，说明开放性LOF基金收益率分布有长的左拖尾现象，基金收益率序列峰度显著大于3说明，无论股票型LOF基金和债券型LOF基金，收益率分布都存在不同程度尖峰现象。股票型基金峰度在3.58-14.33之间，而债券型基金的峰度最小为11.41，最大达到107.53，说明债券型LOF基金相比股票型尖峰现象更为突出。正态统计量JB 统计量在5%的显著性水平下全部显著，说明基金收益率序列并不服从正态分布。

3.建立模型

对基金收益率序列ADF检验结果显示，在1%置信水平下拒绝存在单位根假设，即8只LOF基金日收益率序列都是平稳序列。继续对序列相关性分析，通过对基金日收益率序列的AC和PAC值、序列的LM检验统计发现，在5%的置信度下，所有收益率序列自相关函数都围绕在横轴附近波动，不具有自相关性或呈现很弱的自相关。观察残差的相关系数图也验证了序列不存在相关性的结论，但观察残差平方却表现出明显的波动聚集性，表明存在异方差现象。为考察基金收益波动异方差，在模型基础上用拉格朗日乘子检验（ARCH-LM）检验序列是否存在ARCH现象，检验结果证实序列参在异方差现象。基于以上判断，我们选用具有时变特征的GARCH-VaR 模型计算资产的VaR值。

根据以上分析，分别假定残差序列服从正态分布、t分布和GED分布，考虑对样本的8只基金收益率序列建立GARCH模型，通过AIC和SC信息准则反复试算，判断最适合每个序列的滞后阶数p和q。利用Eviews6.0 软件对序列数据进行拟合，得到各个序列的拟合参数值。从模型参数估计结果看，各模型参数值均在5%的显著性水平下显著。模型拟合效果优良；对估计模型残差做异方差ARCH-LM 检验，发现条件方差现象得到有效消除，说明GARCH模型能较好刻画基金收益率异方差现象，比较不同分布下的拟合结果发现，GED 分布模型下的自由度均小于2，表明模型能较好描述基金收益率的厚尾特性。

4.VaR 值的估计与结果分析运用matlab7.0的逆累积分布函数和数值积分分别计算出t 分布和GED 分布在95%和99%置信水平下的下分位数，最后把有GARCH模型计算出来的条件方差和95%，99%置信水平下的下分位数代入VaR 的计算公式，得到每只样本基金的VaR值。如表2所示。

（GARCH- n 表示正态分布下的GARCH 模型，GARCH-t 表示t 分布下的GARCH 模型，GARCH- GED 表示基于GED分布的GARCH模型）

从表可知三种假设中，由t分布计算出的VaR值在95%和99%置信水平条件下都是最大的，正态分布假设下，7只基金在99%的置信区间内存在最小的VaR值，只有大成景丰VaR 值比GED 分布下的VaR值大。95%置信区间下，基于GED分布假设所计算出VaR值是这三种假设条件下最小的。从不同的置信区间来看，同种假设条件下95%置信水平下的VaR值要小于99%置信水平下的VaR值。总的来看，在99%置信水平条件下，一个交易日的VaR值显著大于95%置信水平下的对应值，说明随着置信水平的提高，资产所要求的风险价值水平也会增加。从基金投资风格看，股票型基金的VaR值普遍要比债券型基金的VaR值大，表明以投资股票为主的基金比以投资债券为主的基金要承担更大风险。

5.模型的后测检验

为检验所构建风险计量模型有效性，本文采用Kupiec提出的失败率检验法对模型有效性进行检验。失败率检验法通过比较实际损失超过VaR的频率与一定置信水平下的上限值是否接近或相等判断VaR模型的有效性。如果模拟的失败率应等于1减去预先设定的VaR置信水平下，则模型有效，如果相差太大，模型不适合。选取估算样本共计T个交易日内的VaR 值与同时期实际日损失p 进行比较，当实际日损失p大于估算同期的VaR时，表示为失败天数，由此计算出序列的失败天数共计为N，失败率表示为e=N/T,然后将e值与显著性水平进行比较判定模型有效性。当e<1-c时，表明模型预测结果覆盖实际损失，但e太小则表明模型估计过于保守。当e>1-c时，说明模型低估风险水平。表3给出依据960个样本交易数据在各置信水平下计算的失败率和平均失败率。

测试结果显示看出，模型预测结果基本能覆盖实际损失。在99%置信水平下，GARCH-t模型中7只基金通过检验，债券型LOF 基金富国天丰没有通过检验。GARCH-n模型效果最差，只有一只基金通过检验。在95%置信水平下，GARCH-t模型中基金全部通过检验，但平均溢出率较小，GARCH-GED模型中只有两只基金溢出率超过5%，且8 只基金溢出率在4.06%-5.31%之间，平均溢出率是三种模型中最大。从不同基金类型看，股票型基金的VaR 溢出率普遍比债券型基金的VaR溢出率更接近实际水平。

