报告基于Barra因子模型,并结合Lasso回归及二次规划方法,对A股公募基金股票持仓比例及行业持仓分布进行测算和预测。二次规划相较Lasso回归在持仓预测准确性上表现更优。基金行业持仓测算采用行业因子收益正交化风格因子收益处理后进行回归,能够有效追踪基金行业调仓趋势,为投资者提供辅助决策依据 。
报告标题:基于 Barra 的基金持仓测算
作者:朱人木
执业证书编号:S0590522040002
发布机构:国联证券研究所
发布日期:报告内容显示截止2022年下半年数据,发布应在2022年末或2023年初期间
研究主题:研究国内A股市场中公募基金持仓比例及行业配置变化测算方法,利用Barra因子模型和相关统计方法,预测基金股票持仓及行业配比,用于反映市场情绪和行业活跃度。
本报告围绕公募基金,重点解决通过公开市场基金收益率数据和行业收益率因子,测算基金对各申万一级行业的股票持仓比例和行业暴露度,核心目标在于提前预判基金持仓结构变化,为投资者及市场参与者提供辅助判断工具。两种主要持仓测算方法被详细阐述:基于Lasso回归和二次规划优化,前者利用带正则项的线性回归缓解行业间多重共线性,后者通过约束条件结合上一期持仓数据实现更精准的预估,同时,基于Barra模型的行业正交化处理技术用于指数暴露的反推。整体观点对市场参与者具有较强参考价值,尤其在季度持仓公布前的持仓浮动测算方面具备明显优势。,2,14-15]
报告开篇强调国内A股机构化程度逐年提升,公募基金管理规模持续增长(图1显示2016年至2022年间公募基金规模从约7万亿元增长至27万亿元),机构资金在市场中的影响力日增,公募基金的持仓变化成为市场情绪和行业热点的风向标。报告旨在通过测算基金持仓及行业配置,揭示资金流向和行业资金偏好,以及辅助基金选择。
方法上,基金日收益率以申万一级行业指数日收益率为自变量进行线性回归。为缓解行业间高度相关性导致的多重共线性问题,报告采用了Lasso回归(加L1正则化)和带约束的二次规划优化,第二种方法准确度更高。行业配置侧,基于Barra模型,通过行业因子收益对风格因子收益的正交化后得到行业残差,结合移动窗口回归和横截面排序处理,捕捉基金行业暴露变化和调仓方向,提升模型的响应速度和准确性。报告特别指出历史测算不代表未来,存在偏差风险。
基金样本筛选严格,剔除非A股投资基金、期限不足两年和资产净值低于1亿元的基金,分为普通股票型(320只)和偏股混合型(750只)基金。引用申万一级行业相关系数矩阵说明行业收益间相关度极高(部分行业相关系数达0.9以上),表明多重共线性问题严重,需要特殊测算方法解决。基金实际持仓采用基金季报持仓股票市值与资产净值计算持仓比率公式(图3),展示2016Q1至2022Q2期间偏股混合型及普通股票型基金持仓比例趋势(图4),二者整体持仓比例均呈上升趋势,其中普通股票型基金持仓水平普遍高于偏股混合型。,4]
介绍经典多元线性回归模型,随后引入Lasso(最小绝对收缩和选择算子)回归模型,通过增加L1正则化项解决普通最小二乘法在自变量多重共线性下矩阵不满秩,参数不可估计的问题。Lasso能够将部分回归系数压缩为零,从而完成特征选择和系数估计。
具体应用中:
回归结果按基金股票净值加权计算日度持仓预估均值,并与实际季度持仓比对。图5、图6显示,Lasso回归持仓预测整体高于实际持仓,且日度曲线在频率和幅度上均带有噪音,波动较大,反映Lasso方法灵敏但易产生误差。,5]
定义二次规划优化问题为目标函数的二次项矩阵和线性项向量下的有约束优化,目标为最小化基金加权行业指数收益拟合基金收益的均方误差,约束为持仓比例的上下限及非负性。
二次规划相比于Lasso:
持仓预测结果(图7、图8)相比Lasso更贴合实际,尤其在持仓波动上更平稳,误差明显减小(图9、图10对比显示二次规划误差远低于Lasso),尤其对中长期持仓水平估计更准确,但对季度间剧烈调仓反应较慢。
基于Barra因子模型思想,采用基金收益由行业因子和风格因子线性组合的假设建立反向回归模型。为消除风格因子与行业因子间多重共线性,引入对行业因子收益的风格因子正交化处理:
该步骤得到单只基金的行业暴露后,用持股市值加权横截面平均得到偏股混合型和普通股票型基金整体行业暴露情况,用以反映行业资金流动趋势。
选取典型行业(电力设备、电子、房地产、医药生物)分别展示偏股混合型基金和普通股票型基金持仓趋势及预测,图表同时给出持仓绝对比例和横截面排序对比:
报告附表和曲线展现了模型回归结果的动态演变,体现了基金行业行业配置的分阶段调整特征。
总结部:
风险提示:
图1(基金管理规模)显示2016年初至2022年中,公募基金管理资产从约7万亿攀升至27万亿,表明基金行业快速扩容,市场机构化趋势明显。画面说明基金持仓的重要性与市场影响力。
