十月整体机构行业配置变化：加仓纺织服饰、电子、非银金融

证券研究报告 金融工程|专题报告 十月整体机构行业配置变化：加仓纺织服饰、电子、非银金融 请务必阅读报告末页的重要声明 2024年11月06日 证券研究报告 |报告要点 本报告聚焦于2024年9月25日至2024年11月1日期间A股公募基金市场的表现。在这段时间内，A股市场经历了显著的波动，特别是科技股的强劲上涨。政策面的利好刺激，对市场产生了积极影响。板块方面，软件开发、电子元件、消费电子等板块表现突出，资金流向显示电子、非银金融等板块获得资金流入。本报告通过Lasso回归和二次规划方法，对基金的行业配置进行回归测算，以获取基金行业持仓比例的分布和变化。通过对风格因子收益和行业因子收益的正交化处理，我们得到了基金的行业持仓权重测算。 |分析师及联系人 陆豪 康作宁 SAC：S0590523070001SAC：S0590524010003 请务必阅读报告末页的重要声明1/12 金融工程|专题报告 2024年11月06日 金融工程专题 十月整体机构行业配置变化：加仓纺织服饰、电子、非银金融 相关报告 1、《宏观环境持续改善，红利增强与转债随机森林超额优异—周报2024年11月1日》 2024.11.03 2、《周期模型保持多头，红利增强表现优异 —周报2024年10月25日》2024.10.27 扫码查看更多 研究聚焦 本报告聚焦于2024年9月25日至2024年11月1日期间A股公募基金市场的表现。在这段时间内，A股市场经历了显著的波动，特别是科技股的强劲上涨。政策面的利好刺激等，对市场产生了积极影响。板块方面，多数行业表现出显著的波动和资本流出，特别是传媒、计算机和非银金融等领域受到严重影响。 单基金持仓测算 通过对基金的行业配置进行回归测算，在季报还未公布前，提前预估基金的股票持仓比例变化。基于Barra模型，首先用行业因子收益对风格因子收益正交化取残差的方法，得到行业正交化的因子收益，以行业正交化的因子收益为自变量，基金日收益率为因变量，求解出单个基金的行业暴露。 基金行业分布测算模型 逐个对基金的各个行业分布进行测算，用基金的持股市值作为权重进行配权，最终聚合成普通型股票基金和偏股混合型股票基金在各个行业上分布的比例的时序分布。在测算基金的行业分布时，采用的是移动窗口120个交易日进行线 性回归测算。由于移动窗口的计算方式有一定的滞后性，在1-2周的较短 时间内，如果出现大量资金进入某一行业，那么模型对持仓变化反应会有一定延迟。 基金行业分布测算 截至2024年11月1日，普通型基金仓位前5大行业：电子（11.24%）、医药生物 （8.69%）、电力设备（7.89%）、食品饮料（6.35%）、通信（5.80%）；偏股型基金仓位前5大行业：电子（11.57%）、电力设备（8.16%）、医药生物（7.23%）、食品饮料（7.21%）、通信（5.63%）。 2024年9月25日至2024年11月1日之间普通型基金加仓前3大行业纺织服饰 （+1.06%）、非银金融（+0.62%）、电子（+0.62%）；偏股型基金加仓前3大行业：纺织服饰（+1.07%）、电子（+0.72%）、计算机（+0.59%）。 风险提示：报告中采用的方法，都是基于历史数据测算得出，历史测算结果不代表未来，未来行业变动可能带来与本报告结论不一致的结果。 正文目录 1.行业主力资金流向4 2.基金行业持仓比例测算5 2.1申万一级行业间相关系数矩阵5 2.2行业因子收益正交化风格因子收益7 2.3行业回归结果8 3.十月整体机构行业配置变化：加仓纺织服饰、电子、非银金融9 4.风险提示11 图表目录 图表1：行业资金流向-主力净流入额（亿元）4 图表2：申万一级行业间相关性系数矩阵（20240101-20241101）6 图表3：行业因子收益对风格因子收益正交化8 图表4：某基金行业正交化因子收益回归结果8 图表5：普通型基金行业暴露结果展示9 图表6：偏股型基金行业暴露结果展示9 1.