公募基金权益仓位高频测算与应用分析

1、一、引言近年来公募基金的资产总额逐年提升，其持有的股票份额在市场中占有的比重也持续提升。公募基金作为机构投资者，其投资行为往往受到市场参与者的广泛关注。基金仓位是指基 金持有的股票资产占基金资产的比例，而公募基金的仓位变动一定程度上成为了市场的 “风向标”，反映了基金经理对于市场走势的判断，同时投资者根据公募基金仓位变动的 情况，也能一定程度上跟踪市场主流机构资金的流向，辅助自己的投资决策。图 1：公募基金的资产总额逐年提升300000资产净值(亿)截止日份额(亿份)基金个数(右)12,00025000010,0002000008,0001500006,0001000004,000500002

2、,000002013年 2014年 2015年 2016年 2017年 2018年 2019年 2020年 2021年 2022年资料来源：wind， 截至 20220620然而，公募基金只在每个季度末对其资产配置情况进行披露，频率较低，且公布时间具有一定的滞后性，这就使得投资者与基金管理人之间存在一定的信息不对称性。所以对基金仓位进行相对高频的测算研究成为一项有意义的工作。目前常见的基金仓位测算方法主要以多元线性回归类模型为核心，即运用基金净值数据和权益类指数数据进行回归计算。在回归自变量指数的选择上，理论上可以选取单一权益类指数，也可以选取多个细分权益类指数为基准。对于单一指数，主要选取市

3、场覆盖性强、具有代表性的单个指数，而细分权益类指数通常选取一组代表不同投资风格或者特定属性的指数，例如行业类指数、规模类指数等。本篇报告也依循这一测算思路，采取不同的回归方式，对普通股票型基金和偏股混合型基金进行仓位测算，并与真实结果比对，以仓位预测的准确性为目标，建立基金仓位测算模型，力求实现基金仓位定期准确跟踪，以供投资者参考，同时也对预测得到的高频平均仓位落地使用情形进行探讨。二、基金仓位测算方法基金仓位的限制以及基金样本2004 年证监会发布的证券投资基金运作管理办法中，第 28 条指出在开放式基金持仓中，现金或到期日在一年以内的政府债券占基金资产净值的比例不得低于 5%，但中国证监会

4、规定的特殊基金品种除外；第 29 条规定，股票型基金仓位应当大于 60%。2014 年 7月 7 日修订版的公开募集证券投资基金运作管理办法中进一步规定，股票型基金的最低仓位从 60%调整为 80%，条款于 2015 年 8 月 8 日起开始执行。因此在测算基金仓位的过程中，需要根据以上规定，对基金仓位的上限或下限进行约束。对于偏股混合型基金，其仓位范围设置为 60%100%；对于普通股票型基金，因为本文选取的样本均在 2015 年之后，其仓位限制范围为 80%100%。在选择公募基金样本时，回溯窗口期为 3 年，从 2018 年中报至 2021 年年报，共计 8 个截面数据。选取主动权益类基

5、金包括 wind 开放式普通股票型以及偏股混合型，同时为了避免建仓期的影响，设置基金成立时间在 2017/12/31 之前，最终的得到样本组一共 684只，普通股票型基金 233 只，偏股混合型基金 451 只。采用5种不同的回归方法对比分析使用权益类指数日度收益率作为回归自变量，基金的日频收益率作为回归因变量，通过 5种不同的多元线性回归方式，进行基金仓位测算。OLS回归以权益类指数日收益率作为自变量、基金的日频收益率作为因变量的回归方程如下所示： = + =1(1)其中 yft 为基金 f 在 t 日的收益率，rit 为权益类指数 i 在 t 日的收益率，beta 为待拟合回归系数，u 为

