方法创新：两种基于二次规划的偏股基金持仓穿透算法比较 [page::4][page::10]

• 算法一通过披露的季报、半年报与年报中的基金资产组合及调仓惩罚，拟合基金持仓权重。

- 算法二结合基金重仓股和行业指数，将行业权重映射后回归个股持仓，鲁棒性更强，可覆盖92%季度基金。

• 两算法均使用惩罚系数和回看天数调节准确度，惩罚系数适当范围0.01-0.05，回看天数约40天为最佳。

算法精度与误差分析 [page::7][page::11][page::14]

| 指标 | 算法一 | 算法二 |
|----------------|---------------------|---------------------|
| 平均相对误差(%) | 0.25 | -0.56 |
| 平均绝对误差(%) | 4.59 | 4.58 |
| 制造业相对误差(%) | 0.6 | 0.08 |
| 制造业绝对误差(%) | 6.92 | 7.31 |
| 金融业相对误差(%) | 0.53 | -0.19 |
| 金融业绝对误差(%) | 3.5 | 3.99 |

• 两种算法对总仓位及行业仓位误差均较小且相近，未体现显著优劣。

- 算法一可穿透81%季度基金，算法二覆盖92%，鲁棒性更好。

偏股基金调仓行为及市场关联性研究 [page::16][page::17][page::18]

• 偏股基金周度平均仓位与沪深300指数走势高度相关，调仓滞后指数1-2周。

- 相关分析显示沪深300领先基金仓位变化约3周，基金交易具明显跟随性。

• 2022年至2024年沪深300下跌时，偏股基金仓位保持高位，显示右侧交易倾向。

基金风格演变与风格切换敏感性 [page::19][page::20][page::21]

• 偏股基金仓位风格与成长价值指数同步，风格随市场由价值转向成长，后又回归价值区间。

- 市值风格方面，基金偏好由2017年大盘股转向2021年小盘股，切换节奏较慢。

• 成长价值风格的仓位变化与基金仓位关联显著，切换延迟为0周，表明基金为主要风格参与者。

- 大盘小盘风格敏感性相对较低，基金对该类风格切换反应较慢。

投资建议与风险提示 [page::0][page::22]

• 测算偏股基金持仓有助于把握基金对市场的偏好，辅助投资策略制定。

- 算法测算存在一定滞后性，模型和统计结论基于历史数据，投资时需结合实际谨慎决策。

【专题报告】偏股基金持仓穿透及其交易行为研究 ——详尽分析

---

一、元数据与概览

报告标题：《偏股基金持仓穿透及其交易行为研究》

作者及发布机构：

• 华创证券研究所金融工程组

- 主要分析师：王小川

• 日期：2024年4月

研究主题：
本报告围绕偏股混合型基金（成立时间在2016年1月1日前，样本共385只），采用金融工程方法推进基金持仓穿透（即从公开披露信息反推基金持仓结构），同时研究其调仓行为与市场走势（尤其是沪深300指数）及风格切换的相关性。

核心论点总结：

1. 持仓穿透方法创新与比较：提出两种基于二次规划约束优化的算法，既考虑准确性，也考虑鲁棒性；算法二在鲁棒性上优于算法一。

2. 调仓行为：偏股基金调仓行为呈现明显的滞后性，普遍滞后沪深300指数2-3周，显示其交易行为更多是市场趋势的跟随者，缺乏预判性。

1. 风格变化相关性：偏股基金在成长价值风格切换上反应较快，与成长价值风格变化高度同步；而在大盘小盘风格切换上反应较慢。

4. 投资建议强调持仓测算在理解基金的市场偏好中的重要性，但提示测算数据存在滞后性，相关结论基于历史统计。

---

二、逐节深度解读

1. 方法概述

基金持仓穿透的意义与数据来源
基金持仓穿透指基于基金公开披露（年报、半年报、季报）的体系信息，通过算法推测其实际个股持仓分布。披露通常包括季度前十大重仓股、行业配置权重及总仓位，半年报和年报披露全部持仓。因信息披露的时效性及完整性限制，穿透算法必须平衡准确性和鲁棒性。

