• 权益基金持仓集中度高，前约2.3%的核心股票占据37%的持仓市值，且持仓行业高度集中，申万指数股票池与主动权益基金股票池存在显著偏差，致使申万指数无法准确反映基金持仓特征 [page::3][page::4][page::5]

• 采用基金半年全部持仓市值重编行业指数，动态归一配置比例替代传统的申万流通市值加权，提升了行业收益拟合的准确性。重编指数与申万指数从2019年开始明显分化，尤其在电气设备、医药生物、电子等行业重编指数反映基金持仓的收益更陡峭 [page::6][page::7][page::8]

• 基于线性优化模型，结合基金日度净值与重构行业指数收益拟合行业仓位，模型通过参数λ控制每日仓位变动的平滑性，窗口window控制拟合周期 [page::8][page::9]

- 参数选择：lambda对拟合结果影响大，lambda过大拟合结果过于平滑反应迟钝，lambda过小波动大噪声多；window影响较小，拟合越长越平滑，最终选定lambda=0.05，window=15天 [page::9][page::10][page::15][page::16][page::20]

• 拟合模型在样本基金中均表现出较好的拟合净值与行业仓位趋势捕捉能力，拟合仓位对行业配置变化较为敏感且波动合理，能够较好反映基金真实持仓动态 [page::10][page::11][page::12]

• 大样本测试中，模型相对naïve方法对行业仓位绝对误差稍大，但对行业仓位变化趋势更敏感，尤其方向预测准确率明显高于naïve方法，模型可有效捕捉基金仓位调整行为 [page::16][page::18]

| window | lambda | 平均绝对误差 | 平均秩相关系数 | 行业方向准确率 |
|--------|---------|--------------|--------------|----------------|
| 10 | 0.01 | 0.0116 | 0.64 | 74.4% |
| 10 | 0.05 | 0.0089 | 0.79 | 70.3% |
| 10 | 0.10 | 0.0079 | 0.84 | 69.0% |
| 10 | 0.50 | 0.0074 | 0.90 | 59.5% |
| naive | naive | 0.0060 | 0.93 | 52.9% |

• 行业视角展示模型拟合能力，行业在仓位剧烈变动区间，模型能显著优于naïve预测，精准捕捉申万医药生物、电气设备、电子、计算机和有色金属等行业的资金流向和仓位变动趋势 [page::19][page::23][page::24]

• 追踪至2021年中，基金行业仓位日度探测显示医药生物、电气设备、食品饮料、电子与机械设备为主动权益基金主要配置行业，近期有色金属、电气设备等行业加仓明显，食品饮料、传媒等行业减仓明显 [page::21][page::22]

• 模型行业方向预测胜率高达75%，多个行业如计算机、商业贸易、电气设备、休闲服务等达90%以上，明显优于naïve方式预测，说明模型对行业仓位变化趋势具备较强的判别力和应用价值 [page::23]

报告深度分析报告：《如何高频探测基金行业配置动向？——追踪“聪明资金”系列二》

---

一、元数据与报告概览

• 标题： 如何高频探测基金行业配置动向？——追踪“聪明资金”系列二

- 作者： 唐军

• 发布机构： 中泰证券研究所

- 发布日期： 2021年（报告中数据截止于2021年7月30日）

• 主题： 主要针对中国主动权益基金行业配置的高频探测及行业仓位动态，从而理解和揭示“聪明资金”的配置动向和趋势。

报告核心论点：当前主流的申万一级行业指数无法准确反映公募主动权益基金的行业配置偏好，因基金持仓高度集中且行业权重分布具有明显的头部特征，而申万指数是基于流通市值加权，无法准确拟合基金的配置。因此，作者基于基金持仓数据重构行业收益指数，结合线性优化模型，利用净值数据拟合基金的日度行业仓位，实现对主动权益基金行业配置的高频探测。通过参数lambda与window的优化，模型在准确度和灵敏度之间取得平衡，并以200个随机基金为样本进行参数验证，最终选定lambda=0.05，window=15实现较优匹配。报告给出具体行业的高频仓位动态，揭示行业间轮动趋势及基金配置热点。

---

二、分章节深度解读

1. 为什么要重构基金持仓行业指数

1.1 权益基金持仓偏好较为集中

• 通过分析2011年至2020年主动权益基金全部持仓，发现虽然基金持仓股票数量显著增加（从1360只增至2799只），核心持仓股票池却高度集中，平均每期只用约52只股票（约占3.5%），即基金持仓非常聚焦头部股票。

- 当前申万行业指数覆盖范围更广，涵盖股票更多，基金未完全覆盖，因此基金的持仓动态与现有行业指数差异较大。

• 图表1显示核心池持仓市值占比长期维持在30%-45%的区间，显示“抱团”现象明显，且集中度波动较大，15-16年抱团瓦解，后来重新聚焦。[page::3-4]