四、结论

本文在考虑时变波动率基础上对基金收益率序列建立开放式基金的GARCH-VaR 模型三种不同假设VaR 值和失败率实证研究表明：开放式LOF基金收益率序列不服从正态分布，具有波动聚集性和尖峰厚尾的特性；基于GARCHGED模型的VaR方法能有效反映基金的风险；不同的基金类型，风险程度不同。债券型基金风险小于股票型基金风险。置信度水平越高，所求得平均VaR 值越大，这是因为对应的左尾概率越小，极端事件发生的频率也小，对分布的尾部的准确性描述越困难，要求的风险补偿会越多。

参考文献

[1]欧立辉.基于GARCH 模型的VaR 度量证券投资基金风险实证研究[J].湖南农业大学学报,2005(6)：50-54.

[2]鲁皓,周志凯.基于GARCH-GED分布模型的证券投资基金风险度量[J].金融实践与理论，2014(3)：8-11.

lof基金篇4

出口或成为中国经济新亮点

世界经济尾随中国，在今年第三季度逐渐走出了金融危机的阴影。发达国家金融环境的好转，为中国出口创造了新的机会。韦伟认为，以美国为首的西方国家工业去库存化开始减速，使得四季度存在补库存的需求，预计未来中国企业将有望从生活必需品、非耐用消费品以及造纸印刷、电子及通信设备等行业的复苏中分一勺羹。

震荡是大概率事件

中国经济领先发达国家3～6个月走出危机影响，促使A股市场率先在上半年迎来反弹，也率先在三季度遭遇调整。对于四季度的股市走势，韦伟认为，企业盈利改善速度趋缓，市场流动性趋紧，市场大幅上涨的动力不足，而市场下跌的空间亦不大，震荡仍是大概率事件。

在这样的市场环境下，应更注重自下而上的选股方法，挑选业绩改善超预期，同时估值相对合理的股票作为投资标的，是获得超额收益最好的途径。目前，信息服务、金融、食品饮料和生物医药等行业的PE估值相对较低，而有色金属、黑色金属、交通运输、轻工制造、电子元器件和信息设备等行业的估值相对较高。

此外，周期性消费类仍可被看成是一个中长期的投资主题。在过去的三个季度中，周期性消费类均跑赢了沪深300。随着我国中产阶级人数的快速增加，家电、汽车、优质食品、医疗保健、金融产品和教育等产业行业的前景向好，从而带动此类概念下的个股具有中长期投资的价值。

借道LOF决战理财收官季

进入四季度以来，A股震荡明显加剧，多空双方在3000点口附近展开激烈争夺，在不确定因素笼罩下，应该采取何种投资策略成为投资者最为关心的话题。

韦伟指出，特殊的市场情况下应采取特殊策略，投资者不妨以短平快手法抢占市场机会，LOF既有股票的操作便利性，又兼具基金的管理优势，不失为决战理财收官季的独门绝技。

lof基金篇5

除了前面两期杂志介绍的低风险类理财产品外，还有部分套利类型的理财产品风险也较低，不妨先了解一下。

LOF套利

LOF是一类既能够按照单位净值申购赎回又能按照交易价格买卖的半开半闭性质的基金，由于大量投资者通过商业银行渠道按照普通开放基金来办理申购赎回，目前其开放基金的性质还是占主导的。

只要在证券公司开赢证券账户，就可以在二级市场买卖LOF份额，与封闭基金的交易规则无异。由于LOF的单位净值与交易价格不会总是一致，这样理论上就存在套利机会。如果出现折价则可以先市价买人再按净值赎回，如果出现溢价则可以先按净值申购再按市价卖出。

造成LOF套利失败主要是交易费用和交易时间两个因素，相对而言折价套利的风险稍低，买进和赎回的费用都较低，第二个交易日即可锁定风险，溢价套利则较高的申购费会蚕食较多的套利收益且申购需两个交易日才能卖出以锁定风险。由于交易价格受市场供求关系影响而且加入了较多的投资者预期，所以在熊市里LOF是有望出现折价的，不过第二日的净值下跌可能让套利功亏一篑。

去年在重大救市政策的刺激下出现了大盘涨幅接近10％的情况，而LOF也封在了涨停板上，由于LOF的持股比例只有70％左右，这样3％左右的一个溢价套利机会就出现了。

证券公司兼具场内买卖、场内申赎和场外申赎三种渠道，LOF套利必须是场内份额采取交叉操作方式才能实现，在商业银行申购的LOF份额属于场外份额必须做跨市场转托管到场内才‘能做套利，由于做转托管还要耽误至少两天时间这明显加大了套利的风险，所以要做LOF套利就最好不要通过场外渠道获得份额。目前LOF已经扩大到几十只的规模，都在深圳交易所上市。

