1.1 股票主观多头¶
最古老、也是最难做的一类策略。赚的是"看得比别人对"的钱。
这类策略最容易被销售话术包装，也最难做到真假分辨。本章把每个判断维度挖到能用的程度。
一、这门生意的本质¶
1.1 什么是"主观多头"¶
严格定义：
由基金经理（Portfolio Manager, PM）+ 研究团队，通过基本面研究（财报、产业链、调研、宏观分析）做出主动的股票买入/卖出/持有决策的多头股票策略。"多头"是指只做多（不做空），区别于市场中性、股票多空。
与其他策略的边界：
| 策略 | 决策方式 | 持仓周期 | 换手率 |
|---|---|---|---|
| 主观多头 | 人脑判断为主 | 季度-年度 | 1-5x/年 |
| 主观+量化辅助 | 人脑决策，量化辅助筛选 | 季度 | 3-10x/年 |
| 量化基本面 | 因子模型完全自动化 | 月度-季度 | 5-20x/年 |
| 量化指增 | 多周期信号 | 周-月 | 10-30x/年 |
| 量化高频 | 算法 | 日内-日间 | 100x+/年 |
主观多头的核心特征： - 决策不可程序化：基金经理的判断包含定性 / 经验 / 直觉成分，无法完整写成代码 - 持仓集中：通常前 10 重仓占 50-80%（量化指增前 10 通常 < 15%） - 换手率低：年化通常 < 5x（量化指增 10x+） - 基金经理依赖度高：策略与个人深度绑定
1.2 经济学本质：为什么主观多头能赚钱¶
有效市场假说（EMH）三个版本：
| 版本 | 内容 | 主观多头能否赚钱 |
|---|---|---|
| 强式有效 | 市场已包含所有信息（公开 + 非公开） | 不能 |
| 半强式有效 | 已包含所有公开信息 | 只能靠内幕（违法） |
| 弱式有效 | 已包含历史价格信息 | 可以靠基本面研究 |
A 股的有效性：实证研究表明 A 股长期处于"弱式有效"的强端、"半强式有效"的弱端之间。意味着： - 历史价格不能预测未来（弱式有效成立 → 技术分析效果有限） - 公开基本面信息部分被定价但不充分（半强式有效不完全 → 深度基本面研究有空间）
主观多头赚的钱，本质上来自： 1. 公开信息的深度处理：研报每个人都能读，但谁能把研报数据 + 产业链调研 + 政策预期组合出非共识判断？ 2. 公开信息的传播延迟：事件发生 → 全市场认知充分定价，中间有时间差 3. 行为偏差的对手方：散户 / 机构的非理性（恐慌抛售、贪婪追涨）创造低估机会
1.3 散户、量化、主观三者的食物链¶
散户的存在是主观多头能赚钱的前提。如果 A 股像美股一样机构主导（机构占 80%+），主观多头的超额会快速衰减（参考美股主动股票基金的 80% 跑输基准）。
这给我们一个判断：当 A 股散户占比下降（每年降 2-3 个百分点），主观多头的整体超额会逐年缩小。15 年后的 A 股不会再有"年化 25% 的主观大佬"。
二、关键名词深度拆解¶
2.1 认知优势（Information Edge）¶
定义：基金经理对某些公司 / 行业的判断比市场平均更准确、更早、或更深的能力。
三种来源：
(a) 信息优势（Informational Edge）¶
含义：拿到别人没有的数据。
典型形式： - 草根调研：去工厂数车流、数门店客流、问经销商进货 - 专家网络：付费咨询行业专家 - 另类数据：卫星图（油罐库存）、信用卡消费数据、网页爬取数据 - 管理层关系：高频高管访谈
A 股的特殊形式： - 券商沙龙 / 闭门会：上市公司高管对少数机构吹风 - 草根调研：消费品行业（茅五泸、安踏李宁）尤其重要
衰减趋势： - 信息传播速度提升（雪球、研报全网共享）→ 信息优势衰减 - 监管加强（防止内幕、控制敏感信息）→ 信息优势上限降低 - 优势从"独占信息" → "更快处理信息"