1.2 权益基金行业持仓与申万行业指数股票个数比较

• 基金持仓股票数增长缓慢，申万指数股票数增长更快，如2020年底基金持仓2799只，申万指数已有约3900只。

- 说明基金对新增股票的重仓采纳较为谨慎，存在结构偏差，基金覆盖个股与申万行业指数池差异明显。

• 申万指数的流通市值加权不能反映基金高度集中的仓位分布，基金在行业与股票层面都有集中倾向，申万指数无法有效拟合基金配置。

- 图表2显示2014-2020年的股票个数对比，基金持仓增速远低于申万指数股票池增速。[page::4-5]

1.3 重构基金行业收益指数的必要性及方法

• 由于基金持仓偏好集中且行业仓位调整与申万权重差别大，原有申万指数对基金收益拟合误差大。

- 作者提出根据基金持仓市值重新按行业加权，半年频率重新调整行业指数权重，从基金公布持仓数据映射28个申万一级行业。

• 重构指数从2014年9月开始编制，前期走势与申万指数接近，2019年后偏差显著拉大，基金重编指数更能反映行业收益及基金的偏好配置情况。

- 例如电气设备、医药生物、电子、有色金属等行业板块重编指数涨幅明显高于申万指数，体现了基金对这些行业配置上的偏好强化。

• 相关图表4-9中均可以看出重编指数红线明显优于灰色申万指数，体现基金集中特征。[page::6-8]

2. 基金行业探测模型的构建

2.1 模型框架与方法论

• 以线性优化方式拟合基金日度收益，通过拟合基金净值与行业重构指数日收益，反推行业仓位。

- 其中核心模型为：
\[
\min \sum{i=0}^{window-1} \left(R{pti} - \sum{j=1}^{28} w{jt} R{jti}\right)^2 + \lambda \sum{j=1}^{28} |w{jt} - w{j(t-1)}|
\]

• 约束条件：

- 权重非负：$w{jt} \geq 0$
- 权重和不超过1：$\sum{j=1}^{28} w_{jt} \leq 1$

• $\lambda$控制每日仓位的波动稳定性，假设基金调仓连续缓慢。

- 以最新公布的财报持仓作为基准点进行动态迭代推算，模型每日根据window天作为历史收益窗口拟合仓位。

• 模型拟合注意点：

- 只能用财报公布后数据，真实历史仓位滞后披露。
- 拟合过程跨越两个财报区间，会根据新公布数据矫正参数，持续迭代。

• 图表10说明拟合与公布时间的关系，强调模型数据实际使用中滞后性需要考虑。[page::8-9]

2.2 参数调节与拟合效果

• 参数包括window（拟合收益窗口大小）和lambda（权重波动惩罚系数）。

- Lambda影响：
- 太大时拟合结果过度平滑，不能灵敏捕捉仓位快速变化，拟合仓位波动缓慢但累计收益拟合偏差增大。
- 太小时拟合波动剧烈，瞬时仓位变化尖锐，导致平均绝对误差大但行业仓位变化预测准确率高。

• 通过对“华宝服务优选”基金（000124.OF）案例分析：

- Lambda选择0.01、0.05、0.1、0.5的不同效果对比，发现0.05左右在累计收益拟合精度与仓位敏感度中合理平衡。
- 多张图（11-16页）展示不同lambda下累计净值拟合及电子、电气设备行业仓位拟合走势，lambda=0.05表现较佳，能够在捕捉行业仓位变动和拟合净值精准之间达到折中。

• Window影响：

- Window越长，拟合结果越平滑，越能稳定反映长期仓位，但敏感度下降。
- 10、15、20天三种窗口效果对比，差异不大，但15天拟合结果整体较平衡，且行业方向预测准确率最高。
- 图表18-23页展示不同window下的净值拟合与行业仓位拟合效果，体现平滑度和灵敏度折中。

• 最终参数选择：

- lambda=0.05，window=15天，在200只主动权益基金样本中经验验证效果最佳。

• 模型拟合动因：

- lambda影响拟合误差和行业空间灵敏度。
- window影响拟合平滑波动程度但影响较小。[page::10-20]

2.3 200只随机基金参数选取验证

• 随机抽样200只基金拟合模型，评估lambda与window指标：

- 指标包括所有行业的平均绝对误差、每期平均秩相关系数、行业方向预测准确率。

• 结果显示：

- Lambda越小，行业方向预测准确率越高，但平均误差较大。
- Naive（直接用财报数据前后持仓权重做线性插值，未拟合净值数据）平均绝对误差最小，但方向预测准确率最低。
- Lambda=0.05、window=15时三项指标均较均衡，行业方向预测准确率达73.2%。

