• 主动权益基金样本池蓬勃发展，2012年至2021年基金数量增长超过6倍，2019年前成立基金共1452只作为本研究的样本池[page::4][page::4]。

• 基金投资策略画像涵盖持仓偏好（成长、质量、估值）、组合集中度、换手及交易左右侧偏好、收益贡献等32个细分指标，指标间相关性低，具明显区分度[page::5][page::6]。

• 持仓偏好分析显示成长与估值正相关，高成长基金对应高PE分位点；成长与质量呈非线性关系，基金持仓多分布于成长与质量平衡区域[page::7]。

• 主动股混基金持仓集中度稳定，前十大重仓股票占比稳定于43%-50%，行业集中度中位数在56%-65%，2019年以来制造与周期板块大幅上升，金融和消费板块权重下降[page::7][page::8]。

• 交易视角独创构建买卖左右侧指标以捕捉管理人的趋势交易偏好，分析表明基金买卖多偏右侧，同时基金规模越大，买卖越偏右侧，且行业景气买卖左右侧分布均衡[page::8][page::9]。

• 收益拆解基于Carhart四因子模型，选股收益中位数稳定为正，方差大，且基金近年打新收益显著，2021年略有回落，表明选股能力及打新贡献是基金主动管理核心[page::10]。

• 利用1452基金的画像数据构建相似网络，采用MKNN算法构造稀疏图，并用Leiden算法进行社群识别，自动区分抱团基金与孤立基金，保证聚类结果的精确性和可解释性[page::11][page::12]。

• 聚类结果显示基金社群边界清晰，不同风格基金社群明显分离，如高质量成长策略基金经理朱少醒、谢治宇、乔迁聚合一类，医药主题基金经理葛兰、吴兴武、郑磊等聚类一类[page::12][page::13]。

• 构建基金投资策略三级标签体系：第一级投资风格（成长、价值、均衡、交易、主题）；第二级细分策略（如积极成长、高质量价值、行业轮动等）；第三级投资特征标签，通过模块度高的指标对基金策略内差异化进行描述[page::13][page::14][page::18]。

• 投资风格分布以成长策略为主，1163只基金占绝大多数，价值策略55只，均衡83只，交易61只，主题90只。交易策略细分为行业轮动和趋势交易，主题投资涵盖医药、TMT、军工、新能源等[page::14][page::17]。

• 细分策略层面，价值策略重点划分为深度价值、高质量价值、黑马价值与多策略价值，区分依据包括行业换手率、金融板块持仓和估值指标[page::15]。

• 成长策略细分为积极成长、高质量成长、GARP、稳健成长与黑马成长，依据成长、质量和估值三个核心指标及黑马指数完成细分，多数基金兼具高成长和高质量特征[page::16]。

• 均衡策略划分为稳健均衡和高质量均衡，主要依据质量和估值指标进行区分[page::17]。

• 交易策略中，行业轮动通过高行业换手率识别，趋势交易通过高股票换手率及右侧买卖点偏好定义[page::17]。

- 主题投资聚焦特定板块，风格相关性低，分类基于重仓行业，主要包括医药、TMT、军工和新能源等[page::17]。

• 投资特征标签通过计算社群内的指标模块度选取前五个区分力最强的指标，为同一策略标签内基金间差异化提供定量描述。以积极成长策略为例，行业集中度、持股集中度、换手率等是区分不同基金的关键指标[page::18]。

• 本报告整体通过科学的画像体系、网络分析及社群识别方法，实现了主动权益基金的细致定量策略分类，为投资者甄别基金风格和个体差异提供了重要工具[page::18][page::0]。

报告详细分析与解读——《打造主动权益基金的投资策略标签体系》

---

一、元数据与报告概览

• 报告标题：《打造主动权益基金的投资策略标签体系》

- 发布机构：开源证券研究所，金融工程研究团队

• 发布时间：2022年5月24日

- 报告作者：魏建榕（首席分析师）及金融工程团队多位分析师、研究员

• 研究主题：主动权益基金的投资策略分类与定量标签体系构建，涉及主动权益基金的持仓、交易及收益三个维度画像，采用相似网络和社群识别算法，实现基金投资策略的分层分类标签体系。

- 核心论点：
- 基于基金持仓、交易和收益特征，设计32项指标构建基金画像。
- 通过基金画像构造基金相似网络，应用Leiden算法进行社群识别。
- 建立基金投资策略三级标签体系：一级为投资风格（成长、价值、均衡、交易、主题），二级为细分策略（例如积极成长、深度价值等），三级为针对每只基金的个性化投资特征标签。

