• 卡尔曼滤波与约束Lasso的比较 [page::0][page::3][page::6][page::7][page::8]

- 卡尔曼滤波计算耗时仅为约束Lasso的1/10，约137秒对比2156秒。
- 使用真实持仓初值的卡尔曼滤波估算精度较默认初值更优，整体RMSE分别为约0.8%和1.3%。
- 约束法与投影法在卡尔曼滤波中估算精度差异不大，平均RMSE约为0.78%与0.8%。
- 卡尔曼滤波在30个行业及10个板块单基金估算精度均优于约束Lasso，反映出更强的行业仓位检测能力。

• 基金长期能力因子构建的行业轮动策略 [page::9][page::10][page::11][page::12][page::13]

- 选择长期能力top20基金，依据其仓位平均构建行业多头和空头组合，发现仓位动量信号具备较强的长期有效性。

- 多空组合年化收益可达11.3%，多头超额4.24%，空头超额-6.3%；优中选优提升显著。
- 结合仓位配置的放大策略，多头超额收益达19%，多空年化超额31.18%（样本期内）；样本外多空收益仍超过15%。

- 采用动态参数调整，有效防止过拟合，使多空年化收益提升至40.2%（多头17.27%，空头-16.35%）。

• 量化选基因子KF-Alpha的构建与表现 [page::14][page::15][page::16]

- 基于周度估算的基金仓位和行业指数构造基金模拟净值，拆分选基Alpha信号，体现真实净值超额部分。


- KF-Alpha月频IC均值7.2%，ICIR0.45，年化多空收益9.02%；季频IC均值8.65%，ICIR0.51，年化多空收益7.49%。
- 量化因子与CAPM-Alpha及Carhart4-Alpha比较，季频表现略有优势，但整体稳定性需继续观察。

• 行业估算精度细分对比 [page::16][page::17][page::18][page::19][page::20][page::21]

- 卡尔曼滤波（KF）较Lasso对大部分行业估算更精确，尤其是电力设备新能源、医药、计算机等板块。
- KF方法在不同细分行业仓位估算变动更贴近真实持仓，显示出更强的动态捕捉能力。

金融研究报告详尽分析报告

报告题目：《基金长期能力因子应用 利用优选基金构造行业轮动策略》
作者：丁鲁明
发布机构：中信建投证券股份有限公司
发布时间：2023年6月29日
研究主题：公募主动权益基金行业仓位测算及基于基金仓位的行业轮动策略构建

---

一、报告概览

本报告集中讨论了基于对公募主动权益基金仓位的精准估算，利用基金经理的长期能力因子实现优选基金行业配置，并基于该测算数据构建的行业轮动策略。报告核心是引入卡尔曼滤波（KF）算法与传统约束Lasso回归方法对比测算基金的行业仓位，验证卡尔曼滤波方法在估算速度和准确性上的优势；基础上，进一步利用基金仓位变化的动量效应构造行业轮动组合，从而实现“优中选优”即精选优秀基金构建更加有效的行业轮动策略，最终实现显著的超额收益。报告还延伸构造了基于基金仓位估算的选股Alpha因子（KF-Alpha），意图揭示基金选股能力的高频信号。

综合来看，报告传递了卡尔曼滤波测算行业仓位更优、结合长期能力因子优选基金能有效构建行业轮动策略并获得强劲超额收益的观点，给予行业仓位测算和基金能力因子应用较高信心。此研究对于量化投资策略设计尤其是行业轮动和基金选择领域提供了理论基础和实操方法论。

---

二、逐章节深入解读

1. 引言与行业轮动背景（第1页-第2页）

• 报告首先背景性指出公募基金持仓披露滞后且频率低，难以直接借助公告数据实时捕捉基金经理行业观点；基于此提出通过基金收益数据估算基金实际行业仓位的必要性和迫切性。

- 由于中信一级行业有30个，存在共线性问题，研究先将行业降维为10个板块，通过周频数据及过去40个交易日的收益数据，使用约束Lasso方法估算基金仓位，并利用仓位构造的动量策略形成行业轮动投资逻辑。

• 最初构建的板块轮动策略（报告附带图表2展示了2011-2023年行业轮动多空组合收益）表现稳定，年化多空超额收益约14.55%，其中多头超额较稳健，验证了行业轮动策略基于基金行业仓位的有效性。

- 但是板块降维带来的均质性使得行业差异性不足，且全市场所有主动权益基金观点的盲目聚合可能降低策略质量，提出“优中选优”的思路，即基于长期能力因子筛选基金提高轮动策略的有效性。[page::1,2]

