20181018-华泰证券-基金仓位分析专题报告_基于回归法的基金持股仓位测算_20页_1mb

报告摘要

基金仓位测算方法研究总结

核心内容

本报告探讨了基于回归法的基金持股仓位测算方法，旨在通过基金日频收益率与29个一级行业指数日收益率之间的关系，预测基金的股票仓位。研究重点在于比较主成分回归、逐步回归、岭回归和Lasso回归四种方法在普通股票型基金和偏股混合型基金中的预测效果，并分析回归时间窗口长度对预测结果的影响。

主要观点

基金仓位测算的意义
基金仓位是衡量基金投资风险和市场情绪的重要指标。公募基金每季度末才披露仓位信息，导致投资者与基金管理者之间存在信息不对称，因此对基金仓位的测算具有重要意义。
回归法的使用背景
常见的基金仓位测算方法基于指数模拟法，即通过基金净值数据与行业指数数据进行回归分析。由于29个一级行业指数之间存在显著的多重共线性，直接使用普通最小二乘法（OLS）进行回归会得到不合理的拟合系数，因此需要采用改进的回归方法。
回归方法的比较
- 主成分回归（PCA）：通过主成分分析法将自变量降维，缓解共线性问题，但解释性较弱。
- 逐步回归（Stepwise）：通过引入和剔除变量的方式，选择最优的解释变量子集，提升预测精度。
- 岭回归（Ridge）：通过在损失函数中添加L2正则化项，缓解共线性问题，但存在系统性高估现象。
- Lasso回归：通过在损失函数中添加L1正则化项，实现回归系数的稀疏化，提高解释性，预测精度优于主成分回归，但略逊于逐步回归。
预测效果分析
- Lasso回归和逐步回归在普通股票型基金和偏股混合型基金中均表现出较高的预测精度，误差大多落在[5%, 15%]区间。
- 岭回归存在系统性高估，预测误差相对较大。
- 主成分回归的预测精度略低于Lasso和逐步回归。
时间窗口长度敏感性分析
- 回归时间窗口长度在30天以上时，预测误差趋于稳定，说明模型已经收敛。
- 窗口长度不宜超过60天，否则预测结果可能滞后。
近期仓位变化观察
- 从2018年二季度末至三季度末，基金仓位整体经历了一个先微升、后降、再缓慢攀升的过程。
- 2018年7月下旬至8月，基金仓位处于阶段性底部，与A股大盘震荡下行行情相对应。
- 自8月底起，基金仓位开始缓慢回升，可能反映市场情绪的变化。

关键信息

样本基金：共190只普通股票型基金和414只偏股混合型基金。
数据来源：Wind，华泰证券研究所。
回归模型：以基金日频收益率为因变量，29个一级行业日收益率为自变量。
预测误差范围：普通股票型基金和偏股混合型基金的预测误差大多在[5%, 15%]区间。
回归方法选择：Lasso和逐步回归优于主成分回归，岭回归效果最差。
时间窗口选择：30天为较优选择，超过60天可能影响预测准确性。
预测结果调整：若预测值超出基金仓位下限（普通股票型基金为80%，偏股混合型基金为60%），则取边界值。

回归方法效果对比

日期	PCA 均值	Stepwise 均值	Ridge 均值	Lasso 均值
20170630	89.98%	88.89%	88.63%	87.35%
20170929	92.31%	89.49%	90.77%	88.37%
20171229	94.62%	92.97%	96.40%	93.79%
20180330	95.43%	93.28%	98.33%	93.15%
20180629	86.07%	89.18%	99.17%	88.59%

偏股混合型基金预测效果对比

日期	PCA 均值	Stepwise 均值	Ridge 均值	Lasso 均值
20170630	80.94%	83.78%	82.93%	82.57%
20170929	83.16%	87.19%	80.89%	80.78%
20171229	81.58%	90.94%	84.75%	94.67%
20180330	81.30%	92.76%	89.24%	96.84%
20180629	78.57%	77.78%	80.83%	97.45%