ETF套利

ETF也是一种半开半闭型的基金，与LOF不同，ETF的封闭基金性质是占主导的，而且没有场外渠道的申赎。ETF的套利几乎是专门为机构投资者设计的，需要购买昂贵的专业套利软件，起点一般为100万，最少也是50万，采取实物申赎机制，申购使用ETF对应指数的成份股，赎回也是得到其成份股，ETF套利的风险较低，一方面由于交易费用低；另一方面当天即可锁定风险。

当ETF出现折价时则采取先买进份额再赎回份额然后卖出成份股，出现溢价时就先买进成份股再申购份额然后卖出份额。ETF的实物申赎机制还可以用来处理一些特殊的股票，如果ETF的某只成份股在重大利好消息刺激下涨停而无法买进并可能出现连续涨停，则可以买进ETF份额再赎回份额然后留下这只成份股卖出其他成份股。当ETF的某只成份股在重大利空消息刺激下跌停而无法卖出并可能连续跌停，则可以买进其他成份股再申购ETF份额然后卖出份额就达到卖出这只成份股的目的。下表是2008年lO月21日收盘以后目前仅有五只ETF的基本情况，可以看出都存在或多或少的折价。

打新债

去年打新股的平均收益率约为0.1％，而打新债的平均收益率则高达1.87％，打新债已经成为一种需要重新审视的套利方式。

打新债本来不应该有这么高的收益，之所以会这样是由去年的特殊情况造成的，股市的大跌使得许多保守的资金主动转入了债市避险，一些原本存在侥幸心理的资金在挣扎了半年之后也被迫进入债市，对于债券的需求一下就提上去了，宏观调控政策前紧后松年中来了个大转向，降息周期的形成刺激了债市上涨，不少发债公司由于上半年形成了融资饥渴症，债券的票面利率定得都比较高，这样债券上市后很容易溢价，这样看来去年八月份的债市行情井喷就不足为奇了。

而新债网上发行不采取摇号中签的办法而是先到先得，且网上发行的比例很低，网下发行的操作则很不透明，这些都加剧了债券溢价。对于个人投资者而言，打新债只能参与网上申购，要做的就是第一时间下单，而剩余就是IT问题了。对于机构投资者而言，则尽量争取参与网下申购，提前收集信息并及时与债券承销机构联系上，拿到债券几乎就等于拿到新债的溢价收益。

债券回购

lof基金篇6

道富环球投资（State Street Global Advisors）与美国证券交易所合作，在1993年推出了震惊全球的第一只交易所基金产品――标准普尔预托证券（SPDR）。从那时起，ETF在全球范围内迅猛发展。到2002年，全球280只ETF管理的资产达到1416亿美元；到了2003年，281只ETF管理的资产却增加到2100亿美元。

2004年12月30日，国内成立了首只ETF基金，即华夏上证50ETF，ETF基金从此开始了中国理财江湖上的所向披靡大战。

ETF的江湖PK大战

ETF的英文名字是“Exchange Traded Fund”，中文译名为“交易型开放指数基金”。它是一种在交易所挂牌交易的基金，与开放式基金以相同形式注册，但具有开放式基金和封闭式基金的双重特征。ETF具有多种基金的优点，并且较普通指数基金、LOF基金和封闭式基金还有其显著的优势。

ETF PK 普通指数基金

套利PK现场:

由于ETF的投资组合通常完全复制标的指数，其净值表现与盯住的特定指数高度一致。所以，也可以说ETF和指数型基金都有着同样的优势。比如，ETF和普通指数基金一样，由于都是采取跟踪指数的指数化投资策略，所以基金管理人不必对股票的选择和投资时机的把握进行分析和评判，这样管理费用跟一般的基金比就要便宜很多。而且由于它们都选择的是一揽子股票，所以较投资个别股票的股票型基金，也大大降低了风险。

如果说“青出于蓝，而胜于蓝”的ETF基金是普通指数型基金的“豪华升级版”，那一定不为过。我们知道普通的指数型基金是无法上市交易的，但ETF则不同。由于ETF可以像股票一样上市交易，所以它的费用更加低廉，是普通指数基金的二分之一。最重要的一点是，投资者可以利用一二级市场的市场差价进行套利，获得额外的套利收益。

PK结果:

ETF――WIN!