(b) 分析优势（Analytical Edge）¶
含义：同样的信息，看出不同的结论。
典型形式： - 看应收账款变化 → 推断渠道压货 - 看研发费用占比 → 推断技术储备 - 看高管减持节奏 → 推断管理层信心 - 跨行业类比：把美股 SaaS 估值框架套用到中国软件公司
判断"是否真有分析优势"： - 可重复性：能不能把分析方法说清楚？还是"凭感觉"？ - 可验证性：他过去的判断（不只是结果，还有当时给出的逻辑）是否经得起复盘？ - 逆共识能力：他是不是在共识形成前就有判断？
(c) 行为优势 / 心理优势（Behavioral Edge）¶
含义：在群体性恐慌或贪婪时保持独立判断。
典型形式： - 2018 年茅台跌到 500 元时敢加仓（市场恐惧"反腐 2.0"） - 2021 年医药 CXO 估值百倍时敢减仓（市场陷入"YYDS"叙事） - 2024 年小盘股雪崩时敢逆向买入
这是最稀缺的能力，原因： - 大部分基金经理面临资金压力（LP 赎回 → 被迫顺势） - 业绩排名压力 → 不敢偏离同行 - 生理性恐惧：面对账户亏损，前额叶皮层被关闭，杏仁核接管决策
怎么测： - 看他在历次极端行情下的调仓方向（不是收益结果） - 看他主动减仓"明星股"的历史（敢卖才是真本事） - 看他持仓集中度的稳定性（恐慌时是不是被迫分散？）
2.2 风格漂移（Style Drift）¶
严格定义：基金的实际风险敞口（行业 / 风格因子 / 市值偏好）随时间发生显著、非主动声明的变化。
数学表达：
用 Barra 因子回归衡量：
如果同一只产品，不同时间窗口下的 βi 系数差异显著（统计学上 t-test p < 0.05），即存在风格漂移。
为什么是致命信号：
- 承诺与实际不符：管理人卖产品时说"我们做价值投资"，实际持仓却是高估值成长股 → 欺诈
- 能力圈漂移：从擅长的领域跳到不擅长的（医药专家突然重仓 AI），基本是赌
- 追涨逻辑：哪个风格涨什么就买什么，本质是趋势跟踪 + 主观包装
典型案例（行业级别）：
2020-2021 年部分号称"价值投资"的公募基金重仓白酒、宁德、CXO（高估值成长）。当时收益不错，但 2022-2024 年这些基金回撤严重，且持仓风格不再"价值"。复盘发现：他们 2018 年的"价值投资"画像在 2020 年已被市场环境逼着漂移成"成长投资"。
怎么识别：
- 滚动 Barra 风格归因（卷三 3.3 详细讲）
- 持仓行业分布的时间序列：每个季度行业占比变化
- 重仓股名单的稳定性：前 10 重仓 12 个月内换了多少只？
尽调追问： - "你们的策略画像是什么？请用风格因子语言描述。" - "过去 3 年这个画像有没有变化？为什么？" - "如果某个行业突然涨 50%，你们的纪律是什么时候必须减仓？"
2.3 持仓集中度¶
定义：持仓权重在前 N 只股票上的占比。常用指标： - 前 5 重仓占比 - 前 10 重仓占比 - HHI（Herfindahl-Hirschman Index）= Σ(wi²)，wi 是单个股票权重
HHI 直觉： - 100 只股票均匀持仓：HHI = 100 * (1/100)² = 0.01 - 10 只股票均匀持仓：HHI = 10 * (1/10)² = 0.10 - 1 只股票全仓：HHI = 1.00
HHI 越高，集中度越高，特异性风险越大。
主观多头集中度光谱：
| 风格 | 前10占比 | HHI | 代表人物 |
|---|---|---|---|
| 极致集中 | 80%+ | > 0.10 | 但斌（部分时期） |
| 高度集中 | 60-80% | 0.05-0.10 | 张坤、邱国鹭 |
| 中度集中 | 40-60% | 0.03-0.05 | 多数百亿主观 |
