“低频&全样本”向“高频&全样本”进化。考虑到基于全样本主动偏股基金构建的超低配因子效果依赖于当下价值、成长风格孰强，“低频&全样本”方法在策略稳健性上尚存较大提升空间。后文我们首先从数据质量着手，通过两步法实现“低频&全样本”向“高频&全样本”的进化，以便更及时地反映公募基金风格行业配置动向。

    STEP1：“2次/年”到“6次/年”，引入季报信息构建模拟组合。

    在此前报告《探寻优秀的行业与风格仓位测算方法：如何更精准地实时跟踪基金的行业与风格仓位》中，我们提出了基于季报信息的模拟组合构建方案。基金定期报告包含4次季报+2次年（中）报。其中年（中）报中包含全部持仓信息，而季报只包含前十大重仓股的信息&当期持股的证监会行业分布。为了从季报中即时获取行业配置信息，我们结合季报披露重仓股与上期年（中）报的全部持仓对季报组合进行补全，补足季报中缺失的非重仓股部分，从而实现“2次/年”到“6次/年”的升频。具体方法详见附录2：基于季报信息的模拟组合构建方案。

    通过这种方式，本文将1.1节中的半年频策略升频至“6次/年”，其中Q1、Q3季报模拟持仓可以及时反映年（中）报真空期的仓位变化，Q2、Q4季报模拟持仓可以提前反映年（中）报信息。

    与1.1节中的半年频策略相比：原半年频策略多头组合、空头组合分别可以取得9.01%、-1.16%的年化收益，多空超额年化10.53%，叠加4次季度模拟持仓后策略多头组合、空头组合分别可以取得8.75%、-2.04%的年化收益，多空超额年化11.21%。叠加4次季度模拟持仓后的策略效果并无明显提升。季度模拟组合仍依赖于年（中）报，实际增量信息有限。

    STEP2：“6次/年”到“月频”，基于Lasso回归实现行业仓位日频可得。

    事实上，季度模拟组合明细不止能反映披露时点的行业配置情况，结合高频行业测算方法，我们可以实现公募基金行业仓位分布的继续升频。在构建完基金模拟组合后，我们可以在此基础上构建针对该基金的行业持仓股票组合，用持仓行业股票组合收益率替代行业指数回归法中使用的行业指数收益率提升仓位估计准确度。具体方法详见附录3：基于Lasso回归的高频行业测算方案。

    通过这种方式，我们得以将单只基金的行业仓位时序颗粒度提升至日频可得。但受应用场景限制，本文仅取月频行业测算仓位构造因子。

    在权重超低配上，主动偏股基金前六超配行业权重差距2018年之后逐渐收敛，前六超配行业超配幅度保持在2%以上。在超配行业上，公募基金第一大超配行业2015年之前为医药，2015年至2019年主要超配计算机、电子等成长板块，2020年9月至今电新行业为第一大超配。在前六低配行业中，公募基金长期大幅低配银行与非银行业，但低配幅度亦是逐年缩减。截至2022年12月，前六大低配行业为银行、非银、食品饮料、建筑、医药、家电，对金融与消费板块的配置仍处于低位。

    全市场主动偏股基金月频策略与1.1节中的半年频策略相比：叠加月频测算仓位的多头组合、空头组合在测算区间内分别取得了10.63%、-1.42%的年化收益率，整体好于原半年频策略（9.01%、-1.16%），多头超额（行业等权）年化收益率从3.93%提升至5.51%，收益波动率从0.42提升至0.53。月频行业策略在未增加波动与回撤的基础上，显著提升了策略的收益率，初步证明了月频维度下的全市场主动偏股基金行业仓位对于行业轮动有一定的增量贡献，但距离成为一个优秀的策略仍有一定差距。

    考虑到在主动偏股基金全样本池中，并非所有基金都会做行业轮动；在做行业轮动的基金中，也不是每个基金经理都能把行业轮动做对。在《基金研究系列之六：基金标签体系，资产配置与行业主题配置》中，我们对每只基金建立了多维度的标签体系。因此，我们结合“信达金工特色基金标签体系”中“中信风格板块”的三类标签，进一步优化主动偏股基金样本池，寻求更值得学习的基金样本。