ETF PK LOF

费用PK现场：

LOF的英文全称是“Listed Open-Ended Fund”，汉语称为“上市型开放式基金”。ETF和LOF同是我国基金市场的重大创新举措，都具备开放式基金可申购、赎回和份额可在场内交易的特点。但是ETF在管理费用上相当低廉，仅为普通股票型基金管理费用的三分之一。在交易费用方面，ETF基金不高于封闭式基金佣金水平的3%，而LOF的交易费用很高，一般的股票型基金的申购费用大约是1.5%，赎回费用大约为0.5%。除此以外，在二级市场的净值报价上，ETF每15秒提供一个基金净值报价，而LOF则是一天提供一个基金净值报价。在套利机制上，虽然二者皆可套利，ETF当天即可完成，而LOF转托则需要两个工作日。

PK结果：

ETF――WIN!

ETF PK 封闭式基金

套利、费用PK现场：

由于ETF属于开放式基金，所以它不仅和封闭式基金一样能在二级市场上交易，还能在一级市场上申购和赎回。最重要的是，它比封闭式基金多了一个套利机制。从交易费用上来说，ETF的交易总费用很低，大约是封闭式基金的

三分之一。

PK结果：

ETF―― WIN!

ETF与“定投”终成眷属

可以说无敌的ETF和“基金定投”的投资方式绝对是“天生一对”。特别是ETF在面对复杂多变、牛熊交加的“险恶江湖”时，显出力量的“定投”就当之无愧成为ETF的好伴侣了。

“定投”的江湖实战演练

“定投”也就是定期定额投资的简称，原理其实很简单，就是极度发挥了复利的效应，“小雪花变大雪球”的道理。举个例子，假设每月以500元定期投资某只基金，年回报率以19.8%（上证综指1992年1月2日至2007年12月28日复合年化收益率）计算，收益情况如下图：

难怪爱因斯坦大加赞叹道：“复利是人类最伟大的发明”。我们会发现，在同样的年平均回报率下，随着投资时间的增加，收益是以惊人的速度增长的，这就是复利的威力。

定期定额投资还有一个重要的特点就是它具有平滑波动性。由于定投的建仓具有持续性，所以每个单比投入都只占总额的N分之一，也就是说，这里的N越大，也就是投资时间越长，市场在风险最高时候所占的份额――即高点的单比成本就越小。无疑，对于这种投资方式，越是具有高风险的基金就越喜欢，所以它适合投资波动性较大的股票型基金、偏股型基金和指数基金。

除此以外，定期定投还有一个好处就是摊低投资成本。我们在做单笔定投的时候，只有在市场底部建仓才能保证赚到钱，但是谁又能准确地预测到真正的市场底部呢？别说是我们，就是消息灵通、投资经验丰富的基金经理都难以预测。普通的投资者们一直都在重复演绎着“抄底变买套”的“投资经验”。而基金定投就不存在这种“择时”、“抄底”的问题。由于投入的资金相同，当基金净值上涨时，买到的基金份额就比较少；当净值下跌时，买到的份额则较多。这样一来，“上涨买少、下跌买多”，长期下来就可以有效地摊低投资成本。我们也不必为选择合适的投资时机而劳神费力了。

ETF单打独斗闯江湖

对于ETF应该选择怎样的投资策略呢？由于ETF是复制指数的一揽子股票，所以它的高低只能由指数决定。“逢低买入，逢高卖出”这种简单、又是真理的投资之道对于ETF一定永远不会过时。但在实际的操作中，几乎没有人能在利益的面前保持冷静，一旦牛市汹汹，当下立即买进。别忘了，对市场极度繁荣的另一种解读就是萧条可能即将来临，结果买进没几天，市场开始下跌。所以ETF面对“牛熊交错”的股票市场独闯江湖的时候，较其他任何风险类基金都失去了“佼佼者”的光芒，而沦为跟他们一样的“麻衣白丁”了。

没错，ETF需要一个品行优良的“伴侣”一同闯荡江湖，那就是“定投”。也正是由于目前国内还没有专门接受ETF定投的银行或机构，所以很多人都在做指数基金定投，而忽略了ETF定投。在这个市场“空档”的时候，如果我们抓住机会，勤劳致富，定期定额自行建仓，一定能比相仿的投资方式更加具有优势。

险恶江湖里的“逍遥一对”

