本报告以“守正出奇”策略为核心,结合军工主题基金持仓信息,采用跟随前10大重仓和基于净值回归估计产业链配置权重两种量化手段挖掘军工主题基金中的alpha表现。报告揭示该策略自2018年以来年化收益19%左右,超被动基金10%以上,且能与业绩领先的主动基金媲美。同时,军工子策略在沪深300和中证500的指数增强策略中带来约2%的边际增量,为投资者提供了稳定的超额收益来源。
该报告旨在评估并验证通过量化手段解读军工基金持仓,是否可有效捕捉alpha,为军工行业投资者提供新的投资思路和工具。
报告指出,最简单的alpha挖掘是季报披露后直接跟随基金的前10大重仓股,但该方式效果较为有限,仅能拿到与军工主题基金平均相近的收益。通过对基金净值回归军工细分产业链指数回报,估计基金在各细分产业链的配置权重,能提供更极致的beta敞口。将这两种策略结合,即“守正”(前10大持仓)加“出奇”(量化回归配置)策略,整体表现较好。
从2018年至2022Q1,合成策略年化收益19.02%,对比被动基金8.89%实现超额10.13%;相较主动基金平均,超额收益3.9%。且该策略表现接近主动军工基金中的业绩领先产品——易方达国防军工和长信国防军工。
表1显示各年策略收益,2020年收益达102.43%,明显超过被动基金74.77%,体现了策略在行情大涨时期提供超额收益的能力。
图1以累积收益率图表直观展示了策略与顶尖基金的表现对比
采用筛选标准,报告中统计出20只军工主题基金(主动7只,规模466亿;被动13只,规模378亿)。
主动基金多为偏股混合或灵活配置,基金经理背景专业,具备深厚行业研究能力。
被动基金多跟踪中证军工指数,产品形式以ETF和LOF主导,适合二级市场实时交易需求。
从业绩角度,主动基金整体领先被动基金:
图2为基金年收益分布箱型图,显示在牛市年份(如2020年)主动基金的业绩差异较大,部分基金表现突出,为捕捉极致beta提供空间。
图3和图4进一步比较主动与被动基金的年度收益和代表性基金超额收益,突出2020年为主动基金表现优势最大的一年,并突出两个绩优基金在关键年份表现的极致收益
基于多家研报及行业分类,军工产业链被细分为航空、航天、船舶、地面兵装、国防信息化和特种材料六大一级产业链,以及若干二级产业链。
图5的产业链结构图形象展示了产业链层级及相关子系统、零部件、原材料等关系。
各一级产业链的行情走势与军工整体行情进行比较:
长期来看,国防信息化和特种材料板块长期跑赢军工行业整体,表现更稳定和坚实;
航空板块走势与整体高度相关,但细分的主机厂和航发具有超额收益;
航天、船舶和地面兵装板块则表现相对落后,尤其是船舶和地面兵装自2017年后表现持续弱势。
图6和图7显示了上述趋势。
国防信息化中,电子元器件、芯片和测试服务的收益率高于其他子板块。
特种材料板块中的特种合金和碳硅基材料表现优异。
图8-图10对应展示具体二级产业链的表现,体现部分细分产业具备更强的投资潜力。
易方达国防军工和长信国防军工作为两只绩优基金,规模和投资策略存在差异:
易方达体量较大且具有连续基金经理更替背景坚实;
长信国防军工为量化基金,量化投资思想更显著,激进选股频度更高。
两基金在一级产业链上均以航空、国防信息化为主,特种材料次之,船舶板块配置甚少。
不同基金在航空板块的二级产业链中配置存在分歧:
易方达偏重主机厂和航发,在2019年以来逐步加大机电航电装备和零部件配置;
长信具有更大波动性,且更多地覆盖了军用机场装备、研制维修服务等非传统领域。
在国防信息化领域,两基金在上游元器件等领域的权重变化呈现阶段不同的趋势,芯片等新兴领域部分配置先后不同。
特种材料相关配置均集中于特种合金和碳硅基材料,且自2019年特种材料板块超额收益开始后,配置量显著提升。
被动基金多围绕中证军工指数调整配置,整体结构更稳定,但在特种材料等领域主动基金呈现超配。
图11至图22系统展示了上述产业链配置和叠加权重变化趋势。
利用基金季报披露的前10大重仓股进行跟踪买入,操作简单、成本低廉。
表6显示,2018年至2022Q1年化收益约13%,相对被动指数约有4%左右超额收益,但仍落后于主动基金平均水平约2%。
表7对比绩优基金的表现,明确指出绩优基金年化收益达到1617%,对被动基金有78%的alpha,说明单纯跟随前10大持仓难以完全复制最佳产品的alpha。
假设解决季报滞后问题(提前获知持仓),收益并无明显提升(表8),说明持仓滞后在该策略中并非限制因素。
累积收益曲线(图23)进一步说明该策略虽安全但存在收益不足的问题。
直接回归基金单只股票权重存在多重共线性问题,改为用基金回报率与军工二级产业链指数回报回归方式,以求估计基金在各产业链中的配置权重。
采用过去20个交易日回报回归计算,季度更新权重。
买入权重大于10%的产业链内所有成分股,按流通市值加权配置。