方法分类与选择

• 卡尔曼滤波法：相对复杂，需稳定协方差矩阵，难点在于基金持仓股票众多时，协方差难以稳定估计。

- 约束优化（二次规划）：通过构造目标函数拟合基金表现，受到披露信息的约束进行权重优化，适用性优。

算法一：

• 核心思路为利用披露的中期数据回顾（3月末年报、9月末半年报）作为基准权重，在回看期内假设持仓不变。

- 设计优化目标函数为基金收益与估算组合收益平方差加调仓惩罚项的和，约束个股仓位范围（0至10%）、总仓位限制（60%-95%），惩罚项控制持仓调整幅度。

• 季报披露不足时（6月末、12月末），通过补全策略利用季报披露的重仓股、行业权重及总仓位估算持仓，允许行业持仓浮动±2%。

- 参数分析发现，回看天数（40-50天区间）和惩罚系数（0.01-0.05）对误差影响显著，适中惩罚权重可减少误差和避免过度拟合或过宽松。

• 行业维度误差分析显示算法具有较好行业穿透力，制造业的绝对误差较大（6-7%左右），金融业误差较小。

- 时间序列误差稳定，未发现系统性与沪深300指数走势相关的误差偏差。

算法二（新算法）：

• 结合基金披露的重仓股和行业指数，通过行业指数映射反推出基金持仓，减少变量数量，并允许调仓惩罚及适度放松行业约束。

- 目标函数同样兼顾收益拟合、调仓惩罚以及总仓位拟合，具体约束详见公式。

• 参数影响同样呈现惩罚系数过大会导致估计精度下降的趋势，适中惩罚系数（0.01-0.03）效果最佳。

- 行业相对误差波动较大，制造业和金融业表现一致，回看天数同样对精度有显著影响。

• 时间序列上的平均相对误差稳定接近0，平均绝对误差约4.2%，表现优于算法一在样本覆盖率上达到92%，更鲁棒。

两算法对比：

• 精度上相差无几，均优于万得提供的估算方法。平均相对误差均在±0.5%以内，平均绝对误差均约4.5%。

- 算法二显著提升了鲁棒性，能穿透92%的季度基金，算法一为81%。

• 从行业维度看，误差均控制在1%的平均相对误差范围内。

- 由于基金个股持仓分散且披露频率有限，个股层面误差统计未进行。

2. 周频基金行为研究

高频持仓估算方法应用
利用算法二，每周估算样本基金整体仓位及风格暴露，结合基金最新披露信息动态调整。个股仓位通过行业指数成分股权重映射获得。

调仓行为研究

• 偏股基金平均仓位与沪深300走势高度相关，仓位高低点滞后指数2-3周。

- 2017-2018年和2019-2020年股市涨跌与基金仓位同步，2022年底以来，基金仓位维持在90%-92%，指数大幅下降，基金未明显减仓，显示右侧交易倾向。

• 周频相关性分析图显示沪深300领先基金仓位3周时，相关性最大，符合滞后调仓结论。

风格行为分析

• 采用基金持仓权重加权计算股票风格分位数，组合出偏股基金的平均风格指标。

- 通过成长、价值，大盘、小盘指数的组合分析，基金风格由2017年至今经历价值→成长→价值的轮换，基金风格暴露同步切换。

• 探讨市场风格演变的内外部推动因素（如龙头股核心影响、美联储政策、中国政策声明等）。

- 大盘小盘风格切换较慢且相关度低于成长价值维度，基金对成长价值风格敏感度更高，加仓-风格同步性峰值出现在无滞后，说明基金是成长价值市场的积极参与者。

3. 风险提示

• 持仓穿透算法依赖历史净值及披露，存在一定滞后性与不完整性风险。

- 所有模型基于历史数据，未来市场环境变化可能影响模型适用性。

---

三、图表深度解读

算法一相关图表（图2-9）

• 图2与图3呈现算法一在不同惩罚系数和回看天数下的平均相对误差和绝对误差，整体误差在相对-3%至+1%之间波动，绝对误差最低约3.9%，惩罚系数0.01-0.05区间内表现最佳。

