基金重仓股的超额收益表现及变动 [page::3][page::4]

• 2011年以来，偏股基金重仓股整体呈现稳定超额收益，但表现阶段性差异明显。

- 基金重仓股数量维持在约1000只左右，近年有所减少但持股集中度增加。

基金业绩是筛选重仓股关键因子 [page::5][page::6][page::7]

• 通过过去12个月的基金收益率、夏普比和alpha筛选基金，发现基金收益率和alpha筛选出的重仓股年化收益较夏普比筛选显著更优。

- 业绩最好的基金重仓股具有更高超额收益，且基金数量增加时筛选效果稳定。

• 业绩前20%的基金的增量重仓股能带来强劲超额收益，业绩较差基金单独持有的重仓股超额收益为负。

基金换手率与规模的影响 [page::8][page::9]

• 换手率高的基金重仓股表现整体偏弱，但在业绩优良基金中，换手率差异作用不显著，换手率非有效筛选指标。

- 规模中等基金重仓股表现最佳，小规模基金重仓股表现弱且多为负超额收益，剔除规模后20%基金。

基金重仓股在不同风格和行业中的超额收益分布 [page::10][page::11]

• 2017年前，基金重仓股在小市值、高成长股票中超额收益更好；2017年后，重仓股在高估值股票中超额收益更显著。

- 行业方面，TMT、中游机械和化工行业重仓股表现优异，消费板块2017年后超额收益显著提升，上游资源、券商军工等板块无明显alpha。

持仓特征对超额收益的预测作用 [page::12][page::13]

• 多种持仓因子测试表明基金重仓市值占流通市值比例及其季度环比变化与超额收益正相关，IC约0.02以上。

- 持仓比例相关因子相关性较强，重仓市值占流通市值变化的因子表现最佳，且多头收益较强。

股票池筛选及组合构建方法 [page::14][page::15][page::17]

• 过滤业绩前20%的基金及剔除规模后20%基金，结合持仓因子筛选重仓股构建股票池。

- 筛选方法聚焦基金业绩和重仓市值占流通市值变化两个头部指标。

• 选取业绩最优3只基金重仓股及持仓变化显著20只股票的并集，股票池平均40只左右，超额收益显著强于所有重仓股等权组合。

股票池特征分析 [page::18]

• 股票池偏向高流动性、高动量、高估值的热门股票，并有较高分析师盈利预期暴露。

- 行业集中于医药、电子设备、机械化工等成长与科技赛道，低配资源和金融板块。

多因子指数增强策略中纳入重仓股股票池效果显著 [page::19][page::20]

• 以权重约束形式纳入重仓股股票池至中证500增强策略，2017年以来年化收益提升约2%，信息比提升0.4，最大回撤微增。

- 2017年前市场风格偏小盘成长，纳入重仓股反而降低表现，2017年后市场转向基本面，中签盈利能力明显。

• alpha因子在重仓股股票池中依然保持预测有效性，前50%alpha重仓股超额收益明显高于基准策略。

基金重仓股选股能力及资金推动的双重作用 [page::22]

• 基金业绩筛选效果优于alpha，提示资金流动性与市场预期驱动超额收益。

- 市场环境变动及基金持仓调整对重仓股alpha挖掘存在限制。

• 未来研究方向应结合行业风格暴露，加强因子融合并优化筛选结构，谋求更优全局表现。

量化专题报告《多因子系列之十三：基金重仓股研究》详尽解析

---

一、元数据与报告概览

报告标题： 多因子系列之十三：基金重仓股研究
作者与机构： 分析师刘富兵（执业证书编号：S0680518030007）、研究助理丁一凡，国盛证券研究所
日期： 报告发布时间不明确，但数据范围至2020年中，相关研究时间约为2020年中
研究主题： 研究基金重仓股的超额收益预测指标，并构建筛选机制纳入多因子组合策略以提升表现