    其中，“信达金工特色基金标签体系”分类规则如下：

    （1）短期标签：当期某一行业板块配置比例≥60%，则为“短期XX板块基金”；否则为“短期板块均衡基金”。

    （2）长期标签：过去三年（N=6期年报或半年报），某一行业板块配置比例平均值≥60%，且当期行业配置比例≥40%，则为“长期XX板块基金”；否则为“长期均衡基金”。对于观察期未满三年的基金，以建仓结束日起的各行业配置比例平均值做替代。

    （3）稳定性总结：如果观察期内所有短期标签均为“短期XX板块基金”，即该基金的稳定性总结为“稳定XX板块基金”；如果观察期内所有短期标签均为“均衡基金”，即该基金的稳定性总结为“稳定均衡基金”。如果不满足“稳定XX板块基金”或“稳定均衡基金”，则进一步筛选出观察期内存在一行业板块的配置比例极差(range)＞20%的基金，则该类基金的稳定性总结为“行业板块轮动基金”。其余基金的稳定性总结为空值。

    本文取同时满足长期均衡与行业板块轮动的基金，前者使样本池中基金行业配置较为分散，后者筛选出具备轮动能力的基金。同时，因为基金经理更换会对基金整体投资风格产生较大影响，为了兼顾基金与基金经理一致性，所以我们在单基金的层面将“基金代码”与“基金经理”联立作为唯一性索引进行考察，构建行业轮动基金月频行业配置策略。具体方法如下：

    （1）在3/4/8/10月末（基金定期报告披露月末），根据“信达金工特色基金标签体系”，筛选出长期标签为“均衡基金”，稳定性总结为“行业板块轮动”的主动偏股“基金_基金经理”为样本池。

    （2）取样本池中基金月频行业仓位，计算每月行业仓位均值，与沪深300行业权重做比较。

    （3）买入超配最多的6个行业，卖出低配最多的6个行业。

    行业轮动基金整体行业配置表现如何？根据以上统计结果，市场上长期行业均衡型的行业轮动基金从2013年末的61只逐步发展至2022年三季度的513只。行业轮动基金在行业配置的收益与风险控制上均优于全市场主动偏股基金月频持仓策略，多头超额（行业等权）年化收益从5.51%提升至7.5%，年化波动无显著变化，最大回撤从20.73%控制到16.03%，收益波动率达到0.7，可见单纯跟随全市场行业轮动基金的超低配也能取得较好的效果。

    在全样本行业轮动基金中，排名前列的选手，其行业配置表现如何？结合之前的季度模拟组合构建方式，在一年中，我们在每季度末计算每只基金的行业配置收益，根据最新的报告披露情况，挑选其中绩优的行业轮动基金。行业配置收益具体计算方法详见附录4：传统Brinson绩效归因模型及其改进。

    结合基金标签、绩效评价与高频仓位测算结果，本文实现了绩优行业轮动基金因子构建，具体方法如下：

    （1）每个季度末（3/6/9/12月），筛选同时满足长期行业均衡标签与行业轮动标签的“基金代码+基金经理”。 

    （2）回看过去四个季度，使用底数为e的指数函数作为权重，对样本池A中的每只基金的行业配置收益计算加权平均，取排名前10%的基金作为绩优行业轮动基金，若前10%样本量少于20只基金，则取前20为样本池。

    （3）为避免同一基金公司中的绩优基金行业配置策略类似，导致在样本池中占比较大，因此进行相关性筛选，在每个截面计算基金之间行业权重相关性，剔除相关性大于0.75的基金。

    （4）取绩优行业轮动基金月频行业仓位，在每个时间截面计算绩优行业轮动基金的行业仓位均值，与沪深300行业权重比较，计算超低配。

    （5）买入超配前6的行业作为多头组合，卖出低配前6的行业作为空头组合。

    结果显示：基于绩优行业轮动基金的因子表现相比朴素半年频策略提升明显，多头组合年化收益率从9.01%提升至14.90%，绩优行业轮动基金多头超额（相对行业等权）、多空超额的年化收益率分别为9.41%与15.3%，收益波动比分别为0.96与0.86。多头组合与空头组合双边年化换手分别为7.07倍与5.43倍，在长期维度上收益较高，换手率适中。

    分年比较基于绩优行业轮动基金因子的多头组合相对行业等权基准的超额收益：策略仅在2016年与2018年略微跑输行业等权基准，其余年度均取得正向超额收益，时序稳健性较高，且随着绩优基金样本量的逐年增加，从2019年开始，多头超额分年度的收益波动比稳定在0.8左右，收益回撤比稳定在1.1左右；多空超额分年度的收益波动比稳定在1.2上下，收益回撤比在2附近，稳健性逐步提升。