| 分散 | 20-40% | 0.015-0.03 | 偏指数化的主观 |
集中度 vs 收益的取舍：
- 集中 = 高 α 上限 + 高单只股票暴跌风险
- 分散 = 中 α 上限 + 单股风险被分散
集中度变化的信号意义：
- 集中度突然降低：可能是规模扩大被迫分散（α 衰减信号）
- 集中度突然提高：可能是赌单一行业 / 单一主线（风险放大信号）
- 集中度长期稳定：好信号 —— 说明纪律性强
尽调追问： - "前 10 重仓占比的目标值？为什么是这个数字？" - "过去 24 个月这个数值变化曲线？" - "如果某只重仓涨幅过大占比超过 15%，你们会不会主动减？"
2.4 持仓周期 & 换手率¶
定义：
- 平均持仓周期：每只股票从买入到完全卖出的平均时间
- 换手率：年化交易量 / 平均规模（详见 1.2 章 3.6 节）
主观多头的换手率范围：
- 超长线（巴菲特派）：年换手 < 1x，平均持仓 > 1 年
- 长线：年换手 1-3x，平均持仓 4-12 月
- 中线：年换手 3-8x，平均持仓 1-4 月
- 短线主观：年换手 8-15x，平均持仓 < 1 月（已偏向交易型）
换手率与认知优势的关系：
- 真深度研究 → 持仓周期长（一个公司研究透了，逻辑没破不需要频繁动）
- 频繁换手 → 要么认知不深、要么是交易型主观、要么是快进快出博弈
异常信号：
- "主观多头"自称，但换手 > 15x：本质是量化或交易型，不该按主观多头收费
- 历史换手稳定，最近 12 个月突然飙升：可能是追涨杀跌的应激反应，alpha 衰减信号
- 换手随规模上升而上升：被动持仓压力（流动性约束逼着频繁调整）
三、超额（α）的拆解¶
3.1 主观多头超额的四层结构¶
严格的归因模型：
(a) 行业配置 α（Sector Allocation Alpha）
含义：通过超配 / 低配某些行业获得的超额。
计算方法（Brinson 归因，详见卷三 3.2）：
实战权重：主观多头的超额中，行业配置通常贡献 30-50%。
例子：2019 年某主观重仓医药（占比 35%，基准占比 8%），医药那年涨 60%，基准涨 36%。 行业配置 α = (0.35 - 0.08) * (0.60 - 0.36) = 0.27 * 0.24 = +6.5%
(b) 个股选择 α（Stock Selection Alpha）
含义：在选定的行业里，选对个股的超额。
计算方法：
实战权重：主观多头的超额中，个股选择通常贡献 30-50%。
例子：在白酒行业里，重仓茅台（年涨 80%）而不是普通白酒（年涨 30%），即使白酒整体行业涨 50%。
(c) 择时 α（Timing Alpha）
含义：通过整体仓位调整（满仓 → 半仓 → 满仓）获得的超额。
残酷事实：95% 的择时是事后叙事。学术文献几乎一致认为择时不可持续盈利（Fama 等多人研究）。
为什么择时几乎做不到： - 牛熊切换不规则，需要连续做对多次（看顶 + 看底 + 再看顶） - 概率论：每次正确率 60%，连续 5 次正确的概率 = 7.7% - 心理压力：减仓后市场涨，被 LP 追问；加仓后市场跌，被骂瞎了
主观多头如果展示"优秀的择时业绩"，几乎一定是： - 事后挑选了运气好的几次 - 把"被动减仓"（LP 赎回）说成"我们看到风险了" - 加仓时间窗口选择性披露
判断"真有择时"的标准： - 公开预言记录：他在网络 / 路演 / 报告里事前说过什么时间该减仓 / 加仓？ - 当时的减仓数据：能拿到那个时点的产品仓位？ - 多次成功：至少 3 次以上独立决策都对，才有统计意义
(d) 交易 α（Execution Alpha）
含义：同一只股票，比别人买得更便宜、卖得更贵的能力。
对主观多头几乎不重要（持仓周期长，几个 bp 的执行差异可以忽略）。