核心论点：

• 基金重仓股整体上可获得显著的残差收益（即剥离行业及风格影响后的超额收益），但其回报存在时序与风格差异。

- 基金业绩是选择高超额收益重仓股的主要指标，业绩优异基金的重仓股具有更好的超额收益能力。

• 基金持仓的权重信息，尤其是持仓市值占股票流通市值比例的变化，是有效的超额收益预测因子。

- 基于基金业绩和持仓因子筛选出的重仓股池，在多因子指数增强策略中赋权，有效提升策略表现，尤其在2017年以后效果显著。

• 报告不仅体现在理论测试层面，同时构建了实际的策略优化并进行了全面的实证分析。

- 提醒历史统计结果和模型基于一定假设，未来市场环境变动可能影响模型有效性。

总体来看，报告通过实证数据详细剖析了基金重仓股的特质收益规律及形成原因，并用实证策略验证了基金重仓信息的选股价值，引导读者思考如何用基金持仓数据持续挖掘选股alpha，提升指数增强效果。[page::0,3,22]

---

二、逐节深度解读

2.1 综述（第3页）

报告首先确认基金重仓股长期来看能带来较稳定的超额收益（图表1），但这种超额收益并不稳定，存在2016-2018年明显低迷阶段。数据显示基金重仓股平均数量大致在1000只左右，流动性相对分散，但近年持股集中度有所回升至700只左右（图表2）。因此，单纯跟随全部重仓股难以稳定获利，有必要从基金和股票的多因子角度筛选出优质重仓股，实现超额收益的显著增强。[page::3,4]

---

2.2 影响重仓股超额收益因素（第4-13页）

2.2.1 数据与回报定义

样本涵盖2011年1月至2020年6月，基金涵盖偏股混合及普通股票型，剔除被动和量化基金，仅采用基金季报前十大重仓股数据，保证数据时效性。研究对象残差收益定义为股票收益剥离行业和风格因子的残差收益，用于聚焦基金实际的选股alpha能力，避免行业偏好混淆解读。[page::4,5]

2.2.2 基金特征分析

基金业绩的选股能力

引入团队先前的Sharpe资产因子模型，剥离基金仓位和风格影响得到的基金Alpha来衡量选股能力，测试同时用基金历史收益率、夏普率作为比较。结果表明：

• 用基金收益率筛选的顶尖基金重仓股超额收益最高且具单调性，夏普比效果最差。

- 基金Alpha虽然理论上能剥离风格影响，但实际表现略逊于基金收益率，表明不止选股能力带来收益，还可能包含市场行为和资金效应（例如明星基金抱团买入重仓股带动股价）。（图表5-7）

• 进一步对基金分组（分为5组）分析增量重仓股表现，发现2017年后业绩较差基金所持新进重仓股产生显著负超额收益，说明需剔除业绩差基金的新增重仓股。（图表8）[page::5,6,7]

基金换手率影响

高换手基金持仓披露滞后，理论上可能削弱跟随策略表现。实际检测显示：

• 2017年后，高换手基金重仓股表现差于低换手（图表9,10）。

- 但若限制样本仅为业绩前20%基金，换手率对重仓股超额收益无显著影响（图表11），表明换手率效应主要是业绩差异的替代，这一指标非独立的筛选条件。

• 因此换手率不是独立有效的筛选指标。[page::7,8]

基金规模影响

基金规模中等的重仓股表现最佳，小基金（多为业绩较差基金）的独有重仓股自2017年后表现为负超额收益（图表12）。规模较大基金的重仓股残差收益表现稳定。故筛选优质基金时，剔除规模靠后的20%基金有助提升超额收益可靠性。[page::8,9]

---

2.2.3 股票特征分析

风格分析

对重仓股按成长、价值、规模、市盈率等风格指标分层，发现：

• 2017年前，重仓股在小盘成长股中超额收益较高。

- 2017年后，表现转向偏好高估值、高流动性的成长风格股票，低估值的重仓股超额收益下降明显。

• 扩展市值维度，近年市值分层对超额收益影响减弱（图表13、14）。

说明市场风格演变带来基金重仓股超额收益策略的时序特征，筛选策略需动态考虑风格变迁。[page::9,10]

行业分析

基金重仓股在TMT、机械化工等中游行业持续具备较强超额收益，而强周期上游资源、券商及军工板块表现疲软无稳定alpha。
2017年后，消费类医药、食品饮料行业重仓股的超额收益显著提升，反映机构抱团资金偏好和外资介入的影响（图表15）。
基金重仓股在行业上的选股能力显著分异，未来构建股票池时对行业权重要加控制。[page::11]

---

2.2.4 持仓特征分析（第12-13页）

构建多种持仓因子，主要关注以基金重仓该股票市值除以该股票流通市值（Toptentofloatashare）及其环比变化（deltatofloatashare）为核心指标。测试结果显示：