2. 卡尔曼滤波与约束Lasso方法简介（第2 - 第4页）

• 报告详细介绍了卡尔曼滤波的递归预测与更新公式，将基金行业仓位估算视为动态系统状态估计问题，利用每日基金收益与行业指数收益序列数据迭代求解真实持仓比例。

- 两种重要技术点：（1）选择初始值策略，即用真实持仓信息作为初始值与用行业平均持仓权重作为默认初值的比较；（2）对仓位的约束施加，实现仓位范围限制和总和不超过1的限制，约束通过“投影法”或“约束法”两种手段实现。

• 约束Lasso方法通过加入半衰时间权重和L1范式惩罚项，解决回归共线性和稀疏性，对基金超额收益与行业收益的回归结果即为仓位估算。此方法降维为10个板块处理，与卡尔曼滤波相比在多频率数据上均有应用。

- 回测时限均为2010年至2022年底，均采用RMSE作为估算精度指标。[page::2,3,4]

3. 卡尔曼滤波与约束Lasso对比及相关测试（第4 — 8页）

• 运算时间：卡尔曼滤波平均单期耗时137秒，远优于约束Lasso平均2156秒，约为1/10耗时。（图表4）

- 初值敏感性：使用真实持仓初值法收敛精度优于默认初值法。具体行业如医药、银行、石油石化精准性提升明显，农林牧渔等行业差异不大。（图表5-8；图表9）

• 迭代天数与精度：迭代天数越多，估算精度（RMSE）越高，基金样本数量变化不大，提升并非因样本筛选效果。（图表10）

- 投影法vs约束法：整体精度接近（RMSE分别为0.8%和0.78%），约束法在部分行业表现优异，少数行业投影法精度更高。（图表11-12）

• 整体估算精度：卡尔曼滤波行业估算平均RMSE 0.8%，比Lasso 1.9%更精准，单基金精度及各行业板块均优于Lasso，在电力设备、新能源、计算机、食品饮料等热点行业优势显著。（图表13-15）

- 缺陷及断层效应：真实初值法因依赖半年报持仓，存在每年4月和9月估算断层，导致估算的行业配置在这两月出现较大波动。默认初值法迭代时间较长变化平滑，适合统计长期趋势，断层效应较弱。（图表16-17）[page::4,5,6,7,8,9]

4. 基于仓位测算的行业轮动策略构建（第9 — 14页）

• 全体基金仓位动量效应：利用仓位变化率构造多空组合，模型对不同行业上一段时间的变动率排序，实证显示短期更频繁的调仓多阶段表现较好，多空年化收益约11.3%，空头相对更显著，表明减仓行业常有负超额。（图表18-19）

- 优选基金仓位动量效应：筛选长期能力因子排名前20%的基金，平均仓位构成行业，前后10%行业构建多空组合。长期持有效果优于短期，且空头效果明显强于多头，基金遵守的回避策略带来显著风险调整收益。（图表20-22）

• 放大优选基金仓位配置：样本内通过叠加放大策略，月频取优选基金仓位前后10%行业构建多空组合，样本内多空年化收益达31.18%，样本外亦稳健表现，提升明显。（图表23）

- 动态参数调整策略：针对样本内调参可能导致过拟合现象，依托近两年多参数组合计算收益波动比，动态选择组合策略参数。自2018年6月起回测，较静态最优参数效果更为稳定，年化多空收益提升至40.2%。全年各年均有积极贡献，除了2018年受长期能力基金自身表现影响。将长期能力因子优选基金仓位配置（多头）和仓位动量（空头）结合，获得最佳行业轮动配置效果。（图表24-30）[page::9,10,11,12,13,14]

5. 基于仓位测算的选基因子构造（第14 — 16页）

• 通过基于仓位估算结合业绩分解思路，将基金择时、选股和行业配置能力拆分，构建高频率基金选股Alpha因子——KF-Alpha。使用仓位估算基金模拟净值与真实基金净值差异捕捉选股Alpha。

- 具体案例显示，行业配置和选股均对基金提供正向超额贡献，行业Alpha和选股Alpha均具有持续的正向超额表现。（图表31-32）

• KF-Alpha实现了月频IC 7.2%、ICIR 0.45，年化多空9.02%；季频IC 8.65%、ICIR 0.51，年化多空7.49%。相比传统的CAPM-Alpha和Carhart4因子，KF-Alpha未体现明显超越优势，仅在季频上略有提升，表明选股因子仍有改进空间。（图表33-37）[page::14,15]

6. 结语与不足提示（第16页）

• 分析总结卡尔曼滤波在基金行业仓位估算中对比约束Lasso的速度和准确度提升显著。

- 基于估算出的仓位数据，结合长期能力因子优选基金，构造出强劲的行业轮动组合，年化多空收益40.2%；同时构建相对高频次的选基Alpha因子KF-Alpha，但未能显著超越传统指标。

