本报告基于基金共同持仓行为构建股票关联网络,提出关联网络牵引因子Traction20d,通过基金持仓市值与成交额比值构建关联度指标,验证了高关联度股票间次季度收益关联更强,Traction20d因子表现稳健,年化收益达17.1%,多空组合年化IR达到2.6,且覆盖不同选股域均具良好择时能力,体现了基金持仓数据在量化选股中的创新应用
基金共同持仓行为是股票关联关系的重要来源
基于基金持仓构建股票关联度指标,刻画股票关联网络
关联网络牵引因子Traction20d的构建与表现 表1:关联网络牵引因子构建步骤:
| 步骤 | 内容说明 |
|---|---|
| 1 | 计算20日累计涨跌幅中位数作为市场基准 |
| 2 | 提取股票A所有关联股票20日涨跌幅向量chg_A |
| 3 | 计算alpha收益:chg_A减去中位数 |
| 4 | 取得股票A与关联股票关联度向量 |
| 5 | 计算关联股票alpha锚定值 |
| 6 | 取锚定值均值作为原始因子值 |
| 7 | 回归剔除自身alpha和行业因素,得到Traction20d |
Traction20d因子相比等强度牵引因子表现更优
Traction20d因子在不同选股域上的表现差异
| 选股域 | 覆盖度(%) | 多空组合年化IR | 相关性概要 |
|---|---|---|---|
| 全市场 | 100% | 2.6 | 与常见因子相关性均较低 |
| 沪深300 | ~90 | 1.4 | 与size、turnover、volatility等相关性较低 |
| 中证500 | ~70 | 1.3 | 同上 |
| 中证1000 | ~40 | 1.0 | 同上 |
报告核心论点围绕“基金共同持仓行为是股票关联关系的重要来源”展开,提出基金持仓不仅反映基金管理人的选股共识,也导致股票间的涨跌呈现一定关联性。基于这一观察,报告进一步构建了“股票关联度指标”和“关联网络牵引因子(Traction20d)”,并验证了其在预测股票涨跌和构建稳定投资组合的有效性。通过详尽的数据分析及实证测试,报告得出基金持仓数据不仅可以构建有效的股票关联网络,还可用于改进选股模型,提升投资表现。
关键论点:
传统学术研究往往利用涨跌幅、成交额、换手率等维度来构建股票关联网络,报告创新地从基金持仓角度切入,认为基金共同持仓是股票间建立关联关系的重要来源。
推理依据:
数据与趋势:
基金共同持仓股票的涨跌关联度:
利用R方衡量日收益的统计特征,报告发现基金共同持仓股票的日收益率R方均值为15.05%,高于基金持仓股票池的14.07%,且在78.13%的季度数据中表现出相对优势,验证了基金共同持仓带来的股票关联提升。
方法说明:
关联度指标的构建采用基金持仓市值与成交额的比率作为基金影响力的衡量,计算两只股票被共同持有基金的最小拥挤度(即持仓市值/成交额最小者),并在所有基金间求和,得到两股票间的综合关联度指标(Kab),用以刻画股票间的关联强弱。
构建逻辑图解说明(图6):
展示基金A、B、C分别对股票a、b、c、d间不同边的关联度贡献,最终叠加为股票间的关联度网络。
关联网络示意图(图7):
展示部分股票如贵州茅台、五粮液等之间的关联关系,连线粗细代表关联强弱,明显反映市场龙头股间的密切关系。
关联度指标统计结果:
关联度指标与股价涨跌R方的关系验证:
按关联度指标分组,股票对间下季度收益R方呈递增趋势,最高关联组达16.96%,最低组仅14.92%,且最高关联组相较基金共同持仓或基金持仓股票池R方均值的提升分别为21%和13%。
因子构建逻辑:
Traction20d基于基金持仓构建的关联度指标,将个股近期(20日)涨跌幅与其关联股票上涨信息结合形成因子,调整自身alpha收益及行业影响后得到因子值。核心理念是关联股票的涨跌对该股票未来涨跌有锚定效应,缺乏涨幅的股票未来可能补涨。
具体步骤(表1概要):
因子属性与相关性:
| 因子 | 原始因子 | alpha中性 | Traction20d |
| 动量 | 21.46% | -13.49% | -14.65% |
| 规模 | 1.69% | -0.50% | 2.13% |
| 换手 | 0.24% | -4.93% | -6.22% |
| 波动率 | 3.98% | -4.21% | -4.95% |
| 价值 | 3.81% | 0.56% | -0.77% |
| 成长 | 5.82% | 4.72% | 3.17% |
| 收益 | 2.97% | -0.34% | -0.53% |
实证表现(2013年7月1日至2021年8月30日):
| 全市场 | 中证1000 | 中证500 | 沪深300 | |
| 规模 | 2.13% | -0.61% | 1.21% | 0.00% |
| 换手 | -6.22% | -4.97% | -4.94% | -4.30% |
| 波动率 | -4.95% | -3.93% | -2.14% | -3.68% |
| 价值 | -0.77% | -0.94% | -1.63% | 0.53% |
| 成长 | 3.17% | 2.46% | 4.53% | 1.92% |
| 收益 | -0.53% | -0.26% | -0.11% | -0.48% |
报告未涉及传统意义上的公司估值分析(如DCF、市盈率等),其核心在于构建和应用股票间“关联度指标”和“牵引因子”,其估值意义主要体现在利用关联网络提升预测股票收益的因子表现和投资组合构建的风险调整后收益。因此,学术及实证因子表现(IC、IR、收益率)替代了经典估值方法。
缓解策略未明确提出,建议结合其他多因子模型共同使用,动态调整参数以适应市场变化。
本报告围绕基金持仓行为对个股涨跌关联性的影响展开,创新地提出以基金共同持仓构建关联网络,并从两个角度阐释其形成机制(管理人认知和股东协同行为)。通过严谨的数据分析发现基金共同持仓股票的日收益关联性明显高于随机持仓股票。为量化表现构建了以持仓市值与成交额比率为核心的股票关联度指标,成功刻画股票间关联强弱。实证检验表明,该指标能够显著提升股票组合间收益关系的解释力,推动关联网络因子(Traction20d)的构建。
Traction20d因子以关联度加权传导关联股票alpha收益,剔除行业和个股自身影响后,展示出优异的稳定性、显著的收益率(多头17.1%年化)、较小的回撤与高效的收益波动比。并且,Traction20d因子与传统因子的低相关性赋予其独立的选股信息量,具备良好扩散性和应用前景。其在不同规模指数的覆盖率和效果差异提示基金持仓集中度对因子表现有影响,且大市值股票上表现更优。
报告通过大量图表直观展现数据趋势,验证过程严谨、方法创新,具有较强的理论和实践意义,为利用公募基金持仓信息构建股票关联网络及量化投资提供了宝贵思路。该方法适合辅助量化选股、风险管理及行业轮动策略,有一定应用推广价值。
该报告基于独特的基金持仓视角,结合复杂网络方法,构建股票间关联度指标,深化了对股票关联性的理解。通过创新的因子设计,丰富了量化选股框架,提升了预期收益及组合稳定性,具有高度实用价值与研究前瞻性。
,1,2,3,4,5,6,7,8]
从基金持仓行为到股票关联网络 | 开源金工.pdf