    每个因子有其适用的市场环境，公募基金行业持仓因子也不例外。那么在不同的市场行情下，该因子的表现怎样？接下来我们以沪深300为基准，以基准日度收益率正负划分市场上行与市场下行，以“主动偏股基金”、“行业轮动基金”、“绩优行业轮动基金”的月频行业持仓为样本池，定量测算多头组合相对沪深300的超额收益在不同市场行情下的表现。

    统计结果显示公募基金行业持仓因子在市场上行日体现出较强的Alpha。从2015年1月5日至2023年1月31日的1963个交易日里，沪深300涨1038个交易日，跌925个交易日。在市场上行的1038个交易日里，三个样本下的公募基金持仓因子均取得了20%以上的上行年化收益，上行t值在2以上，统计性显著。在市场下行区间里，主动偏股基金与行业轮动基金下行年化收益分别为-9.76%与-6.05%，下行t值分别为-0.89与-0.46，说明当市场整体产生回撤时，该因子跌幅大于市场整体，稳健性一般。不过绩优行业轮动基金因子，在市场下行区间年化收益为0.71%，年化波动17.69%，稳健性优于主动偏股基金与行业轮动基金。

    因此，若投资者看好2023年A股行情，期待A股由熊转牛，在行业配置方面，可以参考公募基金行业超低配因子，该因子在牛市行情下的超额收益值得期待。

    本章从基金仓位升频和基金样本优选两个角度实现了基金因子中观应用的初步探索，得出了如下结论：

（1）朴素策略初尝试：在2015/1/1-2023/1/31内，基于半年频、全样本基金的相对配置情况构建的因子初步具备一定多空区别力，多头组合、空头组合分别可以取得9.01%、-1.16%的年化收益，多空超额年化10.53%。但该种朴素方法下策略的时序稳定性较弱，强烈依赖于当前市场风格价值、成长孰强。

（2）基金仓位升频：结合模拟组合和高频仓位回归测算，本文得以将半年频因子升频至月频。叠加月频测算仓位的多头组合、空头组合在测算区间内分别取得了10.63%、-1.42%的年化收益率，整体好于原半年频策略，多头超额（行业等权）年化收益率从3.93%提升至5.51%，收益波动率从0.42提升至0.53。月频行业策略在未增加波动与回撤的基础上，显著提升了策略的收益率。 

（3）基金样本优选：绩优行业轮动基金样本加持下，行业相对配置因子的表现相比朴素半年频策略提升明显，多头组合年化收益率从9.01%提升至14.90%，绩优行业轮动基金多头超额（相对行业等权）、多空超额的年化收益率分别为9.41%与15.3%，收益波动比分别为0.96与0.86。多头组合与空头组合双边年化换手分别为7.07倍与5.43倍，在长期维度上收益较高，换手率适中。

（4）抽丝剥茧，提升明显：从最朴素的半年频全样本基金，到模拟组合与Lasso回归加持的月频全样本基金，再到辅以基金标签的行业轮动基金，最后结合Brinson归因遴选绩优行业轮动基金，每步之间提升显著。

多头超额年化收益：

3.93%→5.51%→7.48%→9.41%

多头超额收益波动比：

0.42→0.53→0.70→0.96

（5）因子上行Alpha出色：从2015年1月5日至2023年1月31日，在市场上行的1038个交易日里，公募基金持仓因子均取得了20%以上的上行年化超额收益，上行t值在2以上，统计性显著。在市场下行区间里绩优行业轮动基金因子，年化收益为0.71%，年化波动17.69%，稳健性优于主动偏股基金与行业轮动基金。若投资者看好2023年A股行情，期待A股由熊转牛，在行业配置方面，可以参考公募基金行业超低配因子，该因子在牛市行情下的超额收益值得期待。

    统计各因子多头超额（行业等权）日度收益率的相关性，可以发现绩优行业轮动基金各因子之间相关性适中，说明不同的因子构造方式能从不同的维度对绩优基金持仓进行刻画。

    兼顾因子相关性、直观性与构造逻辑，本文等权合成基金超配均值因子（减法）、基金超配均值因子（除法）形成绩优行业轮动基金复合因子。测算区间内，基于绩优行业轮动基金复合因子的多头组合、空头组合年化收益率分别为14.12%、0.67%，相对沪深300、行业等权的年化超额收益率分别为9.8%、8.62%，复合策略展现了较强的时序稳健性。

