研究背景及策略视角区别 [page::3]

• 资产视角着重于底层资产风险收益的拆分与优选。

- 策略视角强调通过策略多样化提升组合稳健性和灵活性。

• 绝对收益产品传统分类难以精准区分收益风险，侧重策略的分类更具实际意义。

传统产品分类的缺陷与问题分析 [page::5][page::6]

• 传统以权益仓位和波动率为基准的人工分类，存在产品内部波动率和收益差异大，分类间无法体现策略异质性。

- 绝对收益基金策略叠加复杂，单一资产视角难以准确反映管理人操作。

聚类分析流程及案例示范 [page::7][page::8][page::9]

• 采用层次聚类算法，步骤涵盖数据准备、相似性衡量、算法选择、性能评价。

- 实例通过债券久期与信用评分两维度数据实现有效聚类，具有良好解释能力。

基于基金净值数据的聚类分类与组合回测 [page::10][page::11][page::12]

| 组合类型 | 年化收益 | 波动率 | 最大回撤 | 夏普比 | 收益回撤比 |
|--------------|---------|-------|---------|-------|------------|
| 等权组合 | 7.28% | 3.41% | 2.52% | 1.25 | 2.89 |
| 风险加权组合 | 6.90% | 2.93% | 2.08% | 1.33 | 3.32 |
| 偏债混合基准组合 | 4.86% | 2.91% | 3.22% | 0.64 | 1.51 |

• 基于欧式距离的基金净值聚类，提高组合收益和风险调整表现。

- 聚类方法在风险均值区分和策略异质性识别上明显优于传统简单波动率分层。

• 等权及风险加权配置均显示稳健的绝对收益能力。

动态时间规整算法( DTW )在净值聚类中的应用 [page::13][page::14]

| 组合类型 | 年化收益 | 波动率 | 最大回撤 | 夏普比 | 收益回撤比 |
|------------|---------|-------|---------|-------|------------|
| DTW等权组合 | 8.21% | 4.15% | 4.29% | 1.25 | 1.91 |
| DTW风险加权 | 9.10% | 5.13% | 6.96% | 1.19 | 1.31 |
| 偏债混合基准 | 4.86% | 2.91% | 3.22% | 0.64 | 1.51 |

• DTW算法解决不同净值时间序列长度和频率差异问题。

- 使用DTW距离分类的组合收益进一步提高，但伴随收益回撤比下降，风险回撤增大。

• 组合的月度和季度胜率超过80%，表现出较强的稳定性。

基于多维标签数据的基金智能分类及回测 [page::15][page::16][page::17]

| 组合类型 | 年化收益 | 波动率 | 最大回撤 | 夏普比 | 收益回撤比 |
|--------------|----------|--------|----------|--------|------------|
| 等权组合 | 5.48% | 2.28% | 1.45% | 1.09 | 3.77 |
| 风险加权组合 | 5.41% | 2.53% | 1.85% | 0.95 | 2.92 |
| 偏债混合基准组合 | 5.00% | 3.01% | 3.22% | 0.66 | 1.55 |

• 标签基于净值、持仓及财务数据设计17个维度，体现多角度策略特征。

- 采用余弦相关性来衡量基金之间的策略相似度，更适合非正态、稀疏标签数据。

• 标签聚类带来的组合最大回撤更小，收益回撤比优于传统方法，稳定性更强。

结论与展望 [page::18]

• 传统基金分类难以反映基金产品真实的策略分布和风险特征。

- 机器学习聚类方法从多源数据智能划分基金，提升了分类区分度和组合优选能力。

• 不同相似度衡量指标及算法对分类效果影响显著，DTW和余弦相关性提供补充方案。

- 未来研究可进一步融合多维标签和净值数据，实现动态自适应基金智能配置机制。

金融研究报告详尽分析报告

报告标题：绝对收益产品的智能分类与配置策略
作者：任瞳（首席分析师，定量研究团队负责人）、王武蕾（高级量化分析师）
发布机构：招商证券
发布日期：2020年6月15日
主题：针对绝对收益类混合型基金产品，采用智能聚类分类算法从策略视角进行组合构建与资产配置的研究与创新

---

一、元数据与概览

该专题报告属于招商证券“微观资产配置系列”的第三篇，立足于绝对收益导向的基金产品分类与组合构建，提出用机器学习中的聚类算法替代传统人工分类的方法，以期更精准地识别和划分绝对收益基金产品，改善基金配置的效果。
报告核心论点：