• 报告目标：为基金投资者尤其是FOF决策提供科学、系统的投资策略分类工具，帮助投资者高效理解基金差异，辅助产品优选和组合配置。

- 风险提示：策略分类基于历史公开数据，实际管理人策略可能存在偏差，且不构成投资建议。[page::0,3,4]

---

二、逐节深度解读

1. 引言与研究意义（第1章）

• 关键观点：

- 基金管理人的投资策略研究关乎基金产品的研究、筛选和配置。
- 现有主流基金标签体系（如晨星风格箱、Wind九宫格）标签较粗，难满足更精细的投资策略分类需求。
- 主动权益基金投资灵活度高，需要识别策略多样性和动态变化。
- 基金策略标签需结合“基金产品+基金经理”双重角度，考虑基金管理权变更影响。

• 样本池说明：

- 选取权益仓位≥60%，港股仓位≤20%的主动权益基金，包含普通股票型、偏股混合型和持续高仓位运作的灵活配置型基金。
- 以2019年前成立的1452只主动权益基金为研究样本，平衡样本覆盖与回溯长度。

• 图表说明：

- 图1显示基金分类的多样性及样本池构成，主动权益基金含偏股混合、灵活配置型等多类型基金，权益仓位标准确保纯度。
- 图2反映主动权益基金数量逐年增加趋势，2012年361只增至2021年2266只，显示市场规模扩大和数据基础增强。[page::3,4]

2. 基金投资策略画像（第2章）

• 视角划分：

- 持仓视角：投资偏好（成长、质量、估值）、组合偏好（市值、黑马、集中度、行业偏好）
- 交易视角：换手偏好（股票、行业、板块三个层次）、买卖时点左右侧偏好（个股趋势和行业景气）
- 收益视角：收益贡献的拆解（选股、贝塔、风格收益）及打新收益贡献剖析

• 指标体系：基于三个视角，合计梳理32类指标，覆盖投资偏好、组合构建、交易行为和收益特征，对基金策略进行全面画像。

- 相关性分析（图4）：
- 指标间总体相关性较低，除了换手率及估值细分指标高度相关，表明指标体系覆盖面广且互补，适合作为分类依据。[page::5,6]

• 持仓特征（2.1节）：

- 基金持仓在成长、质量和估值三维度存在权衡关系，成长与估值呈明显线性分布，基金选择高成长同时往往承受高估值（图5）。
- 成长与质量间呈非线性分布，基金多分布在低盈利低成长低估值区或成长质量平衡区（图6）。
- 基金持股集中度和行业集中度自2019年以来稳定，前十大重仓股持仓中位数约43%-50%，前五大行业集中度56%-65%（图7，图8）。
- 板块配置发生变化，制造业和周期性行业配置显著回升，金融和消费仓位下降，医药科技有所波动（图9）。[page::7,8]

• 交易特征（2.2节）：

- 换手率中位数约6倍，估算换手与真实换手相关性约50%以上，反映交易活跃但存在部分隐性交易。
- 提出买卖左右侧指标量化趋势交易偏好，基于局部极值计算买卖时点的左侧或右侧位置。
- 以平安银行股价和白酒行业景气度为例阐述左右侧买卖指标计算（图10，图11）。
- 观察显示股价趋势买卖多偏右侧买入和卖出，即偏向趋势跟随；行业景气买卖则较均衡，右侧卖出更明显（图12，图13）。
- 大型基金往往交易更偏向右侧，表明较强的趋势交易倾向。[page::8,9]

• 收益特征（2.3节）：

- 采用Carhart四因子模型拆解基金收益为选股收益、风格收益和贝塔收益。
- 选股收益方差大，中位数稳定为正，显示主动选股成果相对稳定（图14）。
- 2021年主动基金打新收益显著回落，2021年下半年打新收益集中在0.5%-2%之间，反映市场打新热度变化（图15）。
- 用Sharpe模型结合巨潮风格指数和中债指数分析，识别成长、价值和均衡等基金风格，成长基金占比较大（1205/1452只），价值基金较少（56只）（第2章后段）[page::9,10]