6、残差项。这里的残差项和后文提及的误差项要做区别，前者是 rit 无法解释的部分，后者则是拟合值和实际值之差。那么 beta 之和即为基金持有的股票资产占基金资产比例。主成分（PCA）回归如果作为自变量的权益类指数个数较多时，可以采用主成分回归的方式。主成分回归是分析多元共线性问题的一种方法，可以对回归模型中的多重共线性进行消除，但是用主成分得到的回归关系不像用原自变量建立的回归关系那样容易解释。常见的处理方法是用主成分分析法对回归模型的自变量进行处理，通过正交变换将一组可能存在相关性的变量进行压缩，转换为一组线性不相关的变量，转换后的这组变量叫主成分，将得到的主成分变量作为自变量进行回归分析，

7、然后根据转换矩阵将原自变量代回模型，得到原自变量的拟合系数。在实际操作中，首先利用主成分分析法对权益类指数日收益率数据进行主成分提取。选取 累计方差贡献率达到 95%的主成分构成自变量组，以基金的日收益率作为因变量进行回归，可以拟合得到各主成分前面的回归系数。然后根据转换矩阵将求出原自变量的回归系数 beta，求和之后得到基金权益仓位。岭回归除此之外，本文也尝试使用 Lasso 回归和岭回归（ridge regression），两者都是在标准线性回归的基础上修改损失函数，从而进行改进。对于 2.2.1 中所使用的最小二乘法其损失函数为：() = ( () ()2(2)=1)其中，回归方程中的因

8、变量：() = (, ,+1, , ,)(3)自变量：() = (R(), R(), , R()(4)12其中R() = (, , , )(5),+1,拟合系数 beta：() = (1, 2, , )(6)损失函数达到最小时的系数即对应上面回归方程的解，如下所示：) = ()() 1 ()()(7)如果XT 的列向量之间存在多重共线性，则(X(T)T*X(T)可能是一个病态矩阵，造成回归求解困难或数值解不稳定。而岭回归在上述损失函数中加入一个 L2 惩罚项，增加惩罚项之后的损失函数如下：() = ( () ()22(8)=1)+ =1则岭回归问题的求解变成：)= ()() + 1 ()()(

9、9)式子中 lamba 为一个可调参数，称为岭参数。岭回归相较于普通的 OLS 回归，对回归中病态问题的容忍度提升很多。病态回归问题的数值解容易出现很大或很小的异常解，而岭回归的惩罚项起到了限制数值解范数的作用，减轻过拟合风险，但不足之处在于岭回归得到的拟合系数是有偏的。最后用所有自变量拟合系数 Bata 之和当作基金仓位预测值。Lasso 回归LASSO 是由 1996 年 Robert Tibshirani 首次提出，全称 Least absolute shrinkage and selection operator。Lasso 回归与岭回归从公式上看有很大的相似性，岭回归的损失函数相较于

10、普通 OLS 回归添加了一个 L2 惩罚项，而 lasso 的约束条件使用了绝对值的一阶惩罚函数代替了平方和的二阶函数。Lasso 回归的损失函数具体表达式为() = ( () ()2(10)=1)+ | |=1虽然与岭回归对比只是形式稍有不同，但是得到的结果却有很大差别。在 lasso 回归中，当很小的时候，一些系数会随着变为 0，而岭回归却很难使得某个系数恰好缩减为 0。 Lasso 回归主要的作用是使回归系数稀疏化，即寻找有用的解释变量，减少冗余，提高回归预测准确性。实际上，稀疏约束最直观的形式应是采用 L0 惩罚项，即用回归系数中非零元个数之和当作惩罚项，但 L0 范数是不连续且非凸的

11、，这是一个 NP 难题，难以求解。 L1 范数是 L0 范数的最优凸近似，所以在一定条件下用 L1 范数替代 L0 范数也可以达到稀疏约束的效果。L1 范数易于求解，所以大部分用到稀疏约束的场景都使用 L1 范数进行替换。如果是使用数目较多的行业指数作为自变量时，Lasso 回归是比较适合基金仓位预测问题的。因为各行业指数的日收益率向量间存在多重共线性，Lasso 回归可以将某些行业前面的回归系数压缩成 0，从而提取行业组作为解释变量组，而且不依赖于解释变量的预设排序或人工选择，且不会陷入局部解。与岭回归相似，Lasso 回归也具有一个可调参数lamba需要进行设置。逐步回归同样是为了解自变量