• 传统基金分类难以较好地区分绝对收益产品的风险及策略特征，机器学习聚类能够更好反映产品风险差异性。

- 以净值走势、产品标签（多维度信息）为基础分别采用欧式距离、动态时间规整（DTW）和余弦相似度指标实现基金智能分类。

• 基于智能分类构建的基金组合，在历史回测中表现出了更优的收益风控表现（如收益回撤比、胜率等指标）。

- 本文深入讨论了数据准备、相似度衡量、聚类算法选择及性能评价等关键环节，对智能基金分类方法的实证效果给予明确佐证。

无直接评级或目标价，但报告旨在为投资者提供绝对收益基金产品配置的新思路和方法论框架，推动策略视角的资产配置转型升级。[page::0,3,18]

---

二、逐节深度解读

1. 组合配置的两种思路（资产视角 vs 策略视角）

• 关键论点：投资组合的收益可从三种视角拆解——资产配置视角、投资策略视角和资产定价因子视角。

- 资产视角着重于对大类资产（权益、债券、另类资产等）配置比例的优化。
- 策略视角聚焦于绝对收益策略的分散与优选，更注重对基金产品投资策略的理解与判断。

• 逻辑依据：不同视角体现不同的组合构建理念。资产视角更关注Beta执行和大类资产风险管理，而策略视角更强调Alpha来源的策略认知及分散。

- 数据示例：图表1为投资组合收益来源三维度示意，图表2、3分别展示资产视角与策略视角配置流程。

• 意义：报告旨在侧重策略视角，借助聚类技术对策略划分及组合建设开展研究，这符合混合型绝对收益基金多策略、多资产混合的实态。[page::3,4]

2. 传统基金人工分类的难点及聚类分析引入

• 核心问题：以权益仓位和仓位波动率区分基金分类，不能全面反映底层策略，导致收益风险特征混杂、相互交叉，降低比较分析质量。

- 案例数据：六大类别绝对收益基金指数收益曲线和波动率分布（图4、5），揭示各类别风险区分度不明显；偏债混合基金内部个体风险差异显著，波动率分布跨度大达近10%（图6、7）。

• 专项分析：产品策略划分与产品分类多对多映射关系（图8），体现了策略交叉重叠的复杂性。

- 解决思路：由于人工分类对信息披露依赖大且成本高，且易出现归因难题，聚类算法作为无监督学习工具能够利用样本内在特征实现更有效分组。

• 聚类流程详解（图9）：四大步骤——数据准备（选取净值或多维标签等）、相似性衡量（欧式距离、DTW、余弦相关）、聚类算法选择（层次、k-means、密度聚类）以及性能评价（专家判断与策略回测）。

- 示范模型：债券基金持仓久期波动率和信用评分两维度聚类示例（图10、11），展示了层次聚类的直观合并过程和样本间差异。

• 哈希具体公式：距离衡量用Minkovski距离、常用为欧式距离，示意公式详解。

该部分基础奠定智能基金分类的算法原理和应用框架，突出智能分类优势与传统方法的差异。[page::4-9]

3. 基于净值的基金分类与配置

• 流程概述：

1. 以基金净值日收益率为原始数据，计算欧式距离衡量基金间相似度。
2. 利用层次聚类算法，经验选择4个分类数目。
3. 对各分类基金池优选基金（依据收益回撤比指标），构建资金等权或风险加权组合。

• 实证数据：

- 2019年年末为例，最相似产品净值走势高度重合（图12）。
- 层次聚类的合并步骤具体展示（图13）。

• 分类结果特点：

- 类型1主要为纯债基金，波动最低，类型3属于灵活配置为主波动较大，分类间风险特征明显分层（图14、15）。

• 策略回测结果：

- 回测区间为2006年底至2020年中，调仓频率为年末，优选3只基金共12只。
- 等权组合年化收益7.28%，最大回撤2.52%，收益回撤比2.89，月、季度正收益率分别达73%、86%。风险加权组合表现接近略优（图16、17）。

• 波动率分层比较：

- 相较直接按波动率分层筛选，聚类划分的组合表现更优（图18）。

• 优势与启示：聚类算法深刻体现基金风险分类，有助于提升绝对收益策略组合的风险调整后表现。[page::9-12]

4. 纯净值距离改进：欧式距离与动态时间规整算法对比

• 问题点：

- 欧式距离对数据长度、时间匹配严格，实际中基金净值因披露频率差异、估值方法不同或停牌产生不完全重合，易错判相似度。

• DTW算法原理：

- 在不同时间轴对齐，找出时间序列之间的最短路径距离，灵活处理时间错位情况，来源于语音识别应用。

• 算法运算示意（图19、20）：动态规划累积距离计算，实现序列的非线性匹配，最终计算距离值。

- 应用实证：
- 以DTW距离替代欧式距离进行聚类后，优选组合年化收益更高（8.21%），但回撤和波动也相应上升，收益回撤比为1.91，月度和季度胜率均优于欧式距离配置（图21、22）。