ETF和定投在一起的时候，无疑可以踏平一切险恶了。任凭“牛市”、“熊市”、“震荡市”……怎样卷土重来，这逍遥的一对都能从容应对。

让我们来归纳一下ETF基金和定期定额投资能够共享的优势和互补的成分。

由于定期定额投资属于长期投资，所以在持续的建仓过程当中，单笔投入的资金会在整个的定投长河中越来越小。特别是遇上了ETF，假设ETF正好踩到市场指数的最高点，如果这个时候单笔买入的话，那可能“永世不得翻身”了，但如果此时投资者采用的是定投的投资方式，平摊的成本几乎可以说是微乎其微的。同时，由于ETF是跟踪指数的基金，无需时时关注基金动态，加上定投每月一次的办理，可谓是锦上添花――舒适理财，又能满载而归。

lof基金篇7

关键词：证券投资市场；基金业绩；持续性单；因素方差分析；多元回归分析；格兰杰因果检验

中图分类号：F830 文献标识码：A 文章编号：1006-8937（2014）30-0106-02

1 数据处理

通过整理2012年上海证券交易所综合指数和2012年国内表现优异的股票型基金的业绩的数据，计算出大盘指数的增长率，即为“大盘收益率”，也可以近似认为是市场平均收益率。同时，将10支业绩排名名列前茅的基金收益率做了处理，最终得出以下结果，见表1。

2 基本分析

首先，观察最后一列的变量――各基金该月平均收益率，将之与大盘的该月平均收益作比较，不难发现，在2012年的12个月中，5、6、7、8、10、11六个月份的各基金平均收益超过了大盘，占50%，而另外6个月则没有。

其次，在最后一行的月平均观察值这一栏，可以直观看出，华宝兴业新兴产业、德盛精选和富兰克林国海深化这三支基金在这一年中，平均收益水平并没有跑赢大盘。这三支基金在2012年的综合业绩都足以排进国内基金排行的Top10，然而却依然没有超过大盘，获取超额收益，有理由推论，2012年全国绝大部分基金经理人的业绩是没有跑赢大盘的。

其三，从中欧中小盘股票（LOF）收益率数据和大盘收益率数据，制出曲线图，如图1所示。

两组数据的变化趋势有着较高的相似性，只是大盘趋势变动在中欧LOF变动之前，中欧LOF随之发生变化。众所周知，LOF是交易性开放式指数基金，其收益预期变动与市场整体变动有着密不可分的联系。在上述10支基金中，中欧LOF的业绩是第二好的，这从侧面说明，基金经理人即使赚取超额收益，并不一定完全是取决于个人基金投资水平，也有可能是市场的因素。

以上三点说明，即使国内表现最为优异的基金也不一定能长期稳定的跑赢大盘。基金经理人的经理业绩并不能完全反应其投资能力，尤其是其投资业绩的稳定性和持续性更是令人怀疑。

3 单因素方差分析

将“基金经理人业务能力”作为一个变量，则每个基金的收益率都是一组实验数据，设定“H0：各组均值之间没有显著差异”，进行方差分析，一次判断每个基金经理人的平均业务能力是否有着显著差异。选取表1中业绩最好的四个基金和大盘，依次将“大盘收益率”、“中欧LOF”、“上投摩根”、“景顺长城”、“新华行业周期转换”定义为“1”、“2”、“3”、“4”和“5”输入SPSS，得出下列结果，见表2。

总体来说，P值大于0.05，接受原假设，也即四个基金公司与大盘的收益情况并没有显著地不一样。根据本文的前提假设，得出结论：基金经理人的业务水平并与大盘之间没有非常显著的差异，不能肯定地说，好的基金经理人就一定有比大盘或是比其他基金经理人更为突出的表现，见表3。

表3运用了LSD检验，展示了在置信度为95%的条件下，每个基金公司（大盘）两两之间的相互比对，最低的P值也达到了0.698，该表更进一步证明了上述观点。

4 多元回归分析

上投摩根是2012年业绩最好的股票型基金，为研究以其基金收益率与累计净值、单位净值增长率、选股能力alpha值、平均收益率排名和上证综合指数之间的关系（各项数据均为2012年1～9月的半月数据，见附录），设变量Y为“平均收益率排名”，依次将“累计净值”、“单位净值增长率”、 “基金收益率”、“选股能力alpha值”和“上证综合指数”设为X1，X2，X3，X4，X5，并将2012年1月上半月定义为1，下半月定义为2，以此类推直至9月上半月为17，建立回归模型：

Yt=β0+β1X1t+β2X2t+……+β5X5t+ut；t=1，2，3......16，17

在此，我们设置置信度为85%，由回归结果：

①t检验和p值分别见表4。

由上表我们看出，上投摩根的收益率排名，与基金的累计净值、单位净值增长率、基金收益率、上证综合指数有着显著的联系，其中基金收益率和上证综合指数是最为重要的两个因素，说明大盘本身对于一支基金的收益也有很大的影响。然而，令人不解的是理论上作为与收益密切相关的选股能力对其排名的影响却并不显著。

②整个方程的F检验值为18.67382，p值为0.000048，通过检验；拟合度R-squared为0.894605，调整的拟合优度Adjusted R-squared为0.846698，均比较高；DW检验结果Durbin-Watsonstat