3. 基金相似网络与社群识别（第3章）

• 基金相似性定义：

- 将多期持仓、交易、收益画像指标拼接成高维特征向量。
- 两基金间欧式距离定义为$d(A,B)=\sqrt{\sum(Ai-Bi)^2}$，相似度定义为$s(A,B)=\frac{1}{1+d(A,B)/\sqrt{p}}$，保证相似度在(0,1)。

• 相似度分布（图16）：

- 大多数基金配对相似度低于50%，显示基金策略差异较大。
- 少部分基金相似度高于70%，形成“抱团”特征。

• MKNN构图与Leiden算法：

- 构建MKNN图，$k=3$，只连接双向最近邻基金，确保图边稀疏，提升聚类精度。
- 采用Leiden算法进行社群识别，最大化模块度$Q$，该算法通过反复移动节点、细化节点组、聚合群组，避免局部最优，识别基金抱团与孤立点。
- 图17，图18清晰展示该算法流程与伪代码。

• 聚类结果（图19）：

- 明显的社群边界，社群内高度连接，社群间几乎无连接。
- 核心管理人在相同社群出现，如朱少醒、谢治宇、乔迁组为高质量成长，葛兰、吴兴武、郑磊组为医药主题。
- 说明分类方法能较好反映基金实际的策略归属。[page::11,12,13]

4. 基金投资策略三级标签体系（第4章）

• 体系构建思路：

- 一级标签按投资风格分为5类：成长、价值、均衡、交易、主题投资。
- 二级标签根据信息提炼出的细分策略，例如成长策略下细分为积极成长、高质量成长、稳健成长等；价值策略细分为深度价值、高质量价值、黑马价值等。
- 三级标签为每只基金定制的投资特征注释，选用模块度最高的5个指标进行特色标注。

• 一级风格标签分布（图21）：

- 成长策略主流，占比近80%（1163只）。
- 主题投资、均衡、交易、价值策略相对较少，分别为90、83、61、55只。[page::13,14]

• 二级细分策略解析：

- 价值策略（4.2.1节）
- 特点是强调低估值和安全垫，主要投资于蓝筹成熟行业。
- 细分为：
- 深度价值：极端低估值，防御性强，具有左侧卖出特征。
- 高质量价值：较宽估值，有护城河和稳定盈利，容忍度高。
- 黑马价值：侧重持仓抱团和选股偏好。
- 多策略价值：剩余类别。
- 价值策略内部指标排序体现行业换手率、金融仓位、估值指标的区分力（图22）。
- 金融地产主题已独立归类于主题投资，价值策略中不再单独设立金融地产分类。
- 价值策略共55只基金。
- 成长策略（4.2.2节）
- 强调高盈利成长潜力，估值容忍性较强。
- 细分为积极成长、高质量成长、GARP、稳健成长、黑马成长。
- 结合“成长、质量、估值”三大核心指标划分类别（图23）。
- 积极成长偏向高成长高估值；稳健成长偏好低估值；高质量成长偏好高质量；黑马成长为持股偏向抱团的基金。
- 共1163只基金，成长策略占绝对多数。
- 均衡策略（4.2.3节）
- 主要考虑质量和估值指标，划分高质量均衡与稳健均衡。
- 共83只基金。
- 交易策略（4.2.4节）
- 包括行业轮动（高行业换手率）和趋势交易（高个股换手，买卖偏右侧）。
- 共61只基金。
- 主题投资（4.2.5节）
- 通过风格指数模型R-square低识别归类，资金配置集中在特定主题。
- 主题包括医药、TMT、军工、新能源等。
- 共90只基金。

• 三级特征标签（4.3节）

- 给予同一细分策略类内每只基金5个最具区分度指标的特点备注。
- 例如积极成长中，不同社群在行业集中度、持股集中度、换手、成长率及估值等指标上存在显著差异（图25）。
- 有助于体现基金的个体差异性。[page::14-18]

5. 研究总结与展示（第5章）

• 总结了基金画像指标、相似网络分类、三级标签体系构建过程。

- 三级标签体系为基金产品评价和投资决策提供科学支撑。

• 最后展示了各类策略代表性基金示例（表3~7），详见具体表格。

- 明确基金策略分类基于历史公开数据，存在风险提醒，不构成投资建议。[page::18-21]

---

三、图表详解与数据解读

1. 图1：基金分类样本池构成

- 图示基金大类分布，包括债券型、股票型、混合型等，重点关注主动权益类中的普通股票型、偏股混合型和灵活配置型（权益仓位≥60%），确保分类样本的策略纯度。
- 该图说明了分类定位的严谨性及研究基础的坚实性。[page::3]

