>> 西南證券-基金研究系列：固收+基金倉(cāng)位高頻探測(cè)方法及實(shí)證對(duì)比分析-230319
| 上傳日期： |
2023/3/21 |
大?。?/td>
| 4542KB |
| 格式： |
pdf 共30頁(yè) |
來(lái)源： |
西南證券 |
| 評(píng)級(jí)： |
-- |
作者： |
鄭琳琳 |
| 下載權(quán)限： |
無(wú)限制-登錄即可下載 |
|
|
研究導(dǎo)讀
本文基于傳統(tǒng)意義上的指數(shù)凈值回歸法，以基金日收益率為因變量，各個(gè)資產(chǎn)的寬基指數(shù)為自變量，擬合線性回歸模型，得到的回歸系數(shù)即為各個(gè)資產(chǎn)的倉(cāng)位。我們?cè)谥鹑蘸Y選4個(gè)最優(yōu)指數(shù)的情況下，分別使用普通線性回歸、嶺回歸、Lasso回歸和二次規(guī)劃法對(duì)四種類型以固收+基金為代表的多元資產(chǎn)型基金產(chǎn)品進(jìn)行倉(cāng)位的探測(cè)，采用均方根誤差衡量探測(cè)誤差，使用倉(cāng)位標(biāo)準(zhǔn)差衡量探測(cè)倉(cāng)位的波動(dòng)水平。通過(guò)最后探測(cè)的誤差和倉(cāng)位波動(dòng)水平綜合衡量那種模型探測(cè)效果較好，并將其用在未來(lái)對(duì)基金倉(cāng)位的探測(cè)工作中。
優(yōu)化解決傳統(tǒng)線性回歸模型的缺陷：多重共線性
人工篩選各資產(chǎn)指數(shù)：經(jīng)統(tǒng)計(jì)樣本基金的股票持倉(cāng)在中證800成份股中的規(guī)模占比平均約為90%，因此中證800作為首選指數(shù)納入考慮范圍，其次，我們還加入了滬深300、中證500、中證1000用以補(bǔ)全股票指數(shù)。對(duì)于普通債券指數(shù)，考慮到市場(chǎng)中債券產(chǎn)品眾多，如果用全部債券指數(shù)作為自變量進(jìn)行回歸，可能出現(xiàn)誤差上升的情況，因此我們選擇不同券種+不同期限的債券指數(shù)代表。選擇中證可轉(zhuǎn)債作為可轉(zhuǎn)債指數(shù)
多重共線性：當(dāng)前市場(chǎng)有將上述線性回歸方法應(yīng)用于基金倉(cāng)位的初步測(cè)算，但是其缺陷在于，自變量間的共線性較強(qiáng)，使得回歸問(wèn)題較為病態(tài)，難以得到可靠結(jié)果。我們計(jì)算2019年10月8日至2022年12月31日各個(gè)備選指數(shù)的相關(guān)系數(shù)矩陣，得到的相關(guān)系數(shù)矩陣如下圖，可見(jiàn)股票指數(shù)與轉(zhuǎn)債指數(shù)相關(guān)性較高，利率債指數(shù)和信用債指數(shù)相關(guān)性較高。
逐日篩選最優(yōu)指數(shù)：在高頻探測(cè)的每一個(gè)交易日，我們首先采用了主成分分析篩選主成分指數(shù)A，如果A是股票指數(shù)、利率債指數(shù)和信用債指之一，加上可轉(zhuǎn)債指數(shù)，就已經(jīng)備選了兩個(gè)指數(shù)。在此基礎(chǔ)上，剩余的兩個(gè)指數(shù)集則分別與A進(jìn)行相關(guān)性分析，選擇與A相關(guān)性最小的兩個(gè)指數(shù)；但如果A是可轉(zhuǎn)債指數(shù)，則分別選擇股票指數(shù)集、信用債指數(shù)集和可轉(zhuǎn)債指數(shù)集中與A相關(guān)性最小的指數(shù)作為剩下3個(gè)備選指數(shù)。
模型構(gòu)建和細(xì)則處理
數(shù)據(jù)準(zhǔn)備：截至2022年12月31日（即2022年四季度），我們按照前期報(bào)告的篩選方式，首先篩選成立時(shí)長(zhǎng)超過(guò)12個(gè)季度的基金（即成立時(shí)間早于2019/12/31日，并且在2019年末發(fā)布過(guò)第一個(gè)持倉(cāng)報(bào)告的基金），然后根據(jù)過(guò)去12個(gè)季度的倉(cāng)位數(shù)據(jù)得到2022年四季度為穩(wěn)健型、平衡型和激進(jìn)型三種標(biāo)簽的固收+基金634只基金，并將其按照wind分類分為混合債券型一級(jí)基金、混合債券型二級(jí)基金、靈活配置型基金、偏債混合型基金4種類型。
