透视固收%2b系列专题(二)：基于多目标导向吉洪诺夫回归，固收%2b基金多资产仓位测算

分析师：申雅文 执业编号：S1130525070007分析师：田露露 执业编号：S1130521110001透视固收+系列专题（二）基于多目标导向吉洪诺夫回归，固收+基金多资产仓位测算2025/10/12证券研究报告内容摘要内容摘要固收+基金仓位测算研究背景与模型介绍➢ 低利率市场环境下传统固收资产收益率持续下行，固收+基金以“固收打底、权益增强”的多资产配置模式，成为承接资金流向、实现稳健增值的重要工具。资产仓位的高频监测，能够及时观测组合变化、助力投后跟踪及了解资金流向，识别风险暴露与增强机会。另一方面，高频仓位数据可帮助投资者评估基金是否契合当前市场节奏，避免仓位漂移或风格失效。➢ 本专题创新性提出带有多目标导向的吉洪诺夫回归模型，在解决传统共线性问题基础上，首次对多元资产组合仓位的高频测算提出针对性的解决方案。重新定义吉洪诺夫正则化框架下的损失函数与增广矩阵结构。损失函数由三部分构成：拟合优度项、组结构稳定性项和仓位上限软约束项。将仓位的动态先验、合规规范嵌入优化框架，通过搜索算法遍历寻找每一项最优惩罚系数，使解同时具备数值最优性与实际合规性。➢ 测算仓位与季报真实仓位绝对误差来看，固收+基金池2017年至2025二季度末，纯债端误差中位数为4.48%，股票端误差中位数为2.40% ，转债端误差中位数为3.80% ；仓位调整方向胜率平均值为63.63%。对市场头部产品（规模大于50亿）测算仓位与真实仓位绝对误差，纯债端误差中位数为2.18%，股票端误差中位数为2.94% ，转债端误差中位数为2.70%，模型能够精准且有效的捕捉头部产品调仓方向和幅度。固收+基金仓位测算模型应用➢ 应用1：高频追踪资金流向：固收+基金投后跟踪及资金流向刻画8月末仓位测算结果显示，固收+基金的股票仓位中枢与行业集中度持续提升，资金情绪积极，在科技、军工、资源等头部板块形成共识，显示出成长与周期并重的布局思路。其中，业绩领先的基金更倾向于采取积极的权益策略，其超额收益主要来源于显著高配科技、制造等成长行业，同时低配能源与周期板块。➢ 应用2：显著调仓行为识别：胜率近八成，有效捕捉主动决策该模型对基金仓位的测算虽包含价格波动影响，但在识别幅度大于8%的显著调仓时准确率高达79%，能有效捕捉基金经理的主动仓位管理行为。为基金评价与投资实践提供了关键价值：既能辅助筛选具备持续择时能力的产品，也能在市场风格转换时及时捕捉机构资金的配置信号。风险提示➢ 模型失效风险、政策与经济形势不确定性、基金经理风格变动风险。➢ 基金相关信息及数据仅作为基金研究使用，不作为募集材料或者宣传材料。➢ 本文涉及所有基金历史业绩均不代表未来表现。2数据来源：Wind、国金证券研究所01固收+基金仓位测算研究背景及模型介绍3背景介绍背景介绍&市场主流模型方法回顾市场主流模型方法回顾4市场主流仓位测算模型回顾➢ 当前市场主流对基金仓位测算的方法是：基于基金净值与市场指数构建回归模型，并辅以组合优化框架对仓位进行估算。能在够提供高频、动态仓位追踪的同时，又能通过优化约束提升结果的合理性。基本公式如下：𝑅𝑡 = ෍𝑖𝑊𝑖𝑡 ∙ 𝑟𝑖𝑡 + 𝑏•𝑅𝑡： t时刻，基金的收益率•𝑊𝑖𝑡：t时刻，基金在资产类别 𝑖 的仓位•𝑟𝑖𝑡： t时刻，指数 𝑖 所代表的资产类别的收益率•𝑏：残差项净值回归：机器学习模型（如 Lasso回归、岭回归、最小二乘回归 等）利用指数所代表的资产收益率去拟合基金收益率，从而得到基金在各类资产的仓位分布。