众多个人和机构投资者通过共同基金参与资本市场。截至2024年底，在美国注册的投资公司所管理的资产规模合计达39.2万亿美元（ICI 2025）。学术界和实务界已就历史业绩、费率、持仓特征及其他基金特征开展了大量研究，以指导基金配置决策。共同基金必须在定期报告中向投资者披露财务报表，而学界对此信息的研究至今仍相当匮乏。本文重点考察共同基金财务报表所传递的投资策略信息，以及这些信息是否能在事前帮助投资者获取更高的风险调整后收益。

财务报表分析在企业股票和债券的获取、监控与出售决策中已被广泛应用。然而，共同基金独特的运营模式与监管框架，使其财务报表与一般经营性企业存在显著差异。以图表2~图表4中富达顾问价值策略基金（Fidelity Advisor Value Strategies Fund）的资产负债表、利润表和净资产变动表为例，其利润表的首行并非总销售收入，而是基金的投资收益来源——股利、利息及证券出借与其他收入。由于基金将运营职能外包给投资顾问和第三方服务商，其费用科目呈现的是管理费、托管费和代理过户费，而非经营性企业的销售、管理与研发费用及资本性支出。两者在报表类型上也有所不同：共同基金需编制净资产变动表，且通常无需编制现金流量表。上述差异表明，有必要针对投资基金建立专属的财务报表分析框架。

本文将财务报表分解方法应用于共同基金业绩研究。由于基金净值（NAV）每日公开披露，其财务报表的核心功能在于对基于NAV计算的收益率进行拆解。基金利润表将历史收益分解为投资收益和资本增值两大部分，并进一步按来源（如股利、利息、资本利得）或状态（已实现、未实现）细化。利润表还对投资成本进行分解，包括周期性运营费用和一次性费用。资产负债表则详细列示构成NAV的各项资产和负债（如证券投资市值、现金、应计项目）。这些科目共同反映了基金的财务状况、投资组合管理效果及成本控制能力，提供了超越总收益率和费率信息之外的管理策略维度，并可能对基金未来业绩具有指示意义。

本文以1995年12月至2018年8月间在美国注册的主动管理型国内权益类和固定收益类共同基金为研究对象，基于财务报表构建了一系列财务业绩比率，用以分解基金历史业绩和当前财务状况。随后，本文考察这些比率能否预测未来业绩，以及在已有常用信息（历史业绩、净费率、基金规模、组合换手率、主动份额及组合集中度）之外是否具有增量预测价值。

结果表明，基金财务报表确实蕴含对未来业绩有预测力的信息。在权益类基金的样本外检验中，线性面板回归预测的Alpha在优质与劣质基金之间呈现3.47%的年化差距，较仅使用常用信息时高出0.93%。固定收益类基金的样本外Alpha差距为年化1.54%，较常用信息集高出0.54%。引入非线性随机森林机器学习算法后，权益类基金的业绩预测能力进一步提升，优劣十分位组合之间的样本外年化指数Alpha差距达4.53%。

上述结论在使用多因子Alpha进行评估时同样成立。在机器学习方法下，财务报表比率在权益类和固定收益类基金中分别带来了年化1.70%和0.89%的多因子Alpha增量（相对于通用信息集）。这些发现表明，基于基金财务报告的财务报表分析，有助于投资者构建具有更高风险调整后收益的投资组合。

另一组实证分析进一步量化了各财务报表科目对业绩预测的贡献。在线性面板回归中，权益类和固定收益类基金中，较高的股利收入和利息收入均与同类基金的超额表现稳健相关。相比之下，未实现损益与权益类基金的未来多因子Alpha呈负相关，表明未实现资本增值或折损存在均值回归倾向。在随机森林模型中，股利收入、利息收入、已实现损益、未实现损益和投资市值被评为两类资产中预测指数Alpha和多因子Alpha最重要的五项财务特征。综合来看，反映投资策略盈利能力的财务比率，其业绩预测力系统性地强于反映运营效率或财务杠杆的比率。

总体而言，本文揭示了财务报表分析如何为基金评估提供有效信息。金融分析师长期以来通过分析经营性公司的财务报表来估值证券和指导投资决策，而对共同基金的“基本面分析”却主要聚焦于历史业绩、费率和组合换手率，更前沿或专有的分析才会引入组合或管理人特征。近期学术研究也已开始将基金特征、宏观变量和持仓数据纳入机器学习框架以预测基金业绩。本文则进一步证明，共同基金的财务报表信息能够提供分解历史业绩、改进未来业绩预测的基金层面增量信息，这对基金监控和筛选具有实际应用价值。