- 制造业（图4、5）误差较大且绝对误差高达7%左右，显示制造业持仓难以准确估计。

• 金融业（图6、7）误差较小，说明算法对金融业穿透能力较强。

- 图8、9显示，时序上误差均较为平稳，不随交易量或指数波动明显变化。

算法二相关图表（图11-18）

• 相对和绝对误差整体趋势与算法一类似，但误差稳定性更好，穿透范围更广。

- 行业分布误差（图13-16）显示制造业误差存在阶段性波动，金融业误差稳中有升。

• 时序误差（图17、18）表明算法二平均绝对误差维持在4%左右，具备较好的时间稳定性。

算法误差分布及对比（图19、20）

• 算法误差分布均近似对称，平均相对误差接近零，说明算法无系统偏差。两算法优于Wind提供估算。

基金调仓行为（图21-23）

• 图21真实基金仓位、披露时间点与算法估算对比，算法估算线相较Wind估算更贴近真实仓位，表现出较强准确性。

- 图22显示偏股基金仓位与沪深300走势高度相关，存在明显滞后。

• 图23定量说明沪深300指数领先基金仓位约3周。

风格行为分析（图24-27）

• 图24给出市场风格指数代码及概览。

- 图25展示基金成长价值风格加权分位数与成长价值溢价正相关，反映基金对风格变化同步响应。

• 图26展示大盘小盘加权分位数及溢价变化，基金风格切换较为缓慢。

- 图27风格仓位与加仓时间延迟相关性表明基金在成长价值维度敏感度明显高于大盘小盘维度。

---

四、估值分析

本报告主要关注方法论改进及行为研究，未包含传统财务指标估值分析，故无DCF或多重估值法等内容。

---

五、风险因素评估

• 算法对数据完整性与准确度依赖较高，数据披露的错误、停牌股票或行业分类误报会影响求解效果。

- 由于应用历史价格与披露数据，稳健性受限于市场波动和基金快速调仓行为的匹配程度。

• 模型固有滞后效应可能导致市场趋势变化时无法捕捉先行仓位调整。

报告未详细提出缓解方案，但通过参数调整与算法优化致力于降低风险。

---

六、批判性视角与细微差别

• 报告侧重二次规划算法，未深入考虑其他可能模型如非线性优化或机器学习方法，可能限制了持仓预测的创新空间。

- 基金披露信息的滞后性和不标准性导致穿透算法存在盲点，报告对这一限制认识合理。

• 估计精度主要针对行业和总仓位层面，个股层面缺乏量化分析，基金个股集中度和调仓策略多样性可能埋下误差。

- 报告较少对基金风格变化时的持仓变动动力学深入探讨，例如机构行为因素。

• 风险提示相对简略，未来可增加应对新政策或极端市场事件的适用性讨论。

---

七、结论性综合

本报告系统构建并比较了两种基于二次规划的基金持仓穿透算法，实证检验了算法参数对穿透准确性的影响，明确了最佳参数区间，并展示了算法穿透的行业与时间维度稳定性。算法二相较算法一在鲁棒性和穿透率上具备优势，但两者在估算总仓位和行业仓位精度上无显著差异，均明显优于万得估算方法。

在行为研究层面，利用算法二的周频高频持仓数据，报告揭示偏股基金调仓行为滞后于沪深300指数约2-3周，呈明显的趋势跟随效应；基金风格加权仓位与市场成长价值风格高度同步，且成长价值风格的切换敏感性远高于大盘小盘风格，说明基金是成长价值市场的主力参与者。基金在风格选择上受市场内生演化和宏观因素驱动，呈现了明显的审美及配置变迁轨迹。

投资建议方面，报告强调通过穿透算法测算偏股基金持仓，可有效把握基金当前市场偏好，对投资者识别资本流向及风格轮动具有重要启示，但需注意穿透结果存在历史数据滞后性。

结合各类图表，算法参数调节的准确率数据（图2-20）、基金真实与估算仓位对比（图21）、基金仓位与沪深300指数走势及相关性（图22、23）、成长价值及大盘小盘风格指标与基金仓位关系（图25-27）均固化了Algorithm二次规划模型在基金投资行为量化分析中的现实应用价值与局限，本报告为投资者及量化策略开发者提供了科学、实证与应用兼具的分析框架。

[page::0,1,4,5,6,7,8,9,10,11,12,13,14,16,17,18,19,20,21,22]

---

附图示部分示例：[封面示意]

[算法一流程示意]

[算法一误差示意]

[基金仓位与沪深300走势]

[成长价值风格加权分位数与溢价]


---

以上为华创证券《偏股基金持仓穿透及其交易行为研究》报告的全面分析，力求信息丰富且带有深度金融模型与投资行为解读，供专业投资研究及量化策略设计参考使用。

报告