• 不足之处是选基因子尚未取得突破性提升，且整体模型较为繁复，需持续验证行业轮动组合稳定性及参数再优化。

- 风险提示亦明确提醒基金过去业绩不代表未来，选基因子和轮动策略存在模型失效、数据偏差等风险。[page::16]

---

三、图表详细解读

板块轮动策略多空收益（图表2，page 2）

• 展示2011年至2023年4月行业轮动组合的多空净值（蓝线）、行业等权基准（红线）及相对收益（粉红线）。

- 多空净值相较基准持续走高，多空策略能显著超越基准，证明模型有较强的行业轮动捕捉能力。

• 结合文中叙述，验证降维处理及滞后持有的有效性，但提示需定期检视板块划分以应对行业收益差异化趋势。

卡尔曼滤波核心公式及运行机制（图表3，page 3）

• 预测和更新过程矩阵公式清晰呈现卡尔曼滤波动态递归的核心计算框架，关键参数Kalman Gain K_k调节测量更新权重。

- 直观展现基于动态系统理论的状态估计算法，适合处理带噪声的收益数据，对基金仓位隐含状态估计提供理论支持。

运算时长对比（图表4，page 4）

• 红色柱状代表Lasso耗时，蓝色代表KF耗时。观察到两者耗时水平不同明显，KF耗时远低，解释为KF递归实现及模型复杂度优势。

不同行业真实仓位与估算比较（图表5-8，page 5）

• 四个典型行业图展示真实仓位（蓝线）与默认初值法（红线）、真实初值法（绿线）测算结果的差异。

- 医药、银行等行业使用真实持仓初值法更贴近真实仓位，验证了初值选择对成本估算准确率的影响。

• 电力设备及新能源行业显示两种估算均较真实值准确，体现行业轮动中的核心行业表现。

细分行业估算精度（图表9，page 5）

• 30个细分行业RMSE值的对比柱状图，蓝色为真实持仓初值红色为默认初值，整体真实持仓法估算误差更低。

- 说明采纳真实持仓初值对大多数行业的估算优于默认初值。

迭代期对RMSE和样本量影响（图表10，page 6）

• 迭代天数与样本数量（柱状）及RMSE（折线）关系，随着迭代期延长RMSE下降但样本数变化不大，表明迭代深度有助于估算增强。

约束法与投影法精度对比（图表11-12，page 6-7）

• 18个行业及基金个体层面RMSE对比，约束法稍优于投影法，但两者差异有限，算法选择空间较大。

KF与Lasso行业估算RMSE对比（图表13-15，page 7-8）

• KF方法整体RMSE远低于Lasso，且KF能动态捕捉大起大落仓位变化，优势明显。

- 时序展示10、30行业板块的RMSE差异，KF持续保持更低误差。

仓位变化断层现象（图表16-17，page 8-9）

• 真实初值KF法仓位在每年4、9月出现明亮断层，估算值跳变明显；默认初值法平滑无断层，更适合长期趋势分析。

仓位动量多空收益表现（图表18-19，page 9）

• 以不同回看、持有期组合测算的多空收益描述，回看12周持有8周参数组合表现相对较好，收益年化11.3%。

- 验证仓位变动确实存在动量效应。

长期能力基金行业仓位叠加动量研究（图表20-23，page 10-12）

• 图表20展示长期能力因子优选基金行业仓位随时间的变化，忽视断层效应但展现行业姿态。

- 多空收益热力图（图表21）和48周回看持有的组合多空净值（图表22）表明长期能力强的基金观点多空效应显著。

• 放大优选基金前后10%行业仓位构造多空组合，样本内外都能获得较高年化回报和超额收益（图表23）。

动态参数选择优化策略表现（图表24-30，page 12-14）

• 多头与多空收益波动比变化展示，在样本内外参数切换优化，稳健性和性能提升明显。

- 多空收益曲线（图表26，27）表明组合风险调整后收益大幅增强，多空年化收益率提升至40.2%。

选基因子KF-Alpha表现（图表31-37，page 14-15）

• 以某偏股混合基金为例的行业Alpha与选股Alpha持续显著贡献。（图表31-32）

- 初步统计KF-Alpha月频和季频IC及ICIR均值良好，多空收益年化近10%。

• 与CAPM-Alpha及Carhart4对比，KF-Alpha优势有限，需进一步模型完善提升。

附录：行业维度估算结果对比图（图表38-77，page 16-21）

• 各细分行业实际仓位与Lasso及KF估算各阶段对比折线图及柱状图，展示KF估算稳定贴合实际仓位表现，且大多数行业KF较优于Lasso，尤其在新能源、医药、计算机等创新热点行业表现优越。