本文尝试复盘近期两段回撤区间绩优行业轮动基金的配置思路，反思回撤产生原因。

    （1）回撤区间1：2021年9月至2022年1月。该区间内，绩优行业轮动基金主要超配有色金属、煤炭、钢铁、石油石化、基础化工、电力设备及新能源、国防军工等行业。2021年初，以煤炭为代表的周期行业在供需双重刺激下走势强劲。受8-9月供应短缺影响，煤炭价格上升带领煤炭板块股价同步上行；10月上旬，煤炭价格过快上涨倒逼政府采取限价手段，逐步降低价格上限，同期煤炭产能开始释放，导致煤炭行业10月与11月分别取得-14.12%与-6.35%的超额收益。而前期超额收益持续下跌的农林牧渔、传媒、食品饮料等行业则在此区间内表现较好。

    （2）回撤区间2：2022年10月至2022年12月。在这三个月内，绩优行业轮动基金主要超配有色金属、煤炭、国防军工、机械、交通运输、计算机等行业。然而11-12月国家全面优化新冠疫情管控，商贸零售、消费者服务等公募基金低配行业突然开启上涨行情，煤炭、国防军工等前期较为强势行业急剧下跌。

    通过上述复盘，不难看出，绩优行业轮动基金因子强于中长期行业性价比判断，但对于政策面引起的短期市场变化（如限电、限煤价、防疫政策优化等）较难把握。深层原因可能在于：（1）公募管理规模较大，在市场风格突变时，较难及时将超配与低配行业进行对调。（2）模型依赖于回归测算得到的高频仓位，实际上是将过去一段时间的仓位均值作为当前仓位的最佳估计，对短期急涨急跌的特殊行情反应不敏感。

    除了绩优行业轮动基金经理外，探索单行业绩优基金经理的行为模式亦能为行业轮动组合贡献信息增量。市场上许多基金经理出身于产业或行业研究，相比于全行业轮动，他们或许更擅长在能力圈范围内对有限的几个行业给出精确的判断。

    本节试图利用Brinson行业配置归因的单行业分项，筛选出在单个行业上择时能力的优越基金经理，从单行业择时维度入手拼凑出全行业轮动模型的版图，具体做法如下：

    （1）每个季度末（3/6/9/12月），筛选同时满足长期行业均衡标签与行业轮动标签的“基金代码+基金经理”。 

    （2）回看过去四个季度，使用底数为e的指数函数作为权重，对样本池A中的每只基金的行业配置收益计算加权平均，取排名前10%的基金作为绩优行业轮动基金，若前10%样本量少于20只基金，则取前20为样本池。

    （3）取i绩优行业轮动基金月频行业仓位，在每个时间截面计算绩优行业轮动基金的行业仓位均值，与沪深300行业权重比较，同上文，分减法与除法两种方式，计算绩优基金在i行业上的超低配。

    （4）汇总每个行业绩优基金在其对应行业上的超低配权重，买入超配最多的前6的行业作为多头组合，卖出低配最多的前6的行业作为空头组合。

    结果显示：测算区间内，单行业绩优基金因子（减法）多头超额、多空超额的年化收益分别为7.22%与12.16%，收益波动比分别为0.76与0.7。单行业绩优基金因子（除法）多头超额、多空超额的年化收益分别为7.39%与10.9%，收益波动比分别为0.82与0.64。

    分行业来看，基于单行业绩优基金的行业轮动方案更擅长于判断周期板块的性价比，在交通运输、钢铁、煤炭、石油石化等周期子行业的择时上超额更显著。可能的原因在于：长期来看，周期行业相对大盘并无太多Alpha，且其投资逻辑主要在于判断经济周期、价格周期走势，加上市场上较为资深的基金经理多是研究周期行业出身，因此该模型对于周期行业择时效果较好，而食品饮料、家电、电新、电子等超额收益较强的行业择时效果较差。

    我们统计了行业择时的超额收益与行业指数年化收益绝对值的RankIC，其达到-0.64，说明越有长期正（负）向Alpha的行业，越难进行择时。对于食品饮料、电新等历史上Alpha显著的行业，性价比较高的择时策略便是在Buy and hold的基础上识别短期回撤风险并进行规避，而非在月频的维度反复进行多空择时。