• 这两个因子均与股票残差收益显著正相关，且呈线性关系，具有良好的预测能力和风险调整后收益。

- 持仓权重相关因子（最大权重、平均权重、基金持仓比例等）与收益相关但区分度不及上述两个指标，单调性弱。

• 因子表现原始值优于行业风格中性化调整后，说明重仓股收益与行业风格相关度较高。

- 相关因子间高度相关，风险因子多重，筛选以Toptentofloatashare及其变动为最优。
（图表16-21，18、19、20、21）[page::12,13]

---

3.1 股票池筛选（第14-18页）

结合基金业绩和持仓因子，构建股票池筛选方案，具体实现为：

• 首先筛选业绩排名靠前的基金（剔除业绩尾部20%及低规模基金），再利用这些基金的持仓市值占流通市值的季度环比变化率指标筛选股票池中的成份股。

- 通过统计测试发现，该组合的超额收益净值显著优于所有重仓股的等权净值（图表28），股票池平均股票数约40只（图表29）。

• 股票池因子暴露表明其具有高流动性、高动量、高估值特点，同时分析师盈利预期覆盖较广，表明股票池主要捕捉“预期增量”带来的超额收益（图表30）。

- 行业暴露聚焦TMT、医药、食品饮料、机械化工等非周期性成长行业，规避资源、金融等波动大板块（图表31）。

• 市场风格及机构抱团偏好反应明显，表明策略兼顾了风格转换期的精选优势。[page::14,17,18]

---

3.2 组合构建与策略测试（第19-21页）

将筛选的重仓股池以权重约束方式嵌入指数增强策略框架，基准为中证500月频增强组合，跟踪误差约束5%，交易成本考虑双边0.3%。核心测试结论：

• 2017年前，纳入重仓股池使策略表现未能提升甚至出现下降，主要原因是重仓股库偏好与市场风格不匹配，导致风格拖累效果。

- 2017年后，纳入权重约束显著提升策略表现，权重约束越严格，增强效果越明显，年化收益提升约2%以上，信息比提升约0.4左右（图表32-34）。

• Alpha排序前50%的重仓股在策略中仍表现优异，显著超越基准残差收益，体现基金选股能力超越系统多因子模型（图表35）。

- 提供最新重仓股alpha头部股票名单，覆盖医药、电子、计算机、新能源等热门行业，具体数据详见图表36。
该节详细展示了基金重仓股信息嵌入指数增强实操的可行性及显著的业绩贡献。[page::19,20,21]

---

四、报告总结与思考（第22页）

• 报告确认基金重仓股可获取超额收益，但表现受时间、市场环境、风格与资金流因素影响显著。

- 基金业绩和持仓市值占流通市值的季度环比变化为主要有效筛选指标，其他指标统计显著性较弱且头部效应不明显。

• 基金重仓股信息不仅包含基金经理选股alpha，还含资金推动效应，需理性分辨。

- 选股目标以残差收益为主，剥离风格和行业因子，以便真正确认基金的选股能力。

• 股票池在热门行业和风格中捕捉盈利预期的边际改善，结合策略风格融合及基准对冲，实现稳定提升。

- 研究方法借助因子测试及组合构建双重验证，实现了基金持仓数据的应用创新。

• 报告强调历史业绩及模型受未来市场环境影响，风险提示明确，投资者需谨慎。[page::22]

---

三、图表深度解读

图表1：基金重仓股的等权特质收益净值（第3页）

曲线展示了2011年以来基金重仓股特质收益净值增长趋势，净值由约1上涨至1.45，展现长期稳定超额收益能力。但中期（2016-2018）出现波动，体现不稳定性。此图说明基金重仓股配置具备长期alpha潜力，但盲目全持有不足以持续获取高收益。[page::3]

图表2：基金重仓股数量演变（第4页）

显示2011-2020年间基金重仓股票数由约450只增长至约1200只后回落至700只左右，略有波动。持股集中度整体提升但仍较分散，表明重仓股选样的广度和深度。限制数量筛选成为策略必要手段。[page::4]

图表5-7：不同基金业绩指标筛选重仓股表现对比（第5-6页）

表格显示不同基金数目下，按基金收益率、Alpha和夏普率筛选重仓股的年化超额收益和信息比。收益率筛选表现最好，尤其TOP1-5基金对应重仓股超额收益高达10%+，信息比也最高。
图7净值曲线验证该结论，收益率和Alpha筛选的重仓股净值走势明显强于夏普比和整体基准，支持用基金业绩筛选基金。[page::5,6]