对量化重要（高频交易里执行差 5bp 一年下来差 100% 收益）。
3.2 α 的"真伪检验"¶
好 α： - 跨行业稳定（不依赖单一赛道） - 跨年份稳定（不依赖单一年份） - 有一致的逻辑解释（不是"我感觉"） - 可以重复（同样方法在新机会上还能用）
坏 α： - 集中在 1-2 个行业（吃赛道红利） - 集中在 1-2 个年份（运气年） - 解释五花八门（牛市说"看准了趋势"，熊市说"控制了仓位"） - 不可重复（"那是天时地利"）
检验方法：
让管理人提供过去 5 年的月度行业贡献分解（哪个行业每月贡献多少超额）。然后： - 计算每个行业的贡献年化标准差 → 集中度高的不稳定 - 看每年最大贡献行业是否相同 → 不变 = 单一赛道吃饭 - 看 2022 年 / 2024 年（结构性熊市）的超额来源 → 这些年是真正的试金石
四、容量天花板¶
4.1 主观多头的容量约束¶
主观多头容量受三件事制约：
(a) 投研团队精力上限¶
核心定理：一个研究员能深度跟踪的股票数量 ≈ 8-15 只（PE 行业认知，国内类似）。
数学： - 研究员人数 R - 单人覆盖股票 N（≈ 10） - 总跟踪股票池 P = R × N - 持仓集中度 C（前 10 重仓占比） - 持仓数量 H（通常 30-100 只）
P 必须显著大于 H（覆盖池要远大于持仓池，至少 3 倍冗余）。
实例： - 30 人研究团队 → 跟踪池 300 只 → 适合管 30-50 只持仓的产品 - 这种产品规模上限 ≈ 200-500 亿（取决于持仓股票流动性）
团队扩大的边际递减： - 0 → 5 人：能力快速提升 - 5 → 15 人：还能涨，但需要好的内部协同机制 - 15 → 30 人：明显边际递减（很多研究员的 idea 不被基金经理采纳） - 30 → 50 人：除非有多个独立 PM，否则团队浪费
(b) 个股流动性 vs 持仓比例¶
5% 举牌线：单只股票持仓超过流通市值 5% 必须公告。主动管理者会刻意避免（避免被市场跟踪、避免操纵嫌疑）。
计算容量举例：
假设你想买茅台（自由流通市值 1.6 万亿），持仓比例不超过 5%（800 亿）。如果茅台是你前 10 重仓之一（占你产品 10%），那你产品的总规模上限 = 800 亿 / 0.10 = 8000 亿。
但小盘股完全不同：某 50 亿市值的小盘股，5% 举牌线 = 2.5 亿。如果它占你产品 5%，你产品规模上限 = 50 亿。重仓小盘股的产品天然规模小。
(c) 基金经理时间约束¶
残酷的算术： - 一个基金经理每天工作 12 小时 - 投研时间 6-8 小时，会议 / 路演 / 沟通 4-6 小时 - 规模越大，路演 / LP 沟通时间越多 - 投研时间被挤压 → α 衰减
典型轨迹：100 亿规模的基金经理大概每周路演 1-2 次，500 亿规模可能每周 4-5 次。
4.2 规模与 α 的实证关系¶
国内主观多头实证（综合 2018-2024）：
| 规模区间 | 平均 α（vs 偏股基金指数） | Sharpe |
|---|---|---|
| < 30 亿 | +8% ~ +15% | 1.0-1.5 |
| 30-100 亿 | +5% ~ +12% | 0.8-1.3 |
| 100-300 亿 | +2% ~ +8% | 0.6-1.0 |
| 300-1000 亿 | -3% ~ +5% | 0.3-0.7 |
| > 1000 亿 | -8% ~ +2% | 0.0-0.4 |
注意：这是业内全样本，不是头部。头部主观（高瓴、景林）能在 300-1000 亿区间维持 5%+ α，但需要多基金经理 + 海外投资 + 一二级联动等额外手段。
4.3 公募大佬的覆灭样本¶
| 基金经理 | 高峰规模 | 高峰年份 | 至 2024 年回撤 |