2. 利息收入（INT）：报告期内利息收入除以月均净资产。利息收入是固定收益类基金的主要投资收益来源。Choi and Kronlund（2018）发现部分固定收益基金存在“追逐收益”行为，倾向于持有收益率更高的债券。

3. 证券出借及其他收入（SLOI）：报告期内证券出借及其他收入除以月均净资产。共同基金可通过证券出借增加额外收益，但出借证券的基金有时也会跑输市场（Evans et al. 2017）。

4. 已实现损益（REALGL）：报告期内已实现损益除以月均净资产。与未实现损益结合理解（见下条）。

5. 未实现损益（UNREALGL）：报告期内未实现损益除以月均净资产。已实现损益与未实现损益共同反映投资组合资本增值或折损的主动管理情况。提前兑现盈利、拖延处理亏损是一种被称为处置效应（disposition effect）的行为偏差。未实现损益也可能因证券价格回调而迅速消失——在“泡沫”时期，价格的大幅上涨往往伴随着急剧下跌，使未实现收益化为乌有（Brunnermeier 2016）。

7. 费用减免率（REIMBURSE）：报告期内减免费用除以总费用。共同基金可自愿豁免部分约定费率。Christoffersen（2001）认为，费用豁免是基金在需要时临时提升业绩排名的一种手段。

8. 投资市值（INVESTMENT）：报告期末投资证券公允价值除以净资产，再减去1。投资证券的公允价值驱动组合业绩，而投资者持有的是基金净资产的按比例份额。两者之比可反映结构性杠杆水平。Almazan等（2004）发现，有杠杆约束和无约束基金的历史风险调整后收益相近。

9. 现金（CASH）：资产负债表期末现金除以净资产。持有大量现金会直接拖累基金业绩（Wermers 2000），但现金也赋予基金及时建仓和满足投资者赎回的灵活性（Simutin 2014）。

10. 其他净资产（ONA）：与投资无关的应收款及其他资产，减去与投资及已发行债务无关的应付款及其他负债，再除以净资产。该指标极端偏高可能反映异常现金流或其他运营异常；大额应付款则可能意味着基金面临较高的流动性压力。

本文将实证分析分为美国境内权益类基金和应税固定收益类基金两个子样本，因为财务比率与业绩的关系在不同资产类别间可能存在差异（如权益基金的股利收入与固定收益基金的利息收入地位不同）。对每类资产，本文分别计算两项业绩指标：相对指数Alpha为基金i在截至期t的过去12个月内相对晨星类别指数的CAPM Alpha，衡量基金超越类别基准的风险调整后超额收益能力；权益类基金的多因子Alpha为Carhart（1997）四因子Alpha（市场、规模、价值和动量），固定收益类基金的多因子Alpha为Fama and French（1993）三因子Alpha（市场、期限和违约因子），衡量在控制多重风格暴露后的超额收益能力。上述指标通过将基金月度总收益率对因子收益率回归后得到（截距项加残差项）。

样本共包含2,263只主动管理型权益类共同基金和1,148只应税固定收益类共同基金，分别申报了8,413份和5,163份年度财务报告。图表5展示了样本中基金特征和财务比率的描述性统计，图表6展示了各变量之间的相关系数。在两类基金中，相关性最高的变量组合包括：（1）基金层面和基金家族层面相对指数Alpha与多因子Alpha之间的正相关；（2）基金规模与总费率和运营费用率之间的负相关；（3）运营费用率与费用减免率之间的正相关；（4）投资市值与其他资产净值之间的负相关。此外，固定收益类基金还呈现出组合换手率与投资市值之间显著的正相关关系。

财务报表分析的实施方法多样。分析师可针对财务数据的特定组成进行研究，评估其对未来收益的含义（如Sloan（1996）对盈余应计项目的研究）；也可采用计算方法，利用财务信息预测业绩（如Chen等（2022）和Cao and You（2024）基于机器学习的盈利预测）。本文同时采用线性面板回归和非线性随机森林算法，对财务报表模型的预测价值进行评估。

在面板回归中，若财务报表模型提升了调整R²，或财务报表特征在业绩预测中具有统计显著性，则认为该模型优于通用信息模型（Pesaran and Timmermann 1995）。面板回归形式如下：

其中r_i,t为基金i在月份t的收益率，x_i,j,t为基金i在t时刻的第j项特征。财务报表模型中调整R²的提升或β_j的统计显著性，均体现了财务报表信息在预测基金Alpha中的作用。在机器学习算法中，若财务报表模型预测结果在组合分组测试中呈现更大的Alpha差距，或财务报表特征在降低错误分类误差方面的重要性排名更高（即变量重要性得分更高），则认为该模型优于通用信息模型。