行业主力资金流向 本文主要研究在2024年9月25日至2024年11月1日这段时间内，A股公募基金市场经历的波动和变化。 下图为2024年9月25日至2024年11月1日的申万一级行业的主力资金净流入额。期间沪深两市市场交投活跃。从主力资金流向来看，多数行业表现出显著的波动和资本流出，特别是传媒、计算机和非银金融等领域受到严重影响，反映出市场的高度不确定性。 图表1：行业资金流向-主力净流入额（亿元） 资料来源：wind,国联证券研究所整理 基于本文的基金仓位测算模型，在2024年9月25日至11月1日之间，普通型基金在美容护理、医药生物行业的配置上超过偏股型基金，而机械设备和食品饮料等行业的配置上低于偏股型基金。 截至2024年11月1日，基金仓位前5大行业： 普通型基金：电子（11.24%）、医药生物（8.69%）、电力设备（7.89%）、食品饮料（6.35%）、通信（5.80%）； 偏股型基金：电子（11.57%）、电力设备（8.16%）、医药生物（7.23%）、食 品饮料（7.21%）、通信（5.63%）。 就基金仓位变化来看，这段时间内（2024年9月25日至2024年11月1日之 间）加仓前3大行业： 普通型基金：纺织服饰（+1.06%）、非银金融（+0.62%）、电子（+0.62%）； 偏股型基金：纺织服饰（+1.07%）、电子（+0.72%）、计算机（+0.59%）。减仓前3大行业： 普通型基金：电力设备（-0.71%）、家用电器（-0.65%）、食品饮料（-0.56%）； 偏股型基金：电力设备（-0.82%）、美容护理（-0.76%）、家用电器（-0.63%）。 2.基金行业持仓比例测算 本文选择了Wind基金分类标准，对偏股混合型基金和普通股票型基金进行持仓测算，并针对以下情形进行了相应调整： 1.仅选择A类份额的基金。 2.剔除非主要投资于A股市场的基金。 3.剔除成立不满2年的基金。 4.合计资产净值滚动30个交易日的平均值需大于1亿元。 经过以上筛选步骤，共选出274只普通股票型基金和1125只偏股混合型基金。 2.1申万一级行业间相关系数矩阵 如下图所示，为2024年1月1日至2024年11月1日申万一级行业间的相关系 数矩阵。从中可以看出，某些行业之间的相关系数可达到0.9以上。因此，本文采用 Lasso回归和二次规划方法来降低多重共线性的影响。 图表2：申万一级行业间相关性系数矩阵（20240101-20241101） 资料来源：wind,国联证券研究所整理 国内A股市场具有显著的行业轮动特性。根据Barra因子模型，不同年份的行业收益差异较大。为及时获取基金行业持仓比例的分布和变化，本文基于Barra模型对基金的行业配置进行回归测算。选择风格因子收益和行业因子收益为自变量，基金日收益率为因变量，逆向线性回归推导出行业因子的暴露度。 为了减少风格因子收益与行业因子收益之间的相关性，本文以风格因子收益为自变量，以行业因子收益为因变量，逐个行业进行回归，并取回归后的残差作为正交化的行业因子收益。随后，将风格因子收益和行业因子收益作为自变量，基金日收益率作为因变量进行回归，得到风格因子和行业因子的暴露度，以行业因子暴露度作为基金的行业暴露权重。 具体回归公式如下： �� 𝑟𝐹,�=𝑟𝐼,�+∑𝑥𝐹,𝑖,�×𝑓𝑖,�+∑𝑥𝐹,𝑠,�×𝑓𝑠,�+𝜖𝑛,� 𝑖=1𝑠=1 其中： -𝑟𝐹,�为基金F在t期的收益率。 -𝑟𝐼,�为宽基指数I在t期的区间收益率。 -𝑥𝐹,𝑖,�为基金F在t期在行业�上的暴露。 -�𝑖,�为行业因子�在t期的收益。 -𝑥𝐹,𝑠,�为基金F在t期在风格因子s上的暴露。 -𝑓𝑠,�风格因子s在t期的收益率。 -∈𝑛,�是基金F在t期的特异收益率。 2.2行业因子收益正交化风格因子收益 风格因子收益对逐个行业因子收益回归，取Barra模型的10个风格因子收益作为自变量，以逐个行业因子收益为因变量进行线性回归。具体公式如下： � 𝑓𝑖,�=∑𝑌𝑖,𝑠,�×𝑓𝑠,�+∈𝑖,� 𝑠=1 其中： -𝑓𝑖,�为行业因子�在t期的收益。 -𝑓𝑠,�风格因子s在t期的收益率。 -𝛾𝑖,𝑠,t�为风格因子s在t期对行业因子�的回归系数。 -∈𝑖,�为风格因子对行业�回归的残差。 通过风格因子收益对行业收益进行回归以后，逐个行业取每期的收益预测值𝑓𝑖,�与实际值𝑓𝑖,�做差，得到误差时序项： 𝑖,� 𝑖,� ∈𝑖,𝑡=𝑓̂−� 将∈𝑖,�作为行业因子i在t期的正交化风格因子收益后的行业因子收益。正交化行业因子收益数据展示如下图所示： 图表3：行业因子收益对风格因子收益正交化 资料来源：wind,国联证券研究所整理 以某只基金的回归结果为例，如下图所示，其中该基金在2024年9月25日至 11月1日之间，建筑装饰、农林牧渔、通信、钢铁行业配置为0，在银行、医药生物、电力设备、电子、食品饮料、非银金融板块配置暴露较高。 图表4：某基金行业正交化因子收益回归结果 资料来源：wind,国联证券研究所整理 2.3行业回归结果 将行业正交化因子收益对逐个基金进行回归，得到每个基金的行业暴露后，用基金的持股净值作为权重进行横截面的配权，即可得到全部基金在各行业上的暴露。由 于回归时移动窗口取120个交易日，所以持仓预测会有一定的滞后性。下图为普通型基金行业回归结果。 图表5：普通型基金行业暴露结果展示 资料来源：wind,国联证券研究所整理 下图为偏股混合型基金行业回归结果。 图表6：偏股型基金行业暴露结果展示 资料来源：wind,国联证券研究所整理 3.十月整体机构行业配置变化：加仓纺织服饰、电子、非银金融 在2024年9月25日至11月1日期间，A股市场经历了显著波动，特别是科技 股的强劲上涨推动了市场情绪。政策面的积极措施，如股票回购增持再贷款政策，为市场提供了稳定性。软件开发、电子元件、消费电子等板块表现突出，资金流向显示电子、非银金融等板块获得资金流入。 通过对基金的行业配置进行回归测算，在季报还未公布前，提前预估基金的股票持仓比例变化。基于Barra模型，首先用行业因子收益对风格因子收益正交化取残差的方法，得到行业正交化的因子收益，以行业正交化的因子收益为自变量，基金日收益率为因变量，求解出单个基金的行业暴露。然后逐个对基金的各个行业分布进行测算，用基金的持股市值作为权重进行配权，最终聚合成普通型股票基金和偏股混合型股票基金在各个行业上分布的比例。 在2024年9月25日至11月1日之间，普通型基金在美容护理、医药生物行业的配置上超过偏股型基金，而机械设备和食品饮料等行业的配置上低于偏股型基金。 截至2024年11月1日基金仓位前5大行业： 普通型基金：电子（11.24%）、医药生物（8.69%）、电力设备（7.89%）、食品饮料（6.35%）、通信（5.80%）； 偏股型基金：电子（11.57%）、电力设备（8.16%）、医药生物（7.23%）、食品饮料（7.21%）、通信（5.63%）。 就基金仓位变化来看，这段时间内（2024年9月25日至2024年11月1日之 间）加仓前3大行业： 普通型基金：纺织服饰（+1.06%）、非银金融（+0.62%）、电子（+0.62%）； 偏股型基金：纺织服饰（+1.07%）、电子（+0.72%）、计算机（+0.59%）。减仓前3大行业： 普通型基金：电力设备（-0.71%）、家用电器（-0.65%）、食品饮料（-0.56%）； 偏股型基金：电力设备（-0.82%）、美容护理（-0.76%）、家用电器（-0.63%）。尽管这段时间内市场表现积极，但投资者应关注宏观经济和地缘政