|---|---|---|---|
| 张坤 | 1100 亿 | 2021 | -45% |
| 葛兰 | 1000 亿 | 2021 | -55% |
| 蔡嵩松 | 500 亿 | 2021 | -65% |
| 刘彦春 | 800 亿 | 2021 | -50% |
这不是说他们"变笨了"。是规模本身就是 α 的天敌。私募和公募的容量约束机制略有不同（私募自主调节规模能力强些），但大方向相同。
五、绩效指标的特殊性¶
5.1 主观多头不能只看 Sharpe¶
Sharpe 假设收益正态分布。但主观多头的收益分布往往有正偏度（少数大涨股票拉起整体）。Sharpe 会低估这类策略的吸引力。
更适合主观多头的指标： - Sortino（下行波动率作分母）—— 主观多头最大问题不是波动而是回撤 - Calmar（年化收益 / 最大回撤）—— 直接衡量"赚的钱够不够补回撤" - 滚动 36 个月 α（vs 偏股基金指数）—— 衡量长期一致性
5.2 分年度收益（最容易被忽视的指标）¶
为什么重要：
主观多头的真假要看"穿越牛熊"。简单的累计或年化收益会被牛年拉起来。
正确的展示：
| 年份 | 产品 | 沪深300 | 偏股基金指数 | 排名（同类） |
|---|---|---|---|---|
| 2019 | +52% | +37% | +45% | 30% |
| 2020 | +63% | +27% | +60% | 40% |
| 2021 | +12% | -5% | +8% | 35% |
| 2022 | -18% | -22% | -22% | 30% |
| 2023 | -8% | -11% | -10% | 35% |
| 2024 | +18% | +15% | +12% | 25% |
这种分年度看，能立刻发现： - 牛市跟着涨（2019-2020），但没大幅超越 → 行业风口居多 - 熊市跑赢同行（2022），抗回撤强 → 真的有 α - 排名稳定在 25-40%，无大起大落 → 一致性好
vs 反例：
| 年份 | 产品 | 同类排名 |
|---|---|---|
| 2019 | +85% | 5% |
| 2020 | +90% | 5% |
| 2021 | -25% | 95% |
| 2022 | -35% | 90% |
| 2023 | +5% | 50% |
| 2024 | -15% | 80% |
这种"两年神 + 三年差"的累计可能还不错（被前两年拉起来），但这是赌赛道型选手，不是真本事。绝对不能买。
5.3 重仓行业暴露的时间序列¶
为什么看：判断风格漂移和单一赛道依赖。
怎么看：
| 季度 | TMT | 消费 | 医药 | 金融 | 周期 | 制造 | 其他 |
|---|---|---|---|---|---|---|---|
| 2022Q1 | 8% | 30% | 25% | 5% | 12% | 15% | 5% |
| 2022Q4 | 10% | 28% | 23% | 6% | 14% | 14% | 5% |
| 2023Q1 | 35% | 15% | 12% | 5% | 8% | 20% | 5% |
| 2023Q4 | 38% | 12% | 10% | 4% | 10% | 21% | 5% |
红色信号：消费 30% → TMT 35% 的剧烈漂移（追 ChatGPT 概念）。
绿色信号：行业分布稳定 5-10 个百分点波动。
六、骗术与陷阱¶
6.1 "回撤可控"的修辞陷阱¶
话术："我们历史最大回撤只有 18%，控制能力强。"
陷阱：这个数字可能是最近 N 年的最大回撤，故意避开 2008、2015、2018 的大跌。或者是单一产品（其他产品回撤更大但不展示）。