图表8：不同业绩等级基金单独持有重仓股的超额收益表现（第7页）

五个业绩组基金独有重仓股表现差异显著，2017年前差异较小但整体均优于基准，其中业绩前20%重仓股表现最佳；2017年后差异加剧，业绩后20%基金持股表现为负，提示剔除差绩基金增量重仓股。[page::7]

图表9-11：不同换手率段基金重仓股表现（第8页）

图9、10显示换手率与超额收益关系随时间变化，2017年前无明显联系，之后低换手基金表现较优，换手率影响因业绩差异而产生。限定业绩前20%基金后，换手率组间表现趋同（图11），表明换手率本身非有效筛选因子。[page::8]

图表12：基金规模分组重仓股表现（第9页）

规模中等基金重仓股表现领先，两端规模均表现欠佳，规模小基金独持重仓股近年表现甚至转负。策略设计中剔除规模后20%的基金有助提升筛选有效性。[page::9]

图表13-14：不同成长价值风格基金重仓股超额收益（第10页）

2017年前，高成长股票中基金重仓股表现优势明显，2017年后该效应逆转，低成长或价值股表现提升，高估值市场带来更高超额收益，策略需动态捕捉风格切换。[page::10]

图表15：不同行业重仓股超额收益对比（第11页）

拟合显示TMT及中游行业旺盛，消费医药2017后收益明显跃升。周期性强的上游资源和军工、券商表现不佳。行业选择溢价明显，投资组合行业配置宜重点考量该结论。[page::11]

图表16-21：持仓因子IC和超额收益表现（第12-13页）

Toptentofloatashare及其季度变化因子效果最佳，IC约0.02，ICIR约1，年化超额收益近10%。其他因子表现次之。重仓占流通股比例及其变化反映资金关注度与潜在爆发力。
图18-21分组净值与超额收益柱状图详述正相关趋势和强烈的单调性，体现这两个指标的选股价值。[page::12,13]

图表22：基金重仓股影响因素汇总（第14页）

表中简明罗列各类因子对超额收益的区分效果，基金业绩和持仓变化因子效应最佳，基金换手率和规模劣于前两者，风格和行业因市场变化表现不稳定，筛选路径清晰。[page::14]

图表28-29：筛选股票池超额收益与股票数（第17页）

剔除末尾基金后，结合业绩与持仓变化因子筛选出的股票池超额收益显著优于所有重仓股等权基准，量级提升明显。股票数量维持在40只左右，兼顾选股和分散。[page::17]

图表30-31：股票池因子及行业暴露（第18页）

因子暴露显示股票池具高流动性动量与分析师盈利预期正面暴露，估值风格较高。行业分布向医药、TMT、基础化工倾斜，符合市场资金偏好，避开明显弱势板块，体现策略择时和择基能力。[page::18]

图表32-34：策略分年表现及2017年后超额收益净值（第19-20页）

策略纳入基金重仓池后，2017年前效果负面，2017年后提升显著，年化收益提升约2%，信息比提升0.4，且增强收益随重仓池权重加大平稳提升，有效结合风格演变和alpha捕捉。[page::19,20]

图表35-36：业绩归因及最新优质重仓股名单（第21页）

前50%alpha重仓股超额收益远超基准组合残差收益，后50%表现较差，确认基金选股alpha优于多因子模型。附2020年7月优质重仓股列表，包括医药、电子、新能源、计算机等热门行业龙头。[page::21]

---

四、估值分析

报告内未明确价内估值定价方法，核心为利用基金重仓股的残差收益构建股票池并结合多因子指数增强策略。
多因子模型本质通过Alpha因子（包括本报告筛选策略）进行组合权重优化，覆盖行业市值等中性约束，利用跟踪误差限制和成本模型求解最优权重配置。
权重约束方式保证重仓股池一定比例持仓，从而提升该池贡献的残差alpha。
整体估值逻辑属于增强型指数策略的alpha增强模块，侧重相对价值和预期超额收益捕捉，无单独DCF或传统市盈率估值展示。[page::19]