六種模型：我們?cè)诤Y選最優(yōu)指數(shù)的基礎(chǔ)上，基于傳統(tǒng)多元線性回歸回歸模型，構(gòu)建了如下模型：帶約束的普通線性回歸、嶺回歸、Lasso回歸、將倉(cāng)位限制在前后期的二次規(guī)劃法、將倉(cāng)位限制在歷史最小最大值的二次規(guī)劃法和結(jié)合上期持倉(cāng)的二次規(guī)劃法。
基金凈值滾動(dòng)求和：由于債券指數(shù)收盤價(jià)的波動(dòng)每天也不大，債券的票息收入使得債券收益率實(shí)際上并不是連續(xù)的，這些反映在基金層面則是凈值的鋸齒狀形態(tài)。綜合以上問(wèn)題，直接選取凈值漲跌幅可能會(huì)導(dǎo)致回歸結(jié)果不理想、數(shù)據(jù)擬合較差的情況，因此我們對(duì)這些數(shù)據(jù)的漲跌幅都做了滾動(dòng)窗口加總（即過(guò)去n日加總）。在考慮滾動(dòng)窗口時(shí)，我們觀察了數(shù)據(jù)的穩(wěn)定性，并最終選擇8日。
回歸窗口和加權(quán)方式：但實(shí)操中投資者通常會(huì)做一些久期的選擇乃至波段交易。因此我們需要一個(gè)比較長(zhǎng)的時(shí)間窗口（我們選用的55個(gè)交易日，為斐波那契數(shù)列中的一個(gè)值）。這就與真實(shí)情況相比存在比較明顯的時(shí)滯，于是我們應(yīng)該對(duì)近期樣本賦予更高權(quán)重，對(duì)遠(yuǎn)期樣本賦予更低權(quán)重，按時(shí)間衰減加權(quán)（前面我們已經(jīng)討論過(guò)），進(jìn)而采用基于加權(quán)最小二乘（WLS）的線性回歸模型。理論上來(lái)看，WLS回歸會(huì)比OLS回歸更加合理。
模型結(jié)果
通過(guò)比較9種模型的探測(cè)結(jié)果，最終發(fā)現(xiàn)窗口加權(quán)回歸下將倉(cāng)位限制在歷史前后期內(nèi)的二次規(guī)劃法預(yù)測(cè)效果最好，其實(shí)現(xiàn)樣本固收+基金在12個(gè)季度的預(yù)測(cè)精度RMSE均值4.18%，倉(cāng)位波動(dòng)（標(biāo)準(zhǔn)差）均值8.74%。由于其采用了未來(lái)數(shù)據(jù)而不具備預(yù)測(cè)性。因此我們選擇效果次之的窗口加權(quán)回歸下結(jié)合上期持倉(cāng)的二次規(guī)劃法，其實(shí)現(xiàn)樣本固收+基金在12個(gè)季度的預(yù)測(cè)精度RMSE均值7.31%，倉(cāng)位波動(dòng)（標(biāo)準(zhǔn)差）均值9.18%。而其余的模型Lasso回歸、嶺回歸和普通線性預(yù)測(cè)表現(xiàn)相近，誤差均較大。
風(fēng)險(xiǎn)提示：本報(bào)告結(jié)論完全基于公開(kāi)的歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)、測(cè)算，文中部分?jǐn)?shù)據(jù)有一定滯后性，同時(shí)存在第三方數(shù)據(jù)提供不準(zhǔn)確風(fēng)險(xiǎn)；對(duì)基金產(chǎn)品和基金管理人的研究分析結(jié)論并不預(yù)示其未來(lái)表現(xiàn)，也不能保證未來(lái)的可持續(xù)性，亦不構(gòu)成投資收益的保證或投資建議；產(chǎn)品的表現(xiàn)受宏觀環(huán)境、行業(yè)基本面超預(yù)期變動(dòng)、市場(chǎng)波動(dòng)、風(fēng)格轉(zhuǎn)換等多重因素影響，存在一定波動(dòng)風(fēng)險(xiǎn)，投資者需充分認(rèn)知自身風(fēng)險(xiǎn)偏好以及風(fēng)險(xiǎn)承受能力，基金有風(fēng)險(xiǎn)，投資需謹(jǐn)慎。
|
|