正确追问： - "成立以来最大回撤是多少？什么时间？" - "最大回撤修复用了多久？" - "同期沪深 300 / 偏股基金指数的回撤是多少？你比指数少多少？"
如果他历史最大回撤 -18% 而同期沪深 300 -28%，那他真的有控制能力（少回撤 10%）。但如果他 -18% 时沪深 300 也是 -18%，那只是跟着市场走，没控制力。
6.2 "深度调研"的虚词¶
话术："我们做深度产业链调研，每年实地走访 200 家公司。"
陷阱：调研次数和判断质量没必然关系。重要的是调研的产出。
正确追问： - "举一个最近通过调研形成的非共识判断的例子？" - "调研之前的预期 vs 调研之后的判断，差异在哪？" - "调研结论后续被市场验证了吗？多久被验证？"
如果他给不出具体例子，"深度调研"就是销售话术。
6.3 "看好长期"的卖点¶
话术："我们看好这家公司的长期价值，就算短期波动也不卖。"
陷阱：在套牢的股票上说"看好长期"，是事后合理化。真正的长期持有者会有"卖出条件"。
正确追问： - "这只股票什么情况下你会卖？"（如果说"逻辑没破就一直拿"，进一步追问"逻辑怎么算破"） - "如果它涨到 X 元 / PE 涨到 Y 倍你会减吗？" - "你是否在不亏的时候因为'估值偏高'主动减过这只股票？"
真正的长期价值投资者会在估值过高时主动减仓（即使还在涨）。死扛涨跌的不是价值投资，是赌徒。
6.4 "抓住每一波结构性机会"¶
话术：2019 年说"白酒 YYDS"，2020 年说"医药新基建"，2021 年说"新能源"，2023 年说"AI 算力"，2024 年说"红利低波"。
陷阱：这是风格漂移 + 追涨模式的伪装。
正确追问： - "你的策略画像（行业偏好、风格因子）过去 5 年变化大吗？" - "你的能力圈在哪些行业？为什么？" - "如果某个'结构性机会'在你能力圈外，你会跟还是不跟？"
真正的高手有清晰的能力圈边界。说自己什么都能赚的人，往往什么都赚不到。
6.5 "我们有独家信息源"¶
话术："我们和某行业的 KOL / 上市公司高管 / 研究院长期合作，能拿到一手信息。"
陷阱：信息源 ≠ 信息优势。同样的信息源，不同人处理出不同结论。而且现在监管对"内幕信息"打击严厉。
正确追问： - "信息源给你的信息，是否其他机构也能拿到？"（多半是的） - "你怎么确认信息源给的是真信息不是带节奏？" - "如果信息源说错了，你的判断框架还能纠错吗？"
依赖单一信息源是致命弱点。
6.6 "回撤是机会"的循环辩护¶
话术：股票从 100 跌到 70 的时候说"回撤是机会，加仓"。跌到 50 时说"更便宜了，再加"。跌到 30 时说"长期价值不变"。
陷阱：这是不止损 + 摊薄成本的赌徒行为，不是价值投资。
正确追问： - "你有止损纪律吗？什么情况下你会承认这只股票判断错了？" - "历史上有没有从买入价跌 50% 后认错卖出的案例？"
承认错过、敢于止损才是成熟的基金经理。
6.7 "净值化妆术"¶
技术性手段（详见卷二 2.7）： - 持仓估值偏高时延迟披露净值 - 做新产品高水位拉低真实业绩 - 用银行理财 / 货币基金倒手平滑波动
主观多头相对量化更难化妆（因为持仓主要是流动股票），但也存在。需要看实际净值披露频率、净值数据来源（管理人自报 vs 第三方托管）。
七、尽调追问清单¶
A. 投研体系¶
- 团队结构：研究员多少人？按行业分工还是按主题？团队稳定性（核心成员近 3 年流失率）？
- 决策机制：基金经理一票否决 / 投委会 / 多基金经理？历史否决率多少？
- 覆盖股票池：跟踪多少只？按什么标准筛选？
- 研究员独立 idea：研究员推荐的股票，被基金经理采纳的比例？
B. 投资理念与纪律¶
- 能力圈描述：你最擅长哪些行业？为什么？能力圈外的机会怎么处理？