---

五、风险因素评估

• 模型风险：历史数据和统计模型基础，未来市场条件、风格和制度环境变化可能导致模型失效。

- 风格漂移风险：基金重仓风格与市场风格匹配度变化影响选股alpha的稳定性，2017年前后表现差异即警示此风险。

• 资金流风险：重仓市值比例的驱动效应包含资金动量，若资金流扰动发生，相关收益可能波动剧烈。

- 数据滞后风险：基金持仓数据季度披露，换手率高基金持仓信息滞后，可能影响策略时效和实际收益。

• 集中度风险：股票池规模相对较小，若个股或行业出现极端状况，可能引发回撤。

- 操作风险：交易成本和市场冲击可能影响策略实际收益。报告中有考虑0.3%双边成本，但波动成本难以完全剔除。

• 市场风险：系统性风险无法被选股策略完全消除。[page::0,22]

---

六、批判性视角与细微差别

• 基金Alpha与业绩差异：报告指出Alpha指标理论优于简单收益率但实测不及，暗含市场行为动量等因素，提示基金选股能力外还有资金效应，未来需对两者进一步区分。

- 换手率非独立因子：换手率影响被基金业绩替代，报告理性评估但未深入探讨长期高换手特质，未来可考虑更细周期数据。

• 持仓因子单调性有限：尽管表现好，但持仓权重占比因子未通过所有显著性检验，需要关注回测稳定性和过拟合风险。

- 策略设计局限：选择头部基金的重仓股和持仓变动股票作并集的方案，虽有效但非优化最优，可能存在更佳筛选框架。

• 市场环境依赖：2017年前后风格改变导致策略表现天壤之别，提示投资者策略有效性依赖合适市场时点。

- 统计有效性：部分因子效果统计显著性不足，须谨慎推广至不同市场时期或股票池。
以上批判保持理性，充分反映报告内部内容及其暗含的局限性。[page::5,15,22]

---

七、结论性综合

报告严谨地通过大量实证数据运用多维度因子体系，系统性分析基金重仓股的超额收益来源及其时序、风格和行业特性。结果表明：

• 基金业绩作为筛选基金的主要指标，高业绩基金的重仓股显著产生成果，尤其筛除规模太小和业绩低的基金的重仓股票池后表现更优。

- 基金持仓信息中，重仓市值占股票流通市值的环比变化因子与超额收益具显著正相关，是关键选股指标之一。

• 重仓股超额收益在不同时期与市场风格密切相关，2017年以前偏成长小盘，2017年以后更多体现在高估值的TMT及医药消费板块。

- 结合基金业绩筛选基金、持仓变动筛选股票的双指标筛选方式，构建的经营股票池在残差收益上明显优于任意单一指标的全部重仓股池。

• 将股票池权重纳入基准指数增强策略，策略表现整体提升2%以上，信息比有0.4增幅，且股票池中优质alpha个股贡献上游alpha大于多因子模型表明该策略在实务中具较强应用价值。

- 报告强调筛选因子统计显著性偏弱及策略仅为局部最优，后续研究仍需探索更优选股框架，并关注市场环境变化对策略表现的持续影响。

通过多角度收敛验证，报告为基金重仓股研究提供了全面系统的理论与实操指导建议，同时丰富了基金持仓数据的量化应用路径，具有较高参考价值。[page::0-22]

---

总结

本报告以严谨实证方法和丰富图表论证，为基金重仓股的超额收益贡献机制及其筛选指标建立了清晰框架，验证基金高业绩和持仓变动为核心驱动力，构建的精选重仓股池有效提升指数增强策略的alpha表现，尤其在近年结构性市场风格演变中表现突出。报告理性呈现了模型局限和市场风险，为后续优化完善策略和深入学术研究提供了重要基础和启示。

---

关键图片示意（示例）

• 图表1基金重仓股等权特质收益净值走势图

• 图表7 不同指标筛选5只基金的重仓股表现对比

• 图表8 基金业绩分组不同重仓股超额收益表现

• 图表18 Toptentofloat_ashare分组净值

• 图表28 筛选股票池超额收益净值

• 图表33 不同参数下策略2017年以来超额收益净值

• 图表35 业绩归因

---

【全文引用页码】：[page::0,1,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22]

本分析遵循报告内容的客观解读，包含所有重要数据指标和图表详解，系统呈现报告的主论点、方法论及实证结论，适合作为策略研究和投资决策参考。

报告