12、决共线性问题，还可以使用逐步回归，相比 lasso 回归而言，逐步回归同样具有稀疏化选取作用。逐步回归的主要过程是将自变量一个一个引入，并对已选入的自变量进行逐个检验，当原引入的变量由于后面变量的引入而变得不再显著时，则将其剔除。每引入一个变量或剔除一个变量都要进行 F 检验，以确保每次引入新的变量前回归方程只包含显著的变量，直到不再有变量被选入或剔除为止，保证最后所得回归子集是最优子集。对于变量引入的阈值，变量被保留的 P 值为 0.05，被剔除的 P 值为 0.1。所以在逐步回归过程中，能逐渐剔除掉共线性较强的自变量，保留相对独立的剩余自变量，文中实际处理过程中，视为基金只针对这些自变量进

13、行配置，从而得到对应的回归系数，将回归系数汇总便得股票仓位预测值。但是逐步回归方法会受到引入变量顺序的影响，通常按照同区间之内自变量与因变量的相关性高低依次引入检验。三、利用基金仓位预测效果对比针对行业指数进行回归本节选取行业指数作为自变量，然后使用不同的回归方法进行回归计算，最终将各个行业指数对应的回归系数进行加总，即视为基金总仓位。本节使用申万一级行业指数作为标的，共计 31 个自变量。然而随着自变量数目的增多，不同行业之间也会存在一定的相关性，共线性的问题逐步显现，对预测的精度自然会产生影响，本节对上述 5 种方法均进行测算，检验拟合效果的稳健性。图 2：申万一级行业指数自 2018 年

14、以来至 2022 年 4 月相关性表现资料来源：wind，在普通股票型基金中的测试效果对比本节对筛选后样本池中 233 只普通股票型基金，分别在 2018 年二季度末至 2021 年四季度末，共计 8 个季末横截面数据作为对比基准，选取上述 5 中不同回归方法针对样本池所有基金进行回归测算。在每个截面上分别使用上述五种回归方法针对所有 233 只样本基金计算仓位，然后计算所有样本的均值，分别与所有基金季末真实仓位平均数值进行对比（基金季报上仓位）。同时比对与真实值得误差大小来判断对应回归方式的准确程度。图 3：针对普通股票型基金回归结果对比资料来源：wind，从 8 期截面平均值的对比结果来看

15、，岭回归误差均值的偏离幅度偏大，误差平均值接近 6%，而其他四种方法偏离度则控制在 1%的范围之内，同时直接使用最小二乘回归得到的部分行业回归系数，会得出现比较多的负值，与实际含义会存在一定冲突。从绝对数值的大小来看，主成分回归与逐步回归更为占优，在误差均值的控制层面有所提升。图 4：针对普通股票型基金回归结果误差表现资料来源：wind，在偏股混合型基金中的测试效果对比对筛选后样本池中 451 只偏股混合型基金，分别在 2018 年二季度末至 2021 年四季度末，共计 8 个季末横截面数据作为对比基准，选取不同回归方法进行回归检验。在每个截面上分别使用上述五种回归方法针对所有样本基金计算仓位

16、，然后计算所有样本的均值，分别与所有基金季末真实仓位平均数值进行对比。图 5：针对偏股混合型基金回归结果对比资料来源：wind，从 8 期截面误差的平均值来看，针对偏股混合型基金主成分回归方法与 lasso 回归方法计算而来的误差均值较小，控制在 1.5%的误差范围内，主成分回归表现最优，误差均值在-0.2%，其次为逐步回归方式，对应的误差平均值为-1.81%。最小二乘法以及岭回归的方式产生的误差均值较大，对应的拟合精度相对较低。图 6：针对偏股混合型基金回归结果误差表现资料来源：wind，使用规模指数进行回归除了可以选择行业指数作为自变量之外，也可以选用其他类别的权益类指数作为自变量，例如规

