中信建投-基金研究第十三期：基于机器学习的基金行业仓位测算模型-221024

《中信建投-基金研究第十三期：基于机器学习的基金行业仓位测算模型-221024（33页）.pdf》由会员分享，可在线阅读，更多相关《中信建投-基金研究第十三期：基于机器学习的基金行业仓位测算模型-221024（33页）.pdf（33页精品完整版）》请在悟空智库报告文库上搜索。

　　研究背景
　　权益基金的行业仓位对FOF投资和行业配置有着重要参考意义，一方面当把大类资产配置和行业配置策略映射到基金标的的时候，如果对基金的行业暴露没有清晰认知，那实际组合效果往往打折扣；另一方面如果可以获取主动权益基金实时的行业仓位变化数据，假设主动权益基金的投资行为对股票定价具有较大影响，那么其整体行业配置权重的边际变化也将会对我们构建行业轮动策略形成重要的参考。实际中公募基金只有半年报和年报才会公布完整股票持仓，数据频率较低，而且具有很强的时滞，因此我们认为有必要构建基金行业仓位实时估计的量化模型。
　　测算原理
　　我们采取三种方法进行行业仓位估计，分别是：1）卡尔曼滤波(Kalman Filter)算法，假定k时刻基金的状态由k-1时刻递推而来，以基金收益率为观测值，并设定状态转移矩阵和初始状态协方差矩阵为单位矩阵，量测矩阵（动态更新）为每一期行业指数收益率，通过预测与更新两阶段对样本内的数据遍历，以最后一期的状态估计作为行业仓位估计值，同时对行业仓位为负的值取0，并将全部行业仓位估计值单位化使得和为1。2）Lasso回归，在传统线性回归模型的损失函数后面加入L1正则化惩罚项，使得它压缩一些系数，减少复杂模型过拟合问题，可以较好地解决行业指数收益率之间存在的较高相关性问题，回归解释变量为行业指数收益率，被解释变量为基金收益率。3）岭回归（RidgeRegression），在传统线性回归模型的损失函数后面加入L2正则化惩罚项，其他类似Lasso回归。
　　模型评价
　　对比卡尔曼滤波、Lasso回归、Ridge回归结果的MSE均值，卡尔曼滤波的MSE均值最小为0.341%，其次是Lasso回归为0.3626%，Ridge回归最高为0.4062%，也就是说从估计精确度来看，卡尔曼滤波估计最为精确，考量到估计值有时候有系统性偏差，我们基于最近两期历史估计值与真实值的差距对最新估计值进行修偏，修正后的模型依旧是卡尔曼滤波MSE均值最小，为0.2167%，因此修正版本的模型估计精度提高。
　　风险提示：模型失效风险，回测业绩不代表未来。