• 分析：DTW适合处理数据异构的实际情况，解决了欧式距离的局限性，使分类更具包容性和精细化，但风险指标略高。

- 投资意义：该方法提高收益潜力的同时也提示组合风险管理需加强。
[page::13-14]

5. 基于多维标签的基金分类与配置

5.1 标签设计

• 设计理念：

- 利用净值、持仓及财务报表三个维度数据，共17个细分标签，反映基金风险特征、持仓结构和财务贡献，深入理解基金的投资策略。

• 标签详情（图23）：

- 包括年化波动率、最大回撤、权益仓位和其波动、衍生品持仓比例、利率与信用仓位、转债仓位及其波动、新股持仓占比、杠杆、久期均值和波动、信用评分、转债Delta、以及财报反映的票息和投资收益贡献等。

• 特征相关分析（图24）：

- 标签间存在明显正/负相关，如波动率正相关于权益仓位和转债仓位，利率仓位与信用仓位呈负相关。属性之间变化复杂，存在多重共线性。

• 方法论：采用主成分分析减少特征间多重相关带来的冗余，提取核心特征用于聚类。

5.2 欧式距离与余弦相关性选择

• 原因：标签数据中含有大量零值，且非正态分布，且不同产品对标签中持仓策略有是否参与的区分第一位，操作强度排名第二位，因此余弦相似度更合适。

- 指标计算与含义（图25）：余弦距离基于角度判断方向一致性，适合弱幅度差异但策略分类明确的场景。

5.3 分类结果与组合回测

• 分类结果

- 基于标签的层次聚类产生新的四类基金池，产品定位更加明确。类型1为多策略，类型2为股票策略，类型3利率债+信用策略，类型4主信用策略为主。

• 回测表现

- 调仓时点采用年报公布后（1季度末），等权组合年化收益5.48%，最大回撤仅1.45%，收益回撤比3.77，月度和季度胜率分别66%和92%；风险加权组合略差但仍优于传统偏债混合指数（图26、27）。

• 分析：标签方法的优势在于分类的解释性和灵活插入主观理解，但对数据完整性和计算方法敏感，依赖准确的持仓和财报数据。

此部分创新在于结合多维度产品特征，推动绝对收益基金策略分类向更细致、可定制的方向进化。[page::15-17]

6. 结论与展望

报告综述：

• 现有人工分类难以有效区分绝对收益基金的策略与风险特征，基于机器智能聚类的基金划分方法显著提升了分类的科学性和实用性。

- 基于净值数据的聚类分类能够较好反映基金风险差异，结合收益回撤比指标的优选策略组合取得了较优的历史表现，DTW算法较欧式距离更适合实际数据情况。

• 基于多维标签的聚类方法能够多角度理解基金产品策略，提供更丰富的分类维度，分类结果可解释性强，优化组合的风险回撤控制能力显著。

- 本文提出的智能分类框架兼具技术路径和实践举措，有助于提升绝对收益基金的科学配置效率及组合表现。

风险提示与局限：

• 智能分类的有效性依赖于数据质量、选取的特征与算法参数。算法本身具备模型风险，历史回测表现不代表未来。

- 标签方法的覆盖面和准确性有限。

• DTW方法虽然解决了净值时间不同步问题，但伴随组合风险指标敏感性增加，需结合实际投资策略谨慎使用。

综上，该报告系统介绍了从传统人工分类到基于净值与多维标签的智能分类转变的技术路径，以及如何依托分类结果构建超额收益较优的绝对收益基金组合，为机构投资者及组合管理人提供了前沿的量化资产配置新框架。作者的结论和实证数据较为充分，报告逻辑严谨，数据详实，属于当前基金分类与配置策略研究中的较为先进的实用案例。[page::18]

---

三、图表深度解读

图表1：投资组合收益来源的三种观察视角

• 展示“投资组合收益来源”的三维模型，涵盖大类资产（权益、债券等）、投资策略（择时、选股等）、驱动因子（风险承担、错误定价）。

- 说明基金收益的多层面驱动体系，强调策略视角可以捕获资产视角无法精准覆盖的Alpha来源。

• 本图是本报告对策略视角定位的基础框架。[page::3]