基金财务报表各科目可能呈现均值回归、趋势延续乃至反转特征。本文采用以下形式的回归来衡量持续性：

其中x_i,j,t+1为基金i在时刻t的第j项科目值。回归在混合面板上针对各科目分别估计，时间窗口为一年。

图表7展示了各科目在权益类和固定收益类基金中的持续性结果。大多数科目表现出较强的持续性并伴有一定程度的均值回归（β_i,j介于0和1之间）。在权益类基金中，股利收入的持续性最高——t年股利收益率为1.0%意味着t+1年为0.97%；固定收益类基金中，利息收入的持续性最高——t年利息收益率为1.0%意味着t+1年为0.94%。两类基金中，已实现损益的持续性最低，反映出基金在实现损益方面存在不规律性。相比之下，未实现损益呈现反转特征（β_i,j< 0），表明其总体上存在均值回归倾向。上述结果表明，更多依赖收益类来源获取总回报的基金，其业绩持续性可能强于更多依赖管理已实现和未实现损益的基金。由此，财务报表信息为理解和分解共同基金的业绩持续性提供了一个独特视角。

以图表1中富达顾问价值策略基金为例：2016财年该基金的股利收益率为1.87%（= 26,032 / ((1,414,636 + 1,363,110) / 2)），2017年年报披露的股利收益率为1.71%，对应股利收入持续系数β_DIV,i,2016为0.91，略低于样本均值。值得注意的是，该基金的股利收益率与净投资收益率（1.60% = 22,186 / ((1,414,636 + 1,363,110) / 2)）有所不同，基金向股东派发的股利来源于后者。相比之下，该基金在2016财年的未实现损益收益率为-26.64%（= -369,931 / ((1,414,636 + 1,363,110) / 2)），2017财年则回升至8.69%，对应未实现损益持续系数β_UNREALGL,i,2016为-0.33，绝对值大于样本均值。

线性面板回归在训练集上估计，训练期为1995年12月至2014年12月。拟合模型随后用于预测测试集（2015年1月至2018年8月）的样本外Alpha。以各基金报告期末的预测Alpha为依据进行排名，构建十分位组合，并以等权方式计算各组合在未来12个月内的实际指数Alpha和多因子Alpha。

图表6展示了上述评估结果。通用信息模型在权益类基金样本外检验中，对未来优质与劣质基金的相对指数Alpha和多因子Alpha分别呈现2.54%和2.31%的差距；引入财务报表信息后，财务报表模型将上述差距提升至3.47%和2.86%。值得注意的是，权益类基金各十分位组合的平均Alpha均为负值或与零无统计差异。相比之下，固定收益类基金前三至四个高分位组合的Alpha统计显著为正；通用信息模型的相对指数Alpha和多因子Alpha差距分别为1.00%和1.03%，纳入财务报表信息后分别提升至1.54%和1.60%。上述结果表明，基金财务报表信息对常用基金特征在预测未来业绩方面具有显著的增量价值，且这一信息在简单线性预测模型中同样有效。

仍以富达顾问价值策略基金为例：通用信息模型的拟合回归预测其截至2016年11月的未来12个月相对指数Alpha为-0.44%（相对罗素中型价值指数），对应第六十分位组合；而财务报表模型预测的未来12个月相对指数Alpha为1.91%，对应最高十分位组合。该基金实际在随后12个月中实现了相对指数2.45%的Alpha，落入第九十分位，印证了财务报表模型在预测排名方面的改进效果。

在权益类基金中，通用信息模型对最高和最低十分位组合之间的相对指数Alpha和多因子Alpha差距分别为1.64%和1.99%；财务报表模型将上述差距提升至4.53%和3.69%，相较通用信息模型分别提高了2.89%和1.70%。在固定收益类基金中，通用信息模型的相对指数Alpha差距为-0.16%、多因子Alpha差距为0.26%（均统计不显著），而财务报表模型将两者分别提升至1.17%和1.15%。上述结果再次印证了财务报表模型更优预测精度的增量价值。在权益类基金中，性能提升得益于模型捕捉到了变量间的非线性交互效应；固定收益类基金中，性能则可能受到过度拟合的影响而有所折损。

继续以富达顾问价值策略基金为例：通用信息模型随机森林预测其截至2016年11月的未来12个月相对指数Alpha为-0.90%（相对罗素中型价值指数），对应第六十分位组合；而财务报表模型则预测为0.48%的正Alpha，对应第九十分位组合。该基金实际在随后12个月内实现了2.45%的超额收益，属于第九十分位结果，再次体现了财务报表模型在预测排名上的精度优势。

文献来源：

核心内容摘选自James J. Li在The Journal of Investing上的论文《Enhancing Mutual Fund Performance Analysis with Financial Statement Information》。