大家都在做的基金仓位测算，哪种方法更好.docxVIP

1、 前言 2019—2020 年，公募基金连续两年走出强有力净值曲线，基金净值纷纷创出新高，让公募基金成了市场的焦点。 公募基金的仓位变动反映着机构投资者投资情绪变化，而随着基金成为市场上的主角，关注的焦点，基金仓位测算的研究变得愈发的重要。市场上有多种基金仓位测算方法，一波又一波轰炸着朋友圈和微信群。大家的方法那么相似，却总是有点细微的不同，到底听谁的说法，真是不知如何是好。 本文中财通金工将为大家梳理市场上常见的基金仓位测算方法，并从与实际值的差异角度，评价几种方法的优劣，期望能选出最优的方案。 目前主流的基金仓位测算方法，原理都是利用基金净值数据和指数数据进行回归，通过回归得到的系数来估计基金仓位，本文也将基于回归法进行研究，我们会对 a）回归所使用的指数 b）回归方法 做几点探讨。 2、 常用的基金仓位测算方法 利用行业指数测算基金仓位 对行业指数做回归是市场上最常用的方法，我们使用 30 个中信一级行业指数日收益率作为回归模型的自变量，基金的日频收益率作为因变量，通过几种不同的多元线性回归方式，进行基金仓位测算。 本文用于测试的样本主要为 Wind 分类下的偏股混合型基金，我们只考虑成立时间在 2018 年以前的基金。 剔除沪港深基金等非完全投资于 A 股市场的基金，剔除数据方面有缺失值的基金。 对行业权重的限制有两种方法： 方法 1：超出限制（例如超出 0.95 或者小于 0.6）用相应的上下限代替；方法 2：在最优化过程中直接加入仓位限制。 本文我们直接在最优化过程中加入仓位限制，使得最后测算得到的仓位符合直观。 OLS 模型回归 ????,?? = ∑???? ????,?? ?? ??. ??. 0 ≤ ???? ≤ 0.95 ???? ,?? 代表基金收益率 ????,?? 代表中信行业 i 的收益率 0.6 ≤ ∑ ???? ≤ 0.95 ?? ???? 代表中信行业 i 的持仓仓位 数据降维 PCA PCA 是一种常用的数据降维方法， 首先利用主成分分析法对 30 个一级行业日收 益率数据进行主成分提取。用一定时期内所有的行业收益率数据进行主成分拟合，首先提取选取 30 个行业日收益率变量达累计方差贡献率 95?以上的主成分变量。 再把这些主成分变量作为自变量加入基金对于主成分变量的回归模型，回归得到 相应系数，再还原成行业日收益率数据的系数，即为基金的股票仓位。 Lasso 回归与岭回归岭回归 2 min||??′?? ? ??|| w 2 2 + α||??| | 2 Lasso 回归 2 min||??′?? ? ??|| w 2 + α||??|| 1 岭回归在 ols 模型原有的惩罚函数项中加入了一个 L2 正则项，这种平方偏差因子向模型中引入少量偏差，但大大减少了方差。 与岭回归类似，Lasso 回归可以使得一些特征的系数变小，与岭回归不同的是， Lasso 回归甚至还使一些绝对值较小的系数直接变为 0，从而起到数据降维的目的。 对于本文中使用的存在 30 个行业变量的高维的特征数据,采用 Lasso 回归可以比较有效地解决维度过高的问题，lasso 回归是业界常用的模型。 逐步回归 数据降维还可以使用逐步回归的方法，剔除掉一些影响力较低的行业。逐步回归分为两种，分别是向前逐步回归和向后逐步回归。 向前逐步回归是将自变量一个一个放进模型中，每当放入一个变量时，都利用 AIC 检验准则检验，看看模型是否会有所改进，如此不断迭代，直到没有适合的新变量加入为止。 向后逐步回归则是将所有的自变量都加入到模型中，再逐步剔除影响最小的变量。 使用逐步回归法的好处是将统计上不显著的解释变量剔除，最后保留在模型中的解释变量之间多重共线性不明显，而且对被解释变量有较好的解释贡献。本文我们使用向前逐步回归的方法。 （关于模型的详细信息请参见附录，正文中不做赘述。） 利用风格指数和宽基指数测算基金仓位 除了用行业指数收益率作为回归模型自变量，还可以尝试用风格指数或者大小盘指数来做回归。由于回归自变量较少，不需要像行业收益数据作为自变量时考虑共线性和数据降维问题。 用大小盘指数来回归 rf,t 代表基金收益率 rf,t = pb ? rb,t + ps ? rs,t s. t. 0 ≤ pb ≤ 0.95 0 ≤ ps ≤ 0.95 0.6 ≤ pb + ps ≤ 0.95 rb,t 、rs,t代表沪深 300 和中证 1000 的收益率 pb、 ps代表沪深 300 和中证 1000 的持仓仓位用风格指数来回归 ???? ,?? = ???? ? ????,?? + ???? ? ????, ?? rf,t 代表基金收