基金专题报告：主动权益基金仓位的高频测算方法研究

　　核心观点：

    　　研究背景：近年来，随着我国资本市场的不断成熟，公募基金在市场定价、行业配置、资产流动等方面扮演着极为重要的角色。其持仓行为和仓位水平，不仅反映基金经理的市场预期和风格偏好，也在很大程度上影响着市场的走势与结构。然而，当前对基金仓位的获取主要依赖于基金季度或半年度报告的定期披露，这一方式存在两个明显问题：数据更新频率低和信息滞后性强，因此，构建一种高频、动态、自动化的基金仓位估计模型，成为本文的重要研究任务。

    　　模型构建：为解决上述两个问题，我们尝试构建净值回归法来动态反推出基金的隐含仓位水平，该方法的核心思想是：利用历史净值与市场指数收益之间的关系，倒推基金当前持有的股票仓位，其中主要包括标准线性回归和正则化回归模型（如Lasso、岭回归）。由此，我们选取申万一级行业指数日度涨跌幅数据作为自变量，基金净值数据转换为日收益率作为因变量，采集时间区间2020 年3 月12 日至2025年3 月12 日，规模大于2 亿的非港股主动权益类公募基金，其中普通股票型基金182 支、偏股混合型基金392 支、灵活配置型基金543 支，作为不同基金类型的样本池，分别应用岭回归模型和lasso 模型进行仓位测算。此外，我们还引入了卡尔曼滤波（Kalman Filter），该方法将基金仓位视为随时间演化的“隐藏状态变量”，通过递推算法结合历史净值数据不断更新最优估计，更好地反映仓位的时变特征。

    　　模型表现：我们在普通股票型、偏股混合型和灵活配置型基金池中分别对几种模型的仓位高频监测效果进行了对比，以2020 年二季度末至2024 年四季度末，一共19个季末横截面数据作为对比基准，Lasso 在测算普通股票型基金仓位时表现最好，误差绝对值平均值为1.87%；卡尔曼滤波在测算偏股混合型和灵活配置型基金仓位时均有不错表现，误差绝对值平均值分别为3.33%和3.21%。

    　　近期仓位情况：我们选取岭回归、lasso 回归以及卡尔曼滤波法分别进行测算，根据每只基金的测算得到的仓位以基金最新规模为权重来进行加权，得到最终的仓位预测值均值变化曲线，对比主动权益基金实际仓位，我们发现Lasso 模型在估计整体仓位时表现更好。总的来看， Lasso 与岭回归估计的仓位时而快速拉升或下探，相对波动幅度较大，卡尔曼滤波曲线相对更平稳，以测算起点为基准，目前的仓位大概在40%分 位数附近，同时，我们发现仓位的上升与下降往往与市场的涨跌较为同步，比如2021 年8 月到2022 年5 月，随着沪深300 指数的下跌，对应主动权益基金的仓位也出现了明显的下降趋势；2022 年11 月到2023 年4 月市场呈现上涨趋势，仓位也随之上升。另外，我们发现在市场剧烈波动的时候，模型的精确性会下降的比较明显，比如2022 年的6 月到12 月。最后，尽管通过季度公布的实际仓位来看，仓位变化的波动率并不高，但是经过模型测算，季度与季度之间基金经理往往会进行大幅度的调仓，但是在季度结束的时候会进行投资风格的修正，控制仓位的波动率在一个较低水平。

    　　风险提示：本报告基于当前公开信息，存在市场风格转换风险，市场波动、投资分析意见所依据的关键预期不能成立的风险，信息时效性与完整性局限，不构成投资建议。