图表4：绝对收益基金产品指数回报（2014-2020）

• 展示6大产品类别（偏债混合、灵活配置、一二级债基、纯债、量化对冲等）累计净值表现。

- 收益曲线显示差异不显著，且部分风险特征重叠，支持传统分类难以分辨观点。

• 核心指出基金产品内部差异显著但类别间区分弱，降低分类实用性。[page::5]

图表6-7：偏债混合型基金收益风险统计

• 图6散点展示超过百只偏债混合基金2017-2019年间年化收益和波动率分布，波动率跨度宽广（近1%-近10%）。

- 图7波动率直方图统计显示四分之一基金波动率超过5%，风险极其多样化。

• 强化说明传统分类下，同类产品内部相似性不足，分类精度亟待提升。[page::6]

图表8：产品分类与策略分类重叠关系示意

• 展示各产品类型与对应可能采纳的多种投资策略交叉映射，表明多策略混合加剧分类复杂度。

- 该图直观解释了为何简单基于产品类型分类难以界定策略差异性。[page::6]

图表9：聚类分析流程

• 说明聚类分析的四大步骤及常用方法，概览数据准备、相似性算法、聚类算法、性能评估流程。

- 为后续算法应用的技术框架提供依据。

• 明确本文重点采用层次聚类、欧式距离、余弦相关性及DTW为主的算法工具包。[page::7]

图表10、11：债券基金持仓久期与信用评分聚类示例

• 图10展示10只基金的久期波动率与信用均值二维散点。

- 图11显示针对这些样本的层次聚类树状图，展示距离合并过程。

• 简明演示聚类分析的实际操作与可解释性。

- 体现量化特征如何映射出基金之间的策略差异。[page::9]

图表12、13：欧式距离下基金净值相似度及聚类步骤

• 图12两只基金净值曲线高度重合，说明欧式距离在捕获净值类似性上的直观效果。

- 图13详列基金两两合并的距离距离指标，为层次聚类基础。

• 该组图揭示基于净值的智能分类的具体操作方式。[page::10]

图表14、15：智能分类与传统分类交叉对比细节

• 14表显示新旧分类标签对应的基金产品混合情况，类型1基金主要为纯债基金，类型2-4混杂较多灵活配置及二级债基金。

- 15表展示不同分类基金池的平均波动率，类型间存在显著风险差异，验证聚类分类更好地体现产品风险差异。

• 说明机器分类优化了风险维度的区分度，增强了分群的实用价值。[page::11]

图表16、17：聚类基金优选组合表现

• 回测净值图展示等权和风险加权两种构建方式收益曲线，显著跑赢非智能分组的偏债混合指数。

- 表格显示组合年化收益7%左右，最大回撤2.1%-2.5%，夏普比1.25以上，收益回撤比约3。

• 说明基于机器聚类分类的基金筛选与组合构建在收益表现和风险控制上优于传统分组。

- 侧面反映模型在绝对收益领域的实际投资意义和价值。[page::12]

图表18：聚类分类 vs 简单波动率分层回测比较

• 展示两种风格基金池组合的相对表现。

- 聚类等权组合显著超越单纯波动率分层，收益表现更强且整体回撤更低。

• 说明机器学习聚类在复杂基金市场中区分度和优选效率更高。

- 进一步佐证智能分类工具的优势。[page::12]

图表19、20：动态时间规整算法及案例示意

• 图19示意DTW通过允许时间轴“拉伸”求最短路径实现曲线对齐。

- 图20表格展示DTW演算原理，通过动态规划获得各节点累计距离，最终输出字符串DTW距离 5.19。

• 直观说明DTW如何解决净值数据不同步、不同频率、不同长度导致欧式距离失效的问题。

- 该算法提供了更可靠的时间序列相似性衡量手段。[page::13-14]

图表21、22：DTW距离下基金分类组合回测

• DTW聚类分类组合具备更高年化收益（8%-9%），但随之风险、回撤指标有所提升，收益回撤比仅为1.31-1.91。

- 月度和季度胜率同样提升超过80%。

• 组合回报更丰厚的同时，波动和风险敞口增大。

- 强调DTW算法可增强分类识别力，但需要投资策略对应匹配风险管理。

• 图示净值走势同步且跑赢偏债混合指数的状态。[page::14]

图表23-27：基于多维度标签的基金分类体系及回测表现

• 图23表示17个标签细分数据涵盖风险指标、持仓结构与财报贡献，全面刻画基金策略多维面貌。

- 图24标签相关矩阵揭示标签之间复杂相关关系，提示实操时要筛选并应用降维等技术降低维度冗余。

• 图25对比演示余弦距离与欧式距离，强调尽管两者度量方式不同，但余弦距离更能捕捉方向性相似，适合非连续且稀疏标签数据。

- 图26标签工业分类组合回测显示，尽管收益水平略低（约5.4%），但最大回撤1.45%极小，收益回撤比3.77显著优于同类产品，体现出优良的风险控制效果。

• 图27粗略汇总组合波动率、最大回撤及夏普比等指标，显示基于标签分类组合在稳健性上的明显优势。

- 这体现了基于基金产品标签的智能分类是策略理解更深且配置更稳健的重要路径。

• 同时强调数据依赖性和质量对于标签方法效果的关键性。[page::15-17]