图2(申万一级行业相关系数矩阵)体现行业间高度相关性,部分相关系数达0.9以上,这造成线性回归的多重共线性问题,支持报告引入Lasso与二次规划缓解技术的必要性。
图4(基金实际持仓)两类基金实际持仓比例逐年上升,普通股票型持仓高于偏股混合型,显示基金整体股票市场配置逐步加深。持仓比例峰谷对应市场波动,体现资金配置动态。
图5、图6(Lasso回归预测对比)显示Lasso预测持仓普遍高于实际,预测波动大且有段时间背离,表明Lasso模型敏感但估计精度有限,为强烈波动型持仓或短期变动提供线索但缺乏稳定性。
图7、图8(二次规划预测)预测线明显贴合实际持仓,更加平滑且误差小,优势在于结合约束和历史持仓,有效稳定预测,减少异常大波动产生。
图9、图10(误差对比)明确展现二次规划误差远小于Lasso,尤其普通股票基金误差稳定控制在±2%以内,偏股混合型误差同样显著低于Lasso,强化了二次规划的实用性和优越性。
图11(行业因子收益正交化数据)虽数据复杂但主要展示行业因子剔除风格因子后残差收益,显示行业收益中独立于风格因子部分的动态,为后续基金行业暴露回归奠定基础。
图12(行业暴露回归样例表)展示某基金在多行业的行业暴露数据,细化到每日组合,数值区间反映不同行业配置状况,银行、轻工等不同板块持仓分布清晰,体现模型的细粒度和日常动态更新能力。
图13至图20(行业回归具体行业测算曲线)体现偏股混合型与普通股票型基金在电力设备、电子、房地产、医药生物四大行业的实际持仓与预测趋势,强调预测对横截面排序的较好拟合,且显示普通股票型基金更激进的行业配置。图表反映了持仓趋势与市场资金偏好转移,具有较强的实用指导意义。
本报告不涉及传统的企业估值分析或目标价格设定,主要聚焦公募基金持仓测算方法和行业暴露的时间序列分析,利用统计回归及优化手段推断市场资金流向。不过,报告通过对基金持仓比例和行业资金配置的测算环节间接反映了市场对行业的估值偏好变化,可作为投资判断的辅助变量。
报告提示读者需谨慎使用测算结果,结合其他市场信息综合判断。,15]
该报告系统地提出了两种基于统计学习和凸优化方法的基金持仓比例测算技术,成功解决了行业指数收益高度相关引起的多重共线性问题,通过Lasso回归和二次规划两种技术方案实现基金单只及全市场日频持仓的近似估算。与实际基金季报披露数据比对,二次规划方法表现优于Lasso,误差明显更小,更适合用于动态持仓测算和策略调整参考。
结合Barra因子模型,报告创新性地实现了基金行业暴露的反向推断,特别是对行业因子收益做风格因子正交化,提取行业独立信息,增强行业资金流向追踪的准确性。通过120日移动窗口回归,结合横截面排序,提高了模型对短期资金调仓方向的捕捉能力,尽管存在数据滞后与预测偏差,依然为市场资金选行业、基金组合轮动提供了重要指标和判断依据。
系列实证曲线清晰展示了偏股混合型与普通股票型基金在电力设备、电子、房地产、医药生物等核心行业的资金流入/流出趋势,反映行业热点及冷门的转换规律,具备较强的应用价值。
综上,报告从模型设计、数据处理、预测验证及风险提示多方面给出了详实方案和实证分析,为公募基金持仓及行业布局的动态判断提供了科学工具,尽管存在滞后和模型局限,但其成果对于投资管理、行业研究和风险监控均有参考价值。[page::全文整体]
图1:公募基金管理规模
图4:基金实际持仓,2016Q1至2022Q2
图5:Lasso回归,普通股票型持仓预估
图6:Lasso回归,偏股混合型持仓预估
图7:二次规划,普通股票型持仓预估
图8:二次规划,偏股混合型持仓预估
图9:误差对比(普通股票型)
图10:误差对比(偏股混合型)
部分行业回归示例:以电力设备和电子行业为例
更多行业回归结果见报告第12-14页图13至图20。
本报告采用严谨的数据分析和数学模型技术,通过Lasso正则回归和二次规划优化,结合Barra因子模型对风格因子和行业因子收益正交化处理,创新地实现对基金股票持仓及行业配置的精细动态测算。测算结果与实际数据高度吻合,尤其二次规划方法减小了误差,提升了预测的可信度。行业持仓动态分析揭示了资金流向与行业热度的趋势,为投资机构和市场研究者提供了科学的资金流动性指标和行业景气信号,提升了公募基金投资行为的理解和预判能力。报告同时谨慎揭示模型局限性和风险,指导读者理性使用测算结论。
整体上,此报告在量化基金持仓估计领域具有较高的技术贡献,也为A股市场机构持仓研究提供了有效工具和思路。
【全文引用页码】:,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15]
金融工程专题:基于Barra的基金持仓测算.pdf