17、模指数、风格类指数等，通过减少自变量的数量，也是避免共线性的方法之一，同时回溯过程中样本的窗口期也可以得到缩短。本节使用较为常用的规模指数，沪深 300 指数（000300.SH）、中证 500 指数（000905.SH）、中证 1000 指数（000852.SH）作为大中小盘代表性指数，使用三只指数在 2018 年 1 月至 2022 年 4 月日度涨跌幅数据作为自变量。当然也需要考虑所有自变量本身的相关性问题，虽然三只指数从市值维度进行了区分，但是从时间序列相关性程度来看，仍然具有较强的相关性，两两之间的相关性均在 75%以上，所以后面仍使用 5 种不同类型回归方法进行运算，检验最终效果。

18、表 1：规模指数自 2018 年以来至 2022 年 4 月指数相关性沪深 300中证 500中证 1000沪深 3001.000.850.79中证 5000.851.000.97中证 10000.790.971.00资料来源：wind，在普通股票型基金中的测试效果对比本节对 233 只普通股票型基金，分别在 2018 年二季度末至 2021 年四季度末，共计 8 个 季末横截面利用规模指数进行仓位测算。为了预测基金在第 T 个交易日收盘时的权益仓位，取 T-tT 交易日的基金收益率数据作为因变量，3 个规模指数收益率数据作为自变量，其 中 t 为回溯窗口期长度，采用 OLS 回归、岭回归（R

19、idge）、Lasso 回归、主成分回归法（PCA）以及逐步回归得到仓位预测值，对所有普通股票型基金的仓位预测值取均值，并与每个季度末的真实值进行对比（基金季报公布仓位）。同样因为普通股票型基金持股仓位下限是 80%，因此我们设置仓位预测值的范围为0.8,1，若回归法计算出的预测值超出了这一范围则将预测值取为相近的边界值。不同回归方法下对比结果如下表所示。图 7：针对普通股票型基金回归结果对比（规模指数）资料来源：wind，进一步计算得到8 期截面误差平均值，lasso 方法对应的平均误差均值最小，数值在1.81%，其次为主成分回归，8 期截面误差均值在 3.02%，逐步回归与最小二乘回归表现

20、较弱，岭回归则整体误差偏离较大。相比使用行业指数进行回归来看，使用规模指数作为自变量情况下，整体计算的得到误差均值会更偏大。使用规模指数作为自变量计算时，表现最好的 lasso 回归的误差均值在 1.81%，而使用行业指数时，表现最佳的主成分回归，计算而来的误差均值在 0.26%。图 8：针对普通股票型基金回归结果误差表现（规模指数）资料来源：wind，在偏股混合型基金中的测试效果对比同样也针对 451 只偏股混合型基金进行仓位测算，各项设置基本与上一小节相同。但是在临界值的设置上，偏股混合型基金持股仓位下限是 60%，因此设置仓位预测值的范围为 0.6,1，若回归法计算出的预测值超出了这一范

21、围则将预测值取为相近的边界值。对比结果如下表所示。图 9：针对偏股混合型基金回归结果对比（规模指数）资料来源：wind，针对偏股混合型基金，进一步计算得到 8 期截面误差平均值，同样也是lasso 方法对应的平均误差均值最小，数值在 1.82%，其次为主成分回归，8 期截面误差均值在 3.25%，逐步回归与最小二乘回归表现较弱，岭回归则整体误差偏离较大。相比使用行业指数进行回归来看，针对偏股混合型基金，使用规模指数作为自变量情况下，整体计算的得到误差均值会更偏大。使用规模指数计算时，表现最好的lasso 回归的误差均值在 1.82%，而使用行业指数作为自变量时，表现最佳的主成分回归，计算而来的

22、误差均值在-0.2%。图 10：针对偏股混合型基金回归结果误差表现（规模指数）资料来源：wind，参数敏感性测试岭回归与lasso参数lambda的确定在测算过程中，Lasso 回归和Ridge 回归过程中需要针对 lambda 参数进行设置，合理的lambda 值能够使得各回归系数的岭估计基本稳定，残差的平方和增大不太多。岭回归的 lambda 值选择方法常用的有两种，一种是岭迹法，可以见下图（以某只基金为例，选取其在 20211231 截面回溯 31 个交易日数据作为样本，纵坐标表示回归系数的变化，横坐标表示岭系数 log(lambda)值的变化），选取不同的 lambda 值代入岭回归方