---

四、估值分析

本报告非股票定价报告，无估值目标或相关DCF、市盈率等分析，仅涉及绝对收益基金产品投资策略的多维度类比与分类、组合构建及回测验证。因此无相关估值章节或分析。

---

五、风险因素评估

• 模型风险：

- 聚类算法效果依赖于输入特征的选择与预处理，如净值序列、标签设计及度量指标参数选取，存在模型失准风险。

• 历史回测与未来业绩不确定性：

- 历史表现不保证未来走势，基金经理策略变更、市场环境波动均可能导致分类效果与回测结果失准。

• 数据质量风险：

- 尤其是标签数据，因披露滞后、粒度限制及计算方法差异，相似度测算时可能存在误差。

• 算法局限：

- 如欧式距离对于时间序列严格匹配容易出错，DTW虽改进但引入更大风险幅度。

• 策略适应性不足：

- 聚类方法更适合历史交易数据稳定、策略相对清晰场景，面对快速变化的策略创新等可能判别能力不足。

报告整体提示投资者须结合实际操作审慎采纳智能分类策略，结合风险管理强化对冲与灵活调仓机制。亦未提供具体缓解策略，但通过多维度数据及策略回测增强模型稳健性。[page::0,18]

---

六、批判性视角与细微差别

• 报告论证清晰严谨，算法步骤详细，且多维度数据及多种聚类方法的对比体现研究深度。

- 但结合内容，存在以下潜在局限：
- 聚类划分依赖于经验确定簇数，不同分群维度与数量可能导致结果差异大，主观成分不可忽视。
- 标签数据强依赖持仓和财报披露，信息不完整易导致误判。
- 回测主要基于等权及风险加权组合，缺少对更为复杂资产配置模型的深入研究。
- DTW方法收益提升伴随风险和回撤提升，显示风险收益权衡存在不完美。
- 关于不同算法对组合表现长期稳定性的系统性测试不足。

• 总体而言，报告通过严谨的描述和丰富的数据支持了智能聚类分类的有效性，但实际投资应用仍需结合多维度验证和实时调整。对长期适应性的讨论欠缺。

- 可进一步考虑混合算法集成、多周期滚动校准及多策略联动分析以增强稳健性。

---

七、结论性综合

此份由招商证券任瞳与王武蕾编写的专题报告，系统阐述了绝对收益基金产品从传统人工分类向基于机器学习的智能分类转型的必要性和可行性。报告结合大样本历史净值数据及多维基金持仓和财务标签信息，通过聚类算法对基金产品实现了策略视角的分类优化。

从实证结果看：

• 智能分类基金池构建的组合展现出较明显的收益提升和风险控制优势，年化收益与收益回撤比普遍优于传统分类组合，回撤控制更加科学，月度与季度胜率高达70%至90%以上。

- 使用不同相似度指标（欧式距离、DTW、余弦相关性）结合层次聚类方法均显示分类有效，尤其DTW方法克服了净值序列长度和时间不同步的传统缺陷。

• 基于多维标签分类方法为策略特征识别提供了更丰富的视角，利于基金策略组合更加多样和风控体系更优化。

整体来看，这些分类与组合构建方案继承并完善了绝对收益策略组合思想，为基金类资产配置提供了量化和智能化进阶路径，为投资决策和产品设计提供了实用工具。图表数据的全面展现和多维度深挖增强了结论的说服力。

报告尽管面临数据质量及模型风险的制约，但在绝对收益产品智能划分领域开拓了技术和实务双重创新，预示了未来基金研究和配置管理的广泛应用前景。

---

关键图表链接展示示例

• 图表1 投资组合收益三视角示意：

• 图表4 绝对收益基金产品指数：

• 图表16 获优组合回测净值曲线（净值聚类）：

• 图表21 DTW距离算法分类组合回测：

• 图表26 基于标签聚类组合回测：

---

# 综上，如按报告详细论述，绝对收益产品智能分类及基于此的策略组合构建，在历史样本和多维度测试下，均有效提升配置效率及风险调整后表现，值得资产管理者重点关注和进一步推广应用。[page::0-19]

报告