1. 图2：基金数量变化趋势

- 主动权益基金数量从2012年361只增长到2021年2266只，约6倍增长。
- 说明市场对主动权益基金关注度和资金规模双增长，样本数据丰富。[page::4]

1. 图3：基金投资策略画像三视角结构图

- 分别从“持仓视角”（投资、组合偏好）、“交易视角”（换手、买卖左右侧偏好）、“收益视角”（收益贡献、风格特征）对基金行为进行量化拆解。
- 有效弥补了传统风格分析仅基于持仓或收益单一视角的不足，使分类更具全面性。[page::5]

1. 图4：画像指标相关性矩阵

- 指标间多数不相关，换手率、估值细分类内部相关性高，说明指标设计覆盖多角度，能较好区分基金风格差异。
- 支撑使用该指标体系进行基金画像和策略分类合理性。[page::6]

1. 图5、图6：成长-估值及成长-质量指标分布密度图

- 图5展示成长性与估值呈强线性关系，高成长基金同时拥有高估值。
- 图6展示成长与质量不呈线性关系，基金主要在低成长低质量低估值或成长质量平衡区。
- 凸显基金在成长与估值的权衡，及成长和质量的复杂关系。[page::7]

1. 图7、图8、图9：持仓集中度及板块配置变化

- 图7、8展示前十大重仓股和行业集中度维持稳定，表明主动基金持仓策略有一定稳定性。
- 图9显示制造和周期行业持仓显著提升，金融和消费下降，反应周期及行业轮动特征。
- 体现基金行业配置动态演变与市场风格切换。[page::7,8]

1. 图10、图11：买卖左右侧指标示意

- 以平安银行股价和白酒行业景气趋势为例，详细说明左右侧买卖指标计算逻辑和实际意义。
- 供应基金买卖时点分析基础，支持交易策略的识别。[page::9]

1. 图12、图13：买卖左右侧指标分布

- 显示主动权益基金偏右侧买卖，体现趋势跟随特征，大型基金特别明显。
- 行业景气买卖较均衡，反映基金交易策略的多样化和市场节奏把控。[page::9]

1. 图14、图15：收益贡献及打新收益分布

- 选股收益稳定正向，是主动管理价值的体现；风格和贝塔收益波动大，更多受市场影响。
- 打新收益自2019年中期开始活跃，2021年有明显下降，反映IPO市场环境和基金参与热度变迁。
- 支持多维度解析基金收益来源及投资风格区分。[page::10]

1. 图16：基金相似度分布

- 大部分基金配对相似度低于50%，表明策略异质性。
- 有部分基金高相似度形成策略“抱团”，为相似网络聚类提供依据。[page::11]

1. 图17、图18：Leiden算法示意及伪代码

- 直观阐释社群识别方法，解释算法保证模块度最大化和社群有效划分机制。
- 符合金融大数据聚类复杂性要求，提高分类的科学性和解释力。[page::12]

1. 图19：基金社群聚类网络图

- 清晰的社群边界体现分类结果合理性，基金经理及管理团队具有高度一致性。
- 反映分群对实务中的基金风格认知高度吻合。[page::13]

1. 图20、图21：投资策略三级标签体系及一级分类比例

- 三级体系结构完整，分层细致，便于不同层级投资者理解和应用。
- 成长策略基金数量占比最大，反映市场主流风格。[page::14]

1. 图22：价值策略内部指标区分度

- 通过行业换手、金融板块仓位及估值指标区分细分策略，提供定量划分依据。
- 具体区分深度价值、高质量价值等细分价值策略。[page::15]

1. 图23：成长策略核心偏好韦恩图

- 组合展示成长、质量、估值三维偏好重叠与分布，帮助理解复杂成长策略的多样化。
- 支持标签化分层细分设计逻辑。[page::16]

1. 图24：均衡策略指标区分度

- 主要通过质量与估值指标区分高质量均衡和稳健均衡。
- 简洁有效的分类方法展示。[page::17]

1. 图25：积极成长策略内部细分指标示例

- 选用模块度最高的5个指标展示不同积极成长社群的差异，如持股集中度、行业集中度、换手率和成长性。
- 突出基金个性差异，支撑三级标签体系中个性特征注释。[page::18]