23、程运算，每一条曲线表示一个参数值的变化。而岭迹法选择lambda 值的一般原则是：（1）各回归系数的岭估计基本稳定；（2）用最小二乘估计时符号不合理的回归系数，其岭估计的符号变得合理；（3）回归系数没有不合乎实际经济意义的绝对值；（4）残差平方和增大不多。总的来说，即在下图中，要使各个回归系数的岭估计都趋向于稳定，而且参数 lambda 要较小。岭迹法的缺点在于，确定的 lambda 值难以得到精确的理论数值，但是能够结合主观性的判断，定性分析与定量分析结合。图 11：岭回归岭迹图（以单只标的为例）资料来源：wind，另一种是VIF(方差膨胀因子)法，VIF 提供了对共线性程度的参考。VIF

24、取值从 1 开始，伴随多重共线性程度的升高，VIF 值将逐渐增大：介于 1 到 5 之间的VIF 表明存在较弱程度的共线性，可以无需采取纠正措施；大于 5 的VIF 处于多重共线性的临界水平，回归系数将变得不稳定，p 值需做检验；VIF 值超过 10 则存在较大的多重共线性问题，需要进行处理；如果VIF 值超过 20，表示多重共线性非常严重。实际使用过程中，当 VIF10 时，调整 lambda 直到所有的变量对应的VIF10。文中首先根据岭迹图确定 lambda 数值对应的区域，参考 VIF 数据，同时带入 lambda 数值计算，将预测的仓位值与真实值进行比对，选取两者误差最小的参数值。下

25、图中我们计算岭回归中同类型标的在不同 lambda 数值情况下，计算仓位拟合值与真实值之差的绝对值，同时八期截面取平均数。同时考虑混合型基金与普通股票型基金的误差，在 lambda 数值取到 100 时，对应平均误差最小。图 12：岭回归不同参数下混合型标的平均偏离度图 13：岭回归不同参数下普通股票型标的平均偏离度混合型基金误差混合型基金误差混合型基金误差混合型基金误差30%25%20%15%10%5%0%0.0001 0.011108011050030%25%20%15%10%5%0%0.0001 0.0111080110500资料来源：wind，资料来源：wind，而针对 lasso 回

26、归的参 lambda，下图中我们计算同类型标的在不同 lambda 数值情况下，计算仓位拟合值与真实值之差的绝对值，同时八期截面取平均数。同时考虑混合型基金与普通股票型基金的误差，在 lambda 数值取到 0.05 时，对应平均误差最小。混合型基金误差普通股票型基金误差图 14：lasso 回归混合型标的多期截面平均偏离度图 15：lasso 回归普通股票型标的多期截面平均偏离度混合型基金误差普通股票型基金误差30%25%20%15%10%5%0%0.0001 0.0020.050.5510200lambda11%10%10%9%9%8%8%7%7%6%0.0001 0.0020.050.5

27、510200lambda资料来源：wind，资料来源：wind，回归时间窗口长度(t)敏感性分析回归窗口期的长度(t)也会对预测结果产生一定影响，本节对窗口长度的参数敏感性进行检 验。选取不同的回归天数 t，针对偏股混合型基金、普通股票型基金测算，分别计算每期 截面对应的两类标的全部预测值与真实值的偏离度的平均值，其中偏度误差取绝对值处理，随后 8 期截面计算平均值，得到在不同回归天数对应下的总体偏离度均值，认为偏离度数 值越小，则预测的准确度越高，结果如图 16、17 所示。设置回归窗口期的长度(t)选取检验范围不宜过短，而季报会每季披露仓位信息，数值选取也不宜过长，最终设置在 1559 进