• 多个行业实证拟合与真实业绩对比显示，拟合模型优于naive方式对行业方向的预测能力明显。

- 图表24-35（页16-20）详尽列出参数不同情况下的误差与相关性变化，以及主要行业拟合动态。[page::16-20]

3. 主动权益基金行业日度仓位探测及动态分析

• 以优化参数lambda=0.05，window=15，全面对全市场主动权益基金日度行业仓位进行动态估计。

- 样本时间涵盖2015年至2021年，实现了高频细粒度的行业仓位变化追踪，预测与年报持仓平均误差维持在0.0096，秩相关系数约0.77，方向正确率达到75%左右。

• 重点行业仓位动向：

- 2021年6月底，持仓集中于医药生物（9.7%）、电气设备（9.5%）、食品饮料（9.2%）、电子（9.1%）、机械设备（4.5%）。
- 2021年7月底，排名前五变为电气设备（12.3%）、电子（10.9%）、生物医药（8.1%）、有色金属（7.7%）、食品饮料（6.3%）。

• 期间行业调仓动向明显：

- 仓位增幅最大：有色金属（+3.9%）、电气设备（+2.7%）、钢铁（+2.1%）、电子（+1.7%）、采掘（+0.5%）。
- 仓位减幅最大：食品饮料（-2.9%）、通信（-2.1%）、传媒（-1.7%）、医药生物（-1.6%）、轻工制造（-1.2%）。

• 图表38直观反映各行业仓位长期趋势，配合图表39行业方向预测胜率进一步印证模型有效性。

- 关键行业拟合对比图（页23-24）表明模型拟合仓位与真实财报仓位高度一致优于naive方法，尤其在行业仓位剧烈变动时，更显模型优势。[page::21-24]

---

三、图表深度解读

• 图表1（页4）：“主动权益基金全部持仓核心池占比”

显示核心持仓股票数量占比极少，但市值占比较高（30%-45%，最高达47%），验证基金抱团与集中配置现象，核心持仓稳定且高度集中体现基金精细持仓策略。

• 图表2（页5）：“权益基金持仓个数与申万指数持仓个数对比”

权益基金持仓股票增长缓慢，申万指数快速扩张，特别是2017年以后差距明显，为基金指数构建带来偏差。

• 图表3（页6）：“主动权益基金持仓与申万指数在一级行业核心池仓位占比”

权益基金行业内核心仓位占比远高于申万，平均高达90%+，申万指数平均仅75%左右，说明基金在行业内也更聚焦，申万指数无法表现该特征。

• 图表4-9（页7-8）：“重构行业指数对比申万一级指数”

重构指数走势和申万接近，2019年后走势背离明显，重构指数反映基金更强的涨势，特别是在电气设备、医药生物、有色金属等板块。
图片呈现曲线红色（重构指数）与灰色（申万）走势对比，红线更陡峭，体现基金配置更积极。

• 图表11-17（页10-12）：“参数lambda不同拟合结果及行业仓位拟合”

展示lambda从0.01到0.5，拟合净值与行业仓位变动灵敏度差异，lambda=0.05在拟合准确率和行业变化敏感性间均衡。
图16、17也聚焦电子和电气设备行业仓位拟合曲线与真实财报持仓对比，进一步验证。

• 图表18-23（页13-15）：“不同window拟合效果对比”

在固定lambda=0.05下，window从10->20，拟合结果更平稳，行业波动平滑，拟合净值效果无显著差异。
行业仓位拟合均衡，尤其窗口15天表现良好。

• 图表24（页16）：“200只基金抽样不同lambda拟合效果指标”

Lambda与拟合各项指标的对比数据，lambda为0.05时，整体绝对误差、秩相关、方向预测都较理想。

• 图表25-28（页16-18）：“样本日度行业仓位探测均值不同lambda效果”

显示各lambda值下200只基金行业仓位均值，明显lambda越小对行业仓位变化反映更灵敏，但波动也大。

• 图表29-34（页19-20）：“部分主要行业真实与不同lambda、naive预测对比”

以医药生物、电气设备、食品饮料、电子、计算机、有色金属等为例，拟合结果更贴近真实表现，naive方法偏差较大尤其在仓位剧烈变动阶段。

• 图表35（页20）：“不同window参数的拟合指标对比”

Window=15天时方向预测准确率最高（73.2%），平衡拟合稳定性和灵敏度。

• 图表38（页22）：“主动权益基金申万一级行业平均仓位日度探测”

展示2016年至2021年间28个行业行业仓位动态，整体仓位稳中有升，行业配置轮动明显。

• 图表39（页23）：“15年报以来各行业方向预测准确率”

