报告聚焦基金重仓股的超额收益预测,采用残差收益剥离风格与行业影响,从基金业绩和持仓市值占流通市值变化两个维度筛选出高超额收益股票池,并纳入多因子指数增强策略。2017年以来,该方法显著提升了指数增强策略表现,年化超额收益提升逾2%,信息比提升0.4,验证了通过基金重仓股预测持股选股能力及资金推涨效应的有效性
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:
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。,3,22]
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。,4]
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。,5]
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:
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:
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。,9]
对重仓股按成长、价值、规模、市盈率等风格指标分层,发现:
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。
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(Topten_to_float_ashare)及其环比变化(delta_to_float_ashare)为核心指标。测试结果显示:
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:
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:
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。
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。
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。,6]
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。
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。
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。
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。
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。
Topten_to_float_ashare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。,13]
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。
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。
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。
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。,20]
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。
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。
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:
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。
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。
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 Topten_to_float_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】:,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。
多因子系列之十三:基金重仓股研究.pdf