- 总仓位估算中KF也更加接近真实持仓曲线，验证KF估算的整体精度与稳定度。

---

四、估值与量化策略绩效点评

本报告主要以估算误差（RMSE）和策略实现的年化超额收益作为评价指标。

• 从技术方法上卡尔曼滤波递归滤波器框架具备处理时序动态估计优势，相较静态Lasso回归更有效捕捉基金仓位动态变化，尤其是市场剧烈波动时期。

- 多阶段策略收益表现出多空组合年化超额达到30%以上，结合行业仓位变化动量且优选基金筛选实现显著超额收益说明策略具备实用意义和稳定一定时间的有效性。

• 动态参数调整进一步增强策略稳健性，是避免过拟合，提升样本外效果的规范做法。

- 选基因子虽然表现良好但未体现数量级突破，表明基于仓位估算的选股能力挖掘仍在发展阶段，未来有提升空间。

---

五、风险因素评估

报告明确指出以下风险：

1. 基金过往业绩不代表未来表现；本文策略无法保证未来收益稳定，因历史收益可能不具备预测性。

2. 量化模型存在失效风险，尤其因风格变化、基金持仓结构变动可能导致因素失效。

1. 卡尔曼滤波及Lasso的仓位估算为数学模型估计，有可能与基金真实持仓存在较大偏差或内生误差。

4. 选股Alpha因子构造基于历史数据回测，不构成对未来收益的预测或担保。

1. 行业轮动组合涉及多数据源聚合，可能存在样本外有效性不及预期的风险。

风险提示理性且审慎，符合金融研究报告范式。[page::0,16,21]

---

六、批判性视角与细微差别

• 本报告对卡尔曼滤波方法评价较高，在实际应用中虽然表现出优势，但断层效应提醒短期估算受数据披露周期强影响，可能导致操作时点的波动和估计误差。

- 约束Lasso降维至10板块虽简化模型，但可能失去30行业细节信号，卡尔曼滤波测算30行业表现更好，但计算复杂度加大，实际应用需权衡。

• 长期能力因子基金筛选为核心策略增益点，但其自身断层及更新频率限制了策略连续性及灵活调整。

- 选股Alpha因子与传统因子未有显著提升，提示现阶段仓位估算应用于Alpha挖掘仍有局限，存在进一步挖掘空间。

• 报告整体更偏重技术方法研发和实证结果，但对于策略执行成本、交易冲击及市场流动性限制等实操瓶颈未深入分析，留待未来研究。

---

七、结论性综合

本报告系统展示了卡尔曼滤波在公募主动权益基金行业仓位高频动态估算中的技术优势，显著优于传统约束Lasso方法，具体体现为运算效率提升约10倍，估算误差（RMSE）由1.9%下降至约0.8%，增强了行业轮动策略仓位信号的准确性。

基于该高效准确的仓位测算，结合长期能力因子筛选展示出基金经理择时能力的优劣，实现了行业轮动策略的“优中选优”范式。从2016年至2023年，构造出的行业轮动多空组合具备年化超额收益高达40.2%，多头年化超额20.97%，空头年化超额-11.51%，证明结合能力因子的基金行业仓位数据可有效捕捉市场热点行业轮动。

此外，利用该仓位测算构建的基金选股Alpha因子（KF-Alpha）虽表现良好，月频IC7.2%，年化多空收益9.02%，但与传统CAPM及Carhart因子相比优势有限，表明选股层面信号挖掘仍需深化。

整体来看，报告体现了公募基金仓位估算结合基金能力因子应用于行业轮动和选股的前沿量化研究成果，提供了可操作、具备稳定超额收益潜力的策略框架，但仍需规避数据披露断层、策略参数调整风险，并加强对实操成本和交易影响的考量。

图表丰富展现了从算法对比（卡尔曼滤波 vs Lasso）、估算精度（行业与单基金层面）、策略收益（多空组合年化收益率）到选基因子多维度验证，数据扎实且逻辑严密，为基金定量管理和行业轮动策略提供了重要参考依据。[page::0-21]

---

重要图表Markdown示例

  

图表2：板块轮动策略多空收益（2011-2023年）



  

图表4：约束Lasso与卡尔曼滤波运算时长对比



  

图表13：卡尔曼滤波与Lasso在中信一级行业估算RMSE对比



  

图表19：全体主动权益基金仓位动量最优参数多空策略净值



  

图表26：基于长期能力因子优选基金仓位配置多头+仓位变动空头多空组合净值



  

图表34：月频KF-Alpha多空收益表现

---

总结

本报告通过引入高效的卡尔曼滤波方法及基金长期能力因子筛选，提高了对基金仓位的动态估算精度及策略组合收益率，为量化基金选基与行业轮动策略提供了创新且实证充分的技术路径，具备较高的应用价值和研究深度。风险提示明确，方法论现实且创新，是论述基金仓位估计与行业轮动组合构建领域的优秀案例，具有重要的理论贡献和实务指导意义。[page::0-21]

报告