组合优化：在上述回归结果的基础上，引入约束条件（仓位非负、总仓位上限等），通过优化算法得到更符合实际投资逻辑的仓位组合。有效减少极端估算值，提高测算结果的稳定性。为什么要做仓位测算？——固收+基金资产结构洞察的必要性➢ 基金仓位测算是提升投资透明度与强化风险管控的核心手段。由于基金定期披露存在时间滞后且信息覆盖有限，投资者难以及时全面掌握基金在各类资产上的实际配置情况。通过建立系统化的仓位测算框架，可高频地量化追踪基金资产敞口，实现对投资风险的动态监测。同时，在仓位测算结果的基础上通过拆解组合收益与指数收益，可评估基金经理的主动管理能力及超额来源，为投资决策提供科学依据。➢ 在低利率环境下，传统固收资产收益率持续下行，固收+基金凭借“固收打底、权益增强”的多资产配置模式，成为承接资金流入、实现稳健增值的重要工具。固收+基金作为多资产组合，在资产配置上与传统权益或纯债基金存在显著差异，因此投资者对这类基金仓位测算的关注度更高。对资产仓位进行高频监测，可以及时观察同业配置变化、跟踪资金流向，并识别潜在风险敞口与增厚收益机会，为组合的动态优化提供依据。同时，高频仓位数据亦可帮助投资者评估基金策略是否与市场节奏匹配，避免仓位偏离或投资风格失效，从而提升组合的风险控制和收益管理能力。主流测算模型在固收主流测算模型在固收+基金应用中的系统性困境基金应用中的系统性困境无法测算多元资产组合主流仓位测算模型主要针对单一资产类别，对固收+等多元资产组合，尚未形成系统性的测算框架。这一局限性在转债资产上尤为显著：转债兼具股性与债性，传统模型无法准确剥离其在组合中的真实仓位，进而影响对基金整体资产暴露和风险收益特征的判断。显著低估纯债仓位回归模型会优先用更少的指数来解释更多的变化，而股票、转债价格振幅远大于纯债，导致纯债仓位被系统性低估，股票、转债仓位被系统性高估。然而，债券是固收+基金的主要底仓，若其仓位被低估，将影响组合特征的真实反映，导致资产配置结构失真。可解释性低资产间及资产内部指数间存在较高的相关性，导致测算过程中产生大量近似最优组合解。由于解空间庞大，单一测算结果难以直接验证其准确性或稳健性，也增加了对模型假设和参数敏感性的依赖，降低测算结果的可解释性和实用性。回归变量设定偏差传统回归测算一般使用宽基或行业指数作为回归变量，当基金持仓成分与指数成分的组成和权重存在显著偏离时，回归残差项不再是一个纯粹的噪声，而是还包含了基金经理选股带来的Alpha，导致最终测算仓位与真实值偏差显著。吉洪诺夫回归：解决多元资产测算难题的新方法吉洪诺夫回归：解决多元资产测算难题的新方法6吉洪诺夫回归是什么？吉洪诺夫回归是在最小二乘的基础上，对回归系数增加形状与大小层面的约束，以缓解回归变量病态数据及多重共线性问题。对于给定样本 （𝑋 ∈ ℝ𝑛×𝑝 ，𝑦 ∈ ℝ𝑛），吉洪诺夫回归定义的损失函数为： 𝒎𝒊𝒏 { ∥ 𝒚 − 𝒘𝑿 ∥𝟐𝟐 +𝝀 ∥ 𝑮𝒘 ∥𝟐𝟐 }， 𝜆 为正则强度，𝐺 为吉洪诺夫矩阵（可以是任一结构化矩阵），该问题的封闭解为：ෝ𝑤 = ൫𝑋⊤𝑋 + 𝜆 𝐺⊤𝐺)−1𝑋⊤𝑦。其中，当 𝐺 为单位矩阵的时候，传统吉洪诺夫回归就是岭回归，因此吉洪诺夫回归也称岭回归的推广形式。为什么吉洪诺夫回归对多元资产的共线性问题更适用？各类回归模型的区别主要在多重共线性问题的处理上有所不同，设两个高度相关的指数𝑥1与𝑥2： Lasso回归（变量选择，任意挑选）对高度相关的变量，Lasso回归往往在这些变量间任意选取一个（或把权重分配给其中少数几个），使得某些系数为零从而降低L1惩罚，并且对预测误差影响不大，但Lasso回归会导致预测结果不稳定（不