28、行检验。针对偏股混合型基金预测结果来看，回归窗口期的长度(t)对回归过程的影响相对偏小，综合各回归方法效果下窗口期长短与误差偏离度大小，最终选定参数为回归窗口期的长度(t)为 43。图 16：偏股混合型基金不同回归窗口期对应的预测值与真实值 8 期截面平均偏离度最小二乘回归主成分回归岭回归lasso回归逐步回归18%16%14%12%10%8%6%15 17 19 21 23 25 27 29 31 33 35 37 39 41 42 43 44 45 47 49 51 53 55 57 59资料来源：wind，针对普通股票型基金进行检验后也有类似结果，整体来看回归窗口期的长度(t)对 5 种

29、回归方法预测的影响程度没有特别显著，同时考虑窗口期的长短，以及尽量确保回归的误差偏离度较小，选取回归窗口期的长度(t)为 43。图 17：普通股票型基金不同回归窗口期对应的预测值与真实值 8 期截面平均偏离度最小二乘回归主成分回归岭回归lasso回归逐步回归10%10%9%9%8%8%7%7%6%6%5%15 17 19 21 23 25 27 29 31 33 35 37 39 41 42 43 44 45 47 49 51 53 55 57 59资料来源：wind，四、基金仓位测算运用效果近期公募基金仓位观察目前基金 2022 年一季报都已发布，离 2022 年中报发布还有一段时间，本节对

30、基金 2018年4 月以来的仓位变化情况进行了测算。使用过去43 个交易日作为窗口期进行回归计算，按周滚动回归，选取精度相对较高的主成分法、lasso 方法以及逐步回归法分别进行回归运算。得到 2018 年 4 月 2 日至 2022 年 7 月 8 日的普通股票型基金和偏股混合型基金仓位预测值均值变化曲线，如以下图所示：图 18：普通股票型基金近期仓位变化主成分回归lasso回归逐步回归96%94%92%90%88%86%84%82%20220518202203022021121420210928202107162021050620210219202012032020091620200708

31、202004222020021120191122201909052019062720190412201901242018111320180827201806152018040280%资料来源：wind，不管是普通股票型基金平均仓位还是偏股混合型基金平均仓位，从 2022 年 5 月以来直至7 月 8 日，随着市场的反弹，仓位平均值均有上升。图 19：偏股混合型基金近期仓位变化主成分回归lasso回归逐步回归95%90%85%80%75%20220518202203022021121420210928202107162021050620210219202012032020091620200708

32、202004222020021120191122201909052019062720190412201901242018111320180827201806152018040270%资料来源：wind，公募基金仓位是否可以落地为策略仓位控制的高频指标从下图可以发现，公募基金仓位变化与市场波动之间存在一定的关联度，可以从公募基金仓位的变化中，尝试对市场进行跟踪并做判断。从 2018 年 4 月直至 2019 年 1 月，随着上证综指的下跌，对应普通股票型基金仓位整体也呈现了明显的下降，从接近 94%左右的高位回落至 84%左右。随后至 2019 年 4 月随着市场的反弹，普通股票型基金整体仓位也

33、随之上升。而从 2020 年 9 月至 2021 年 7 月，市场震荡中上升，对应整体权益仓位也呈现上升的趋势，随后至 2022 年 4 月，随着市场指数的回调，基金仓位整体也呈现出回落的趋势。图 20：普通股票型基金仓位变化与上证指数走势对比0.960.940.920.90.880.860.840.820.8主成分回归lasso回归逐步回归上证综指(右)3,8003,6003,4003,2003,0002,8002,6002,4002,2002,00020220518202203022021121420210928202107162021050620210219202012032020091

34、62020070820200422202002112019112220190905201906272019041220190124201811132018082720180615201804021,800资料来源：wind，基金仓位变化与市场走势之间存在一定关联，是否可以将公募基金高频仓位跟踪落地到实际投资应用层面？所以本节主要检验，在根据公募基金仓位的变化进行组合仓位管理时，是否能给对应组合带来择时层面的超额收益。计算过程中以周度为频率，策略仅配置上证综指作为唯一持仓，仓位管理按照 PCA 方法下普通股票型基金每周计算而来的平均仓位，设置对应的策略仓位，乘以同期指数涨跌幅，计算策略收益。最终