行业胜率大多数在0.6以上，计算机、电气设备、商业贸易等行业达到或超过0.9，表明模型行业方向预测能力较强。

• 图表40-45（页23-24）：“典型行业拟合结果对比图”

多个热门行业拟合结果均较优，拟合值接近真实仓位且优于naive，进一步确认模型准确性。[page::4-24]

---

四、估值分析

本报告不涉及单个基金或行业的定价估值分析，主要聚焦基金行业仓位探测方法和动态，无明显估值模型或目标价分析。

---

五、风险因素评估

报告中对风险提示明确指出：

• 基于历史公开数据，数据存在滞后和第三方提供数据风险；

- 模型基于历史统计规律，不能完全准确反映现实，可能出现失效或解释不足；

• 极端市场环境下，模型解释力不足，结果仅供参考；

- 研究分析不等同于未来表现预示或投资建议；

• 投资有风险，使用模型和报告需谨慎。[page::0][page::23]

---

六、批判性视角与细微差别

• 报告采用了基于历史持仓和行业指数收益的线性回归拟合方法，固有局限性在于模型假定基金仓位变动较为平滑且符合流动性预期，但实际中基金调仓可能有突发重配，模型可能在极端变动时不能完全及时响应。
• 参数lambda与window调节存在主观权衡，虽然通过200只样本进行参数筛选，但可能不完全适配所有基金类型或特定市场环境。尤其lambda过大导致的估计过于平滑，可能掩盖真实仓位剧烈变动的短时信号。
• 模型基于财报公布持仓数据作为基准点，设计合理，但财报数据披露滞后意味着短期内仓位探测仍然存在信息延迟问题。
• 指标如平均绝对误差与秩相关系数等统计指标虽有助于模型评估，但也可能不足以捕捉高频交易或市场快速变化带来的复杂影响。
• 模型假设基金行业仓位不负值，在极端市场情况下可能出现跨行业跨板块动态对冲策略，此种情况本模型可能无反映能力。
• 报告未披露模型对因子暴露、风格偏好等更细粒度多维解耦，与深入理解基金风格关联较少，仅限行业层面配置情况。
• 图表解释简洁有效，但部分因文件排版问题，文字格式有轻微混乱，表格内容需谨慎阅读与核对。

整体来看，报告思路合理，一致性良好，风险揭示充分，对基金行业配置动向探测提供了较具创新性且实操性强的分析框架。

---

七、结论性综合

本报告围绕主动权益基金行业仓位配置的高频动态探测展开，核心贡献在于：

• 系统揭示了传统申万行业指数基于流通市值加权编制与基金持仓集中度之间存在重大差异，申万指数无法准确反映基金真实行业配置；
• 提出基于基金半年持仓市值重构行业指数，构建适配基金风格的行业指数体系，显著提升了与基金组合净值的拟合精度，尤其在热门行业（电气设备、医药生物、电子、有色金属等）体现更为明显；
• 设计利用基金日度收益与新构建行业指数收益的线性优化拟合模型，结合调节参数lambda与window，利用历史公布财报数据动态矫正，实现了基金行业仓位的日度高频探测；
• 通过对200只主动权益基金样本的随机抽样调参和验证，发现lambda=0.05，window=15为拟合与行业方向预测的平衡点，平均绝对误差仅约0.009，拟合与真实仓位秩相关约0.78，行业方向预测准确率达73%；
• 实际应用中，基金行业仓位长期集中且滑动调整明显，2021年中和7月底的前十大行业仓位均聚焦于医药生物、电气设备、电子、食品饮料等核心行业，并体现出有色金属、钢铁、采掘、电子等行业轮动加仓趋势，食品饮料、传媒、通信、医药生物等行业仓位有所下降；
• 模型较经典naive方法明显提高了行业配置变化的灵敏度和准确性，能更好地捕捉主动权益基金的真实行业偏好；
• 报告风险提示充分，强调模型基于历史数据、存在滞后性及极端市场风险，结果仅供策略参考，非绝对投资建议。

图表深度解读充分印证了报告方法的有效性和实用性，从持仓集中度、股票池覆盖、行业权重分布、拟合净值、行业仓位日度动态、参数敏感性和行业轮动趋势等维度提供了详实数据支持。其创新的基金持仓重构行业指数与线性优化行业探测模型，为学术及实务中高频跟踪基金配置提供了宝贵参考。

综上所述，该报告以严谨的统计检验、清晰的量化模型结构与详实的行业动态揭示，精准捕捉了中国主动权益基金行业配置的真实动态及高频变化，为理解“聪明资金”的动向提供了科学可靠的方法论基础，具有重要的研究与实战价值。[page::0-25]

---

以上为该研究报告的极为详尽且全面的分析解读。

报告