为1.636886，不存在自相关，综上，方程可以说明问题。

5 格兰杰因果检验

由于上述分析中，对选股能力α值的无法解释，我们进一步做格兰杰因果检验，验证选股能力和基金排名是否存在因果关系，方法同上将排名和选股能力数据输入Eviews，选取滞后期为2，得出结果见表5。

可以看到，平均收益率是选股能力的格兰杰原因；而选股能力不是平均收益率的格兰杰原因，可能原因是基金经理人的业绩并不一定是其选股能力即投资决策能力的必然因素。

6 结 语

根据上面的计量回归分析我们可以得出这样一个结论，那就是基金业绩的走势并不具有长期性，在短时间内维持较高增长幅度和增长速度的基金，从长期来看可能平均收益率未必能够稳稳超越大盘。

参考文献：

[1] Jensen M.The Performance of MutualFunds in the Period1945―1964[J].Journal of Finance，1968，（23）.

[2] GrinblattM，Titman.Persistence of mutual fund performance[J].Journal of Finance，1992，（5）.

[3] Brown，S.J，Goetzmann，W.N.Performance Persistence[J].Journal of Finance，1995，（2）.

[4] Hendricks，D.：Patel，and Zeckhauser，R.Hot Hands in Mutual Funds―Short―Run Persistence of Relative Performance，1974-1988[J].Journal of Finance，1993，（1）.

[5] 吴启芳，陈收，雷辉.基金业绩持续性的回归实证[J].系统工程，2003，（1）.

[6] 肖奎喜，杨义群.我国开放式基金业绩持续性的实证检验[J].财贸研究，2005，（2）.

[7] 苏云，肖辉，吴冲锋.中国证券投资基金业绩持续性研究[J].预测，2002，（6）.

lof基金篇8

关键词：数据挖掘技术；洗钱交易；模式

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）14-0204-02

1 前言

如今，我国对于反洗钱主要是金融机构依据相关管理办法上报可疑交易数据，对洗钱犯罪进行识别和调查。这种方法存在标准模糊、高误报率、海量数据以及缺乏自适应性等问题，对上报可疑交易数据的有效性与可靠性造成影响。在这种形势下，本文就提出了采用数据挖掘技术识别可疑洗钱数据，这种研究具有实用价值。

2 数据挖掘技术的流

数据挖掘也称之为数据库知识发现。如今数据挖掘技术被应用到各个领域中，比如生物医学、金融、零售业以及工程和科学等各个领域中。数据挖掘技术能够快速处理大量的金融数据，识别洗钱行为，让反洗钱过程简单化、效率化。数据挖掘技术基本步骤如下图所示：

从上图来看，数据挖掘技术过程大致分成四个阶段：

（1）选择与清洗数据；当确定好数据挖掘对象时，就需要搜索所有和对象相关的外部与内部数据，就需要从中挖掘应用数据。但是现实中的数据都含有噪音的、不完全的、不一致数据，所以必须要清洗数据过程填充空缺值，消除噪声、识别孤立点，纠正数据中不一致。

（2）集成与转换数据；数据分析中常常要涉及数据集成，数据集成就是把多个数据源中数据共同存放到一个数据存储中。在合并多个数据源时，就必须要考虑到识别实体问题，就必须要将实体名称不同的合并在一起。有一些属性具有冗余性，可通过其他属性计算所得。数据转换就是要满足挖掘所需。

（3）挖掘数据；数据经过清洗，集成以及转化后，就进入到了挖掘数据阶段。挖掘数据就是选择适当的数据挖掘技术，比如聚类、神经网络、模式识别以及孤立点挖掘等等，然后依据所选数据挖掘技术确定具体算法，之后选定算法查找感兴趣模式。

（4）评估与表示知识；评估知识，如今主要是采用了兴趣度衡量真正感兴趣的知识。依据一定兴趣度的度量，评估数据挖掘结果，对有用部分进行筛选与评估，查找能够接受的结果。对于表示知识，如今较为流行的即为可视化技术，可视化即将数据、知识与信息转化成可视表示形式过程。

3 数据挖掘技术识别可疑洗钱交易

3.1 识别流程分析

识别可疑洗钱行为属于反洗钱数据调查，主要就是通过单笔账户的历史交易时序数据中各子序列比较分析，从中发掘值得怀疑交易数据。识别的基本思路如下图所示：

（1）时序数据划分：属于一个异常的检验体系中，即为一个单一数据点是不可能提供多少信息。真正需要是从数据中挖掘一些偏离正常数据数据模式。识别可疑洗钱行为，就需要将账户历史交易记录成一个个若干相邻单笔交易形成的交易子序列，从中挖掘可疑的行为模式，最后形成可疑交易数据。