- 持仓集中度目标：前 10 / 前 5 重仓占比的目标值？这个数字背后的考量是什么？
- 卖出纪律：什么情况下卖出一只股票？（涨太多 / 逻辑破坏 / 估值过高 / 仓位调整）
- 止损纪律：有没有硬性止损？历史上有没有止损案例？
- 加仓纪律：什么情况下加仓？跌了加 vs 涨了加 vs 业绩验证后加？
- 风格画像：用 Barra 风格因子描述你的产品（Size / Value / Quality / Momentum）
C. 业绩真实性 & 一致性¶
- 分年度收益：成立以来每年完整的相对沪深 300 / 偏股基金指数的超额？
- 同类排名稳定性：每年同类排名分布？有没有大起大落？
- 最大回撤：成立以来最大回撤金额、时间、修复天数？同期同类回撤多少？
- 重仓行业暴露：成立以来季度重仓行业分布表？
- 重仓股稳定性：前 10 重仓在过去 24 个月换了多少只？
D. 案例追问（最硬的部分）¶
- 最骄傲的一笔投资：什么时候买、为什么、什么时候卖、回报多少、决策过程？
- 最失败的一笔投资：（如果说"没有"，扭头就走）类似上面的细节复盘
- 2022 年熊市的决策：当时仓位多少、做了什么调整、为什么？事后看对吗？
- 2020 年高估值期的决策：当时是否减过茅台 / 美团 / 宁德等高估值股票？
- 重仓股突然跌 30% 时的处置：举一个具体案例
E. 容量与未来¶
- 当前规模 vs 容量上限：你认为你的策略上限是多少？怎么估的？
- 历史封盘记录：什么时候封盘？什么条件下打开？
- 未来 12 个月募集计划：会不会继续扩容？
- 关键人风险：如果基金经理离职，产品是停掉、清盘、还是新人接手？接手人的能力？
F. 利益一致性¶
- 跟投比例：基金经理 / 公司在自家产品里的跟投金额？占其个人净资产比例？
- 薪酬结构：基金经理收入是固定 + 浮动，浮动部分挂钩什么指标？长期 vs 短期？
- 客户结构：零售为主还是机构为主？最大单一客户占比？
八、实战识别框架（综合判断）¶
把上面的指标整合成一个可操作的判断流程：
Stage 1：筛选（5 分钟）¶
直接淘汰： - 成立 < 3 年（样本太短） - 当前规模 > 500 亿（容量已危险） - 单一年份贡献全部业绩（赌赛道型） - 拒绝提供月度数据（透明度差）
Stage 2：业绩 quality check（30 分钟）¶
计算和检查： - 分年度超额（vs 沪深 300、偏股基金指数、同类） - 滚动 36 个月 α 中位数 - 最大回撤及修复天数（vs 同期同类） - 行业暴露稳定性 - 重仓股 18 个月内换手数
Stage 3：策略一致性 deep dive（2 小时面谈）¶
追问（参照 D 类清单）： - 案例复盘：5 个最骄傲 + 5 个最失败 + 5 个有争议的决策 - 极端行情：2018、2020、2022、2024 的具体操作 - 风格漂移：能力圈描述 vs 实际持仓的偏差
Stage 4：组织韧性（1 小时面谈 + 2 小时背调）¶
- 关键人结构（"如果 PM 离职，留下多少 α？"）
- 投研团队真实战斗力（研究员独立 idea 采纳率）
- 跟投比例（PM 个人跟投占其净资产多少）
九、一句话总结¶
主观多头 = 研究驱动 + 认知差 + 纪律性。三者缺一不可。
我们不可能自己做公司深度研究来验证基金经理的判断（那样我们自己就能做投资了）。所以主观多头尽调的核心，是通过观察他历次决策的一致性和自洽性，间接验证他的认知系统是否稳定。
最硬的两个问题：
"如果明天你们团队里的 XX 离职，这个产品的 alpha 能留下多少？" 如果答案 < 30%，本质是单一关键人风险，不能重仓。
"过去 5 年里，你做过哪一个明显违背主流共识的判断？后来被验证了吗？" 讲不出来 = 没有真正的认知优势 = 跟着市场跑的"高级散户"。