---

四、估值分析

• 本报告核心为投资策略标签体系构建，未涉及具体的基金估值分析及目标价预测。

- 报告采用多层次量化指标体系及网络社群识别技术，属于数据科学与机器学习范畴的分类研究方法。

• 模块度最大化作为社区划分优化目标，提高了标签分类的稳健性与科学性。

- 基金四因子拆解提供了收益归因，而未涉及DCF、市盈率等传统估值模型。[page::10,11,12]

---

五、风险因素评估

• 主动权益基金投资策略分类基于历史公开数据的量化测算与统计，基金管理人真实投资策略与公开持仓信息间可能存在差异，导致策略标签误差。

- 策略变化、管理权更替等均可能引起策略标签与实际操作的偏差。

• 报告明示分类结果不构成投资建议，投资者需谨慎使用分类结果作为投资判断依据。[page::0,21]

---

六、批判性视角与细微差别

• 优点：

- 报告系统地结合持仓、交易、收益三大视角，全面构建基金投资画像。
- 引入网络社群识别技术（Leiden算法），适应基金策略异质性，创新性强。
- 投资策略标签体系层级清晰，兼具识别多样化策略和基金个性化特征。
- 多图表数据支撑，结果与实务中基金经理归属和风格认知高度吻合。

• 潜在不足：

- 分类过于依赖基金历史公开数据，存在数据披露延迟和隐性交易难以捕捉的问题。
- 交易左右侧指标等新定义指标虽创意，但对极端市场或新兴行业能否完全适用，尚需验证。
- 策略标签稳定性依赖于时间窗口选择，回顾窗口调整对分类结果的敏感性未展开讨论。
- 精细分类体系虽丰富，但对普通投资者理解门槛较高，实际应用仍需配套前期沟通和解释工具。
- 风险提示较简略，没有具体测算分类错误率或后续验证的效果指标。

• 细微差别：

- 招致标签体系对基金经理变更处理采取剔除策略，可能影响样本代表性。
- 主题投资标签归类基于R-square和行业重仓，可能将部分跨风格或多策略基金纳入，造成标签混淆。

---

七、结论性综合

本报告从主动权益基金投资策略分类的视角出发，构建了一套科学、系统且精细的投资策略标签体系。作者首先通过构建覆盖持仓、交易、收益三类视角的多维指标体系，准确刻画基金的投资行为和策略特征；继而利用相似网络和先进社群识别算法（Leiden算法），实现了基金按策略特征的高精度聚类分类，有效区分“策略抱团”与“孤立点”基金，避免传统聚类模型中聚类数目预设和类别模糊的问题。

基于识别出的基金社群，研究团队构建了三级投资策略标签体系，包含投资风格（成长、价值、均衡、交易、主题），细分策略（如积极成长、深度价值、趋势交易），以及基金个性特征备注。标签体系通过结合定量模型、业务经验和数据驱动方法形成，支持对超过1400只主动权益基金策略的精细区分。

报告所附大量图表深度反映了基金策略特征：成长与估值的权衡、持仓分散度变化、买卖时点趋势与景气度左右侧指标、基金收益拆解（含打新收益）、基金相似度分布及网络聚类结构、细分策略内部指标区分度排序等。这些量化结果不仅背书了标签体系的科学性，更能帮助投资者和产品分析师准确识别和甄别基金策略差异。

总体而言，报告提供了一套创新且实用的公募基金策略标签构建框架，适合应用于基金产品筛选、FOF组合配置及策略跟踪研究，有助于提升投资决策效率和有效性。但是，投资策略标签体系仍依赖于历史数据及公开信息披露，且标签解释和应用门槛较高，需投资者结合实际和动态市场环境审慎应用。未来可考虑对策略动态演变、标签预测准确性及多市场适用性开展进一步研究。

---

主要引用来源

• 页码：0,3-23

---

图表示例

1. 图1：主动权益基金策略分类样本池结构示例

1. 图2：主动权益基金数量增长趋势

1. 图3：主动权益基金投资策略画像三视角框架

1. 图19：基金社群聚类网络图示例

1. 图20：基金投资策略三级标签体系示意

1. 其他图表请参见报告各页对应位置。

---

结语

本报告代表了当前主动权益基金策略分类领域的较高研究水平，结合现代金融工程技术，尤其是网络聚类算法，实现了公募基金投资策略的系统画像和分层标签，具有重要的理论与实践意义。投资者和基金研究人员可据此提升策略识别与产品选取能力，助力提升投资表现和风控水平。未来随着数据丰富度提升和算法进步，该体系可进一步迭代完善。

报告