（2）属性选择：识别可疑洗钱行为就是建立到清醒认识可疑交易特征属性上。只有选择属性较为科学、全面以及真实的描述偶然行为模式特征，选择方法识别这种行为的相关数据。

（3）统计计算：对于所选偶然可疑的洗钱行为的相关属性，计算出各个子序列属性值。子序列对应桌各行为模式就构成了属性特征的向量。

（4）确定样本集：每一个行为模式特征向量视为一个研究样本，账户上所有行为模式特征向量形成了样本集。

（5）算法实现：事实上，每一个账户中大多数交易行为均属正常化，或合法化，仅仅极少数交易行为存在可疑性。孤立点就是数据集中和大部分数据相偏离，出现偏离原有并非随机因素，主要是因为完全不同的生产数据机制。

（6）标记样本：依据样本的专家知识以及孤立因子值，标记出孤立最大因子值的N个样本，挖掘偶然可疑的洗钱行为模式。

本文对交易金额的属性分析、离散系数的属性分析作为重点说明。

（1）交易金额的属性分析：Tai（交易金额）即为每一个交易的子序列交易金额总和。假如某个账户第i个子序列中共有ni笔交易，每一笔交易金额[taij]依照时序排列是：[tai1、tai2...taint]，那么账户的第i子序列交易金融是[Tai=j=1nitaij]，由此可见，可以求出账户交易的所有n个子序列内交易金额：[Ta1、Ta2...Tan]。每一个子序列交易金额[Ta1、Ta2……Tan]以行业的规模特征向量中一个维度，经过比较分析，就能计算出偏离成都为总偏离程度中一部分。

本文选择交易金额为研究属性，就是从大额交易角度进行考虑。在识别可疑洗钱交易的研究过程中，因账户设定成偶尔的洗钱活动，绝大多数账户是没有进行洗钱活动，所洗钱分析就会选择短平快的洗钱模式，自然交易金额增大也就更加突出。即使交易金额能够用单一属性选择数理统计进分析，但是账户交易金额是极难符合某一种标准的分布，所以就要引入其他的属性。

（2）离散系数的属性分析：Tadi（交易金额的离散系数），即为交易金额的方差[Tsi2]和均值[Tai]的商。因交易金额的异常增大了，即便可疑洗钱行为具有重要表征，但也无法判别复杂洗钱行为。而犯罪时常利用多家银行或者其他的金融机构服务开展洗钱犯罪活动，在处理每一个账户时仅仅是针对小金额的非法收入，就能够规避监管大额交易的报告制度，也就增大了反洗钱的调查工作难度。选择交易金额的离散系统为研究属性，质量交易金额平均程度就是应对洗钱行为结构化的规避行为。离散系数越小，则表明交易的金额较为平均，反之交易金额具有较大波动。以出账金额作为案例，假如某一个账户第i个子序列中共有nj笔支出交易，那么按照每一笔的出账金额taij进行排列即为：[tai1、tai2...taint]；该账户的第i子序列交易的平均金额即为：[Tai=1nj=1nitaij]；账户上第i子序列支出交易金额方差即为：

[Tsi2=1ni-1j=1ni（taij-Tai）2]

就可以得出账户第i子序列支出金额的离散系数是：

所以就能够求解A账户第n个子序列中交易金额的离散系统为：[Tad1、Tad2、...Tadn]。本文就是将计算出来的离散系数，作为了可疑洗钱行为的一个特征属性，和其他属性值共同形成了子序列代表的行为模式所具的特征向量。

3.2 识别方法分析

在识别可疑洗钱行为模式上，本文就是借鉴了CBLOF算法同时，并适当改进了该算法中聚类分析过程，在此基础上形成了识别方法模式。

（1）算法设计

本文数据挖掘技术的涉及过程为：

其一从任意点开始，构建一个聚类簇，设初始簇为C1；

其二对其他某点q，计算和已有聚类簇点C的距离及最小值[distance（q，cmin）]；假如[distance（q，cmin）]的距离小于或者等于阀值[ε]，而且q未不属于任何一簇中，可 将它加入[Cmin]，假如q距离多个已有簇小于或者等于[ε]，那么合并这些簇。

其三对所生成聚类依照元素数目排序；

其四重复第2、3步，对下一点实施聚类，一直到所有点均被聚类为止。

（2）挖掘局部孤立点

经过上面分析形成了若干互不包含簇，同时簇是按照包含样本数目排列，选用CBLOF算法计算每一个点LOF值。之后依据LOF值大小进行排序。值越大孤立程度越高，值越小孤立程度就越低。金融机构就能够依据资源情况与公正所需确定出报送对象。

就是将聚类簇划分成大小类，按照样本数据点所属规模及数据点和最近簇的距离，由此确定出每一个数据点LOF值。这种方式下，挖掘局部孤立点就分成了两个步骤，就是按照大小类及确定出LOF值。