表9显示此策略年化收益率达28%,超主动基金幅度达到13%,超被动基金达19%以上。
进一步仅用绩优基金估计平均权重,年化收益率可提升至31%(表10)。
该策略持股数量较少(图24),存在仓位集中风险,且难以单独形成独立基金策略。
结合上述策略优点,“守正”为前10大持仓的平均配置,“出奇”为绩优基金条件下回归估计策略,两部分资金比例为70%:30%。
表11展示该策略表现位于两者之间,年化收益约19%,相对主动基金平均超额3.9%,相对被动超额10.13%,并能媲美头部主动军工基金。
体现了以较为保守安全的基本面重仓为主体,同时借助量化回归策略挖掘极致beta带来支持的优势。
利用回归估计策略选出的军工股票,按沪深300和中证500中军工股权重进行替换。
根据图25:中证500军工股占比约8%,明显高于沪深300约2%的水平。
表12和表13显示军工子策略为沪深300增强带来约2.1%的年化超额收益,为中证500增强带来约2.2%。
该策略适合作为大盘指数增强的行业子策略,有助提升整体投资组合表现。
本报告中未涉及传统公司估值方法(如DCF、PE等)分析,主要聚焦于基于军工基金持仓数据的量化策略构建与回测,故不包含估值模型分析。
量化模型失效风险:报告特别强调量化模型存在失效风险,历史回测结果不代表未来表现,市场环境变化或策略过拟合均可能导致表现不及预期。
数据和测试局限:回测基于模拟,且基金持仓数据披露滞后15个工作日,且仅季报披露,可能影响策略实时表现。
持仓集中风险:回归估计策略持股数较少,集中单一或少数标的,可能使组合波动增大,风险加剧。
事件性冲击与军工主题特性:军工主题基金受政策和事件驱动较强,市场震荡可能剧烈,量化策略可能难以准确捕捉非系统风险。
报告未明确提出缓解措施,但通过组合两种策略增强稳定性,及作为指数增强子策略使用,已隐含分散风险的思路。
虽然“守正出奇”策略2018年以来表现突出,但其稳定性和对极端市场下行风险的抵御力未详细讨论,2018年三种策略均有明显亏损,表明策略在熊市下限表现仍有待提高。
回归估计策略虽然收益极高,但持股过少,表明该策略更多是一种极致beta而非稳健alpha,存在策略过拟合风险,实际操作中可能面临流动性和调仓成本挑战。
报告未讨论策略在未来政策变化、军工行业景气波动或非理性市场环境下的表现敏感度。
季报披露滞后被证实非主要因素,反映持仓稳定期较长,量化策略调整因时效性滞后风险有限,但也暗示超短期alpha捕捉不足。
绩优基金与量化策略配置差异体现,量化基金对“好生意”与“好股价”持较为灵活态度,间接说明投资理念的多样性对业绩影响巨大。
报告对资金规模影响披露较少,特别是量化基金规模较小,能否复制到大规模资金仍需考量。
该专题报告通过系统的数据挖掘与量化分析,验证了利用军工主题基金持仓信息挖掘alpha的可能性,提出了“守正出奇”组合策略,成功在2018年至2022Q1期间取得19%左右的年化收益,远超被动军工指数基金近10个百分点的表现,与主动军工基金中的顶尖产品不相上下。
通过产业链细分及基金持仓定量分析,报告深刻揭示了军工行业内部不同细分板块(航空、国防信息化、特种材料等)的不同表现及其对基金业绩的贡献。
绩优基金在产业链的特定配置体现了主动管理精准选股的能力,同时量化策略也在一定程度上提升了策略的极致beta。
跟随前10大持仓策略安全稳健但收益有限,净值回归估计策略极致高收益但存在持仓集中、高波动风险,二者融合的“守正出奇”策略发挥了优势互补作用。
该策略不仅对军工主题基金投资者有指导意义,也能作为指数增强策略中的重要子策略,带来实质的边际收益增量。
整体来看,报告科学客观,数据详实,分析层次丰富,充分利用了基金持仓数据与行业细分产业链信息,为军工行业的量化投资提供了扎实的理论与实证基础。
| 关键点 | 说明 | 页码 |
|---|---|---|
| 年化收益对比 | “守正出奇”策略年化19%左右,超被动军工基金10个百分点以上 | 5,18 |
| 绩优基金实力 | 易方达国防军工和长信国防军工为绩优基金,业绩显著优于被动 | 6,7,8 |
| 军工细分产业链划分 | 明确划分六大一级产业链与多级二级产业链 | 9 |
| 细分产业链超额收益 | 国防信息化、特种材料表现突出,航空细分主机厂、航发有优势 | 10,11 |
| 持仓策略比较 | 跟随前10大持仓年化13%,回归估计策略年化28-31%,守正出奇整合19% | 15-18 |
| 指数增强应用 | 军工子策略应用于沪深300、500增强,带来约2%边际收益 | 19 |
| 主要风险 | 模型失效、持仓集中、市场事件冲击 | 2,20 |
本分析严格依据报告内容,引用均附页码标识,确保结论可追溯性和专业客观性。
量化看行业:能否通过量化手段挖掘军工基金持仓信息中的alpha.pdf