    从因子多样性出发，本章构建了基金超配均值因子（减法）、基金超配均值因子（除法）、基金超配数量因子、多空基金相对超配均值因子（减法）、多空基金相对超配均值因子（除法），拓宽了绩优行业轮动基金因子的构建方法，其中基金超配均值因子（除法）、多空基金相对超配均值因子（减法）效果较好。基于绩优行业轮动基金复合因子的多头组合、空头组合年化收益率分别为14.12%、0.67%，相对沪深300、行业等权的年化超额收益率分别为9.8%、8.62%，复合策略展现了较强的时序稳健性。

    除了绩优行业轮动基金经理外，探索单行业绩优基金经理的行为模式亦能为行业轮动组合贡献信息增量。测算区间内，单行业绩优基金因子（减法）多头超额、多空超额的年化收益分别为7.22%与12.16%，收益波动比分别为0.76与0.7。单行业绩优基金因子（除法）多头超额、多空超额的年化收益分别为7.39%与10.9%，收益波动比分别为0.82与0.64，相较于月频行业轮动基金表现有一定提升。分板块来看，基于单行业绩优基金的行业轮动方案更擅长于判断周期板块的性价比，在交通运输、钢铁、煤炭、石油石化等周期子行业上超额更显著。

    本节遵循前文的测算框架，分别测试了半年频报告期、半年频披露期、季度+半年度、月频四种仓位来源下，行业仓位环比变动的多头超额和多空超额表现。即：分别测算在数据可得时点，等权买入加仓最多的6个行业作为多头组合，卖出减仓最多的6个行业作为空头组合。

    结果显示：月频因子效果最优，以高换手为代价取得了年化4.15%、2.28%的多头超额和多空超额。月频因子多头组合双边年化换手达17.83倍，空头组合双边年化换手达18倍。但与绩优行业轮动系列因子、单行业绩优基金因子相比多空区别力差强人意。

    在行业仓位的环比变动中，既包含持仓个股自然涨跌差异带来的影响，也有基金经理主动调仓的因素。本节试图刻画基金经理的主动调仓动作，即通过剥离行业Beta的涨跌幅，进一步提纯基金行业主动增减仓信息：

    其中，为基金中行业i在本期的持仓权重，为行业i在上期的持仓权重，为行业i对应的区间涨跌幅。回测方式同上节。

    在剥离行业Beta带来的权重变化之后，加入季度模拟组合的数据集以及经过Lasso回归的数据集，相较被动调仓策略，有较为显著的提升，多头超额（行业等权）收益波动比达到0.72。

    同理，本文参照行业配置收益Brinson归因的做法，计算行业主动调仓收益的“变体Brinson”：

    其中，为基金经理对行业i在t-1期到t期之间的主动调仓，为行业i在t期到t+1期的收益率，为沪深300在t期到t+1期的收益率，该归因数据在t+1期可得。

    参照上一章节的做法，每月取主动调仓收益排名前10%的基金为样本池，计算样本池中基金的主动调仓权重，买入主动增配最多的前6行业，卖出主动减配最多的前6行业。

    通过测算可以发现，该方式在绩优基金上并不稳定，且空头收益高于多头收益，多空择时能力较差。

    反思模型失效的原因，大概有以下几点：

    （1）主动调仓模型对基金经理提出了更高的要求。若基金经理看好某一行业，在超低配模型中，他只需要超配该行业即可，但是在主动调仓模型中，对基金经理的要求是左侧配置，即在行业上涨前主动增仓，在行业下跌前主动减仓。

    （2）权重变化信息较难提纯。主动调仓模型虽然剔除了行业Beta涨跌带来的权重变化，但是权重变化中仍有一部分是行业个股Alpha引起的涨跌，个股部分在我们的高频持仓框架下较难模拟，因此很难被剔除。

    （3）基金经理调仓行为底层原因较难定性。主动调仓权重变化既可能是对于未来一期的预期调仓，也可能是当期涨跌的跟随调仓，亦可能是卖出止盈的主动减仓，另外可能是下跌补仓的主动加仓，还有可能是定期再平衡策略，从客观数据进行分析较难定夺。

    （4）高频行业仓位测算模型内生性问题。因为我们使用基于Lasso回归的高频仓位测算，回归结果为模拟值，所以在单基金的模拟上对于判断行业仓位的边际变化的准确性大概率低于判断行业仓位超低配的准确性。