首先划分大小类；假设C={C1，C2，...Ck}为数据集合D聚类结果，其中[c1?c2...?ck]，确定两个参数是a与β，根据下面公式有：

[c1+c2...+ck≥D*a]；[cb/cb+1≥β]；其中大类是c={[cii≤b]}，用LC表死，即为LC={[cii≤b]}；而小类是SC={[cjj>b]}。

其次计算LOF可疑度；假如数据集合中任何数据点是P，那么点P局部偏离值（即为LOF值）是：[CBLOF（p）=cj*distance（p，ci）]，该式中[t∈ci，ci∈SC，cj∈LC]；因此只要确定了每一个数据点LOF值，就能够确定出账户交易行为可疑的程度。使用信息者就能够依据所需，选出LOF值最大n个对象深入进行分析与研究。

4 结束语

识别可疑洗钱的交易行为，就可以依据账户自身交易模式变化进行识别。而偶尔洗钱行为无论属于那种手段，都能通过交易金额和交易时间两维度上存在异常表现出来，交易金额表现异常增大及平均程度异常，自然也就会增大交易频率异常。这种挖掘技术对识别洗钱行为具有作用。

参考文献：

[1]李果仁.反洗钱的现状与对策研究[J].广东经济管理学院学报，2014（1）.

[2]谭德彬，陈藻.基于数据挖掘技术的银行反洗钱系统[J].国金融电脑，2013（7）.

[3]汤俊.基于客户行为模式识别的反洗钱数据监测与分析体系[J].中南财经政法大学学报，2015（4）.

lof基金篇9

博时基金公告，旗下封转开基金――博时卓越品牌股票基金(LOF)于6月30日在深交所上市交易，同时开放日常申赎业务。

国海富兰克林基金周四公告，富兰克林国海策略回报灵活配置混合基金7月4日至7月22日公开发售。基金经理朱国庆，为CFA、CPA(非执业)，复旦大学应用经济学硕士，复旦大学应用数学学士，现任富兰克林国海潜力组合股票基金的基金经理。

信诚基金公告称，旗下第13只基金信诚新机遇股票基金(LOF)6月29日起发售，投资者可通过建行、农行等网点和信诚基金网上交易系统进行认购。作为信诚基金发行的首只主题投资风格产品，信诚新机遇基金力求前瞻性地把握中国经济发展和结构转型所带来的投资机遇。

广发基金公告称，广发聚利债券型基金7月4日至7月29日公开发售。

记者获悉，易方达基金旗下资源行业基金已经获得中国证监会的核准，将于7月18日起全国公开发行。即将发行的易方达资源行业基金所投资的资源行业涵盖了综合性油气企业行业、油气的勘探与生产行业、煤炭与消费用燃料行业、铝行业、黄金行业、多种金属与采矿行业、贵重金属与矿石行业和新能源行业等多个行业。

华宝兴业基金周二公告，华宝兴业宝康债券投资基金增聘李栋梁担任基金经理，与谭微思共同管理。

天治基金周一公告，天治成长精选股票型证券投资基金7月1日至8月1日公开发售。

万家基金周二公告，万家增强收益债券型证券投资基金增聘李泽祥担任基金经理，与朱颖、孙驰共同管理。

lof基金篇10

华商基金公告称，已于3月11日结束募集的华商稳定增利债基今天成立，募集资金超过33亿元，成为今年以来首募最多的债券基金。而据万得数据统计，今年以来一共有22只新基金募集成立，平均募集金额仅为16.17亿元。

鹏华基金公告，旗下鹏华优质治理股票型基金（LOF）将于近期分红，权益登记日为3月18日。此次鹏华优质治理股票型基金（LOF）每10份拟分红0.3元，3月22日发放现金分红。

日前从农银汇理基金管理公司处了解到，农银汇理沪深300指数基金（代码：660008）3月21日起在农行、工行、建行、交行、部分券商及农银汇理基金公司直销中心和网上交易平台公开发售，发行期为2011年3月21日－4月8日。

2010年度基金经理赚钱榜出炉，在2010年较难操作的结构性行情、大盘下挫15.79%的背景下，仍有8成基金经理所执掌的基金赚到了钱。522名偏股型基金经理赚钱总额达1090亿元，大多集中于大型基金公司。但统计同时显示，另有30位基金经理，自基金成立以来从未取得过正收益。

博时基金：眼光放远 淡化指数

近期市场休整是为了更好的前景，基于今年市场是震荡市的判断，建议投资者将眼光放长远，淡化对指数的关注，将精力放在板块和个股选择上，未来可重点关注受益于政策拉动的行业、通胀后期受益股和主题性投资。