20181224-华泰证券-华泰基金仓位分析专题报告_再探回归法测算基金持股仓位_21页_882kb

基金仓位测算方法研究总结

核心内容概述

本研究旨在通过多种回归模型对基金持股仓位进行测算，以提高预测准确性。研究主要涉及以下内容：

• 回归模型的选取与优化
• 自变量（宽基指数与行业指数）的选择对预测效果的影响
• 样本加权方式（等权与衰减加权）的比较
• 回归时间窗口长度的敏感性分析
• 上期持仓信息在模型中的应用

主要观点与结论

回归模型比较

本研究测试了四种回归模型：含回归系数约束的二次规划法、结合上期持仓的二次规划法、Lasso回归和逐步回归。

• 含回归系数约束的二次规划法预测误差相对较大，可能由于其对回归系数的约束限制了模型的灵活性。
• Lasso回归和逐步回归的预测效果接近，但Lasso稍优，这与其稀疏性特征有关。
• 结合上期持仓的二次规划法表现最佳，因其引入了准确的历史仓位信息作为“锚”，使得预测值更贴近真实值。

自变量选择：行业指数优于宽基指数

• 行业指数在结合上期持仓的二次规划法中表现优于宽基指数，主要因为宽基指数成分股存在交集，导致基金在各宽基指数的持仓之和不等于真实仓位。
• 对于其他三种模型，行业指数的表现也优于宽基指数，因此推荐使用行业指数作为自变量。

样本加权方式

• WLS（加权最小二乘）优于OLS（普通最小二乘），因为WLS对近期样本赋予更高权重，更符合实际持仓变化趋势。
• WLS对回归时间窗口长度不敏感，因此推荐使用WLS。

回归时间窗口长度

• 回归时间窗口越长，预测误差越小，但可能增加模型滞后性。
• 实践中，滞后性影响有限，可通过时间衰减加权规避。
• 建议使用尽可能长的回归时间窗口。

上期持仓信息的使用

• 结合上期持仓的二次规划法通过引入历史仓位信息，提升了预测准确性。
• 上期持仓信息来源需根据基金报告周期进行合理选择，如年报、半年报、季报等，以减少信息滞后。

正则化系数选择

• Lasso回归的正则化系数$\lambda$对预测结果影响较大，推荐使用交叉验证方法选择最优$\lambda$。
• 本研究通过K折交叉验证，发现合理$\lambda$取值对预测误差有显著改善。

关键信息

• 研究样本：共179只普通股票型基金和480只偏股混合型基金，时间跨度为2017年二季度末至2018年三季度末。
• 测算方法：基于基金日收益率与指数日收益率的线性回归模型，结合WLS加权方式。
• 预测误差指标：使用均方根误差（RMSE）评估各模型预测效果。
• 限制条件：普通股票型基金仓位下限为80%，偏股混合型基金为60%，超出范围的预测值将被修正为边界值。

模型构建细节

风险提示

• 本研究方法基于基金日收益率和指数数据，未使用基金报告中公布的持仓信息，存在一定局限性。
• 该方法适用于普通股票型基金和偏股混合型基金，对其他类型基金可能不适用。

建议

• 推荐使用结合上期持仓的二次规划法，其预测误差最低。
• 建议采用行业指数作为自变量。
• 使用WLS样本加权方式，且回归时间窗口越长越好。
• 对于Lasso回归，应通过交叉验证选择最优$\lambda$值。

图表概览

• 图表1和图表2：展示了宽基指数和行业指数之间的相关系数矩阵。
• 图表3和图表4：分别说明了含回归系数约束的二次规划法和结合上期持仓的二次规划法涉及的变量及其含义。
• 图表5：展示了各预测季末截面日使用的上期持仓信息来源。
• 图表6：总结了影响基金仓位测算效果的主要因素及其取值。
• 图表7至图表10：比较了不同模型和自变量对预测误差的影响。
• 图表11：展示了不同模型和自变量在不同时间窗口下的预测误差。

总结

本研究通过对比多种回归模型、自变量选择、样本加权方式和时间窗口长度等技术细节，为基金仓位的测算提供了更为精确的方法。结合上期持仓的二次规划法在使用行业指数和WLS加权时表现最优，建议在实际应用中优先考虑该方法。