35、发现通过预测得到的股票基金整体仓位来进行策略的仓位控制时，从 2018 年 4 月开始并没有取得超越指数的累计超额收益，通过单一手段跟随股票型基金总体仓位变化进行仓位控制并没有能实现对择时的准确把握，也没有能够贡献超额收益。但是在部分指数下跌的历史时期，例如 2018 年 4 月至 2019 年 1 月，以及 2021 年 9 月至 2022 年 4 月，策略的跌幅相对小于指数跌幅。图 21：根据仓位变化等频率进行择时策略表现上证综指仓位择时策略(PCA)1.31.21.110.90.80.7202205112022022320211207202109172021070920210426202

36、1020520201126202009092020070120200415202002042019111520190829201906202019040420190117201811062018082020180608201804010.6资料来源：wind，为了检验股票型基金仓位变化指标是否具有领先性，具体操作上分别针对提前一周、二周作为不同参数进行测算。以一周为例，同时间截面使用上一周的仓位数据带入策略进行计算，即认为基金整体仓位会提前根据指数的涨跌而进行加减仓操作。同样每周进行策略仓位调整，不考虑交易费用，与上证综指走势进行对比。提前一周与两周的策略表现较为接近，与上证综指同期走势相比仍

37、较弱，但是与指数走势之差相比等频率策略情况下，差值更小，说明基金仓位具有一定的领先性，使用提前的仓位变化数据能起到提高超额收益的作用，同时策略的同期最大回撤相比指数均较小。图 22：根据仓位提前 1 周的变化进行择时策略表现图 23：根据仓位提前 2 周的变化进行择时策略表现上证综指仓位择时策略(PCA)上证综指仓位择时策略(PCA)1.31.21.110.90.80.720220518202203022021121420210928202107162021050620210219202012032020091620200708202004222020021120191122201909052

38、01906272019041220190124201811132018082720180615201804020.61.31.21.110.90.80.72022052520220309202112212021101220210723202105132021022620201210202009232020071520200429202002182019112920190912201907042019041920190131201811202018090320180625201804110.6资料来源：wind，资料来源：wind，综合来看，尽管公募基金平均仓位可以为刻画市场的重要指标，但是单一

39、使用普通股票型基金仓位变化来进行策略择时判断，难以获得超额收益，需要结合其他维度综合衡量仓位的实际管理，当然也不能排除本文仓位拟合过程中计算误差带来的影响。同时在考虑提前量的情形下，对应策略表现相比指数有所提升，表明权益基金平均仓位变化相比市场走势具有一定的领先性。在回撤控制方面，相比指数本身回撤更低，在市场较为弱势的情形下，参考公募基金仓位变化能够起到一定程度控制回撤的作用。表 2：不同仓位测试下对应策略与指数表现对比年化收益年化波动率夏普比最大回撤年度最高收益年度最低收益等频率上证综指3.1020.210.0529.5432.58-28.67仓位择时策略(PCA)2.4418.000.02

40、26.6828.47-25.87提前 1 周上证综指2.8120.250.0429.5432.58-29.54仓位择时策略(PCA)2.2818.070.0226.9029.04-26.90提前 2 周上证综指3.6120.240.0829.4532.58-27.29仓位择时策略(PCA)3.0018.060.0627.2230.17-25.17资料来源：wind，公募基金仓位在相对极端市场情况下应用表现实际应用过程中，除了上节中可以根据公募基金仓位的高频变化作为参考之外，在对比普通股票型基金与上证综指走势的时候可以发现，在部分极端市场情况下，可以尝试将公募基金权益仓位用作高位避险或者低位加仓指标。例如在 2018 年年底，上证综指回落至区间低点时，对应普通股票型公募平均仓位也回落至区间低点；在 2021 年 2 月以及 2021年 7 月，对应上证综指均达到区间高点，对应普通股票型基金平均仓位也在达到区间高点，即触及+2*STD，而平均仓位随后出现了回落，对应的上证综指也随后