• 基金重仓股的简单跟踪策略长期获得稳定超额收益，但表现存在波动，2016-18年间超额收益较低。基金重仓股数量维持在700-1000只左右，持股较为分散[page::3][page::4]。

- 以残差收益（剥离行业风格影响后的超额收益）为预测目标，聚焦基金选股能力而非行业配置[page::5]。

• 基金业绩是筛选重仓股的重要指标：

| 基金个数 | 1 | 3 | 5 | 10 | 20 | 50 | 100 |
|---------|------|------|------|------|------|------|------|
| 夏普比 | 8.4% | 4.2% | 6.3% | 6.1% | 6.2% | 6.6% | 5.2% |
| 收益率 |10.6% |10.1% |10.1% | 9.0% | 7.2% | 6.8% | 5.9% |
| Alpha | 5.3% | 9.1% | 9.1% | 8.2% | 7.7% | 6.8% | 5.9% |

基金收益率筛选对重仓股超额收益预测效果优于夏普比，且基金排名前20%的重仓股表现明显优于排名靠后的[page::5][page::6][page::7]。

• 基金业绩排名靠后基金单独持有的重仓股2017年后超额收益显著为负，几乎无投资参考价值[page::7]。

• 基金换手率对重仓股超额收益影响不显著，高换手基金重仓股表现偏弱主要因业绩偏差，业绩表现优异基金重仓股表现稳定[page::8]。

• 基金规模中等的基金重仓股超额收益最高，规模较小基金持有的重仓股2017年以后超额收益持续为负[page::9]。

• 基金重仓股在不同风格时段内表现差异明显：2017年前重仓小盘成长股超额收益较高，2017年后偏高估值板块超额收益更佳，低估值板块表现较弱[page::9][page::10]。对应风格因子表现如下。

| 风格 | 2017年之前 高值族群超额收益 | 2017年之后 高值族群超额收益 |
|------|---------------------------|-----------------------------|
| growth | 高成长高超额 | 高成长低超额 |
| value | 估值水平无明显差异 | 高估值超额显著 |

• 行业维度，基金重仓股在TMT、中游机械化工行业长期表现优异，2017年后消费医药行业超额收益提升，上游周期、券商及军工板块超额收益缺乏稳定性[page::11]。

- 持仓信息相关因子中，“重仓市值占流通市值比例”（Toptentofloatashare）及其季度环比变化（Deltatofloatashare）与超额收益存在显著正相关，表现较好，IC约0.02，年化超额收益可达10%以上，而持仓占比等其他因子表现较弱[page::12][page::13]。

• 结合基金业绩和持仓因子筛选重仓股，发现基金业绩较好且重仓占流通市值变化较大的股票超额收益最高，是筛选股票池的核心指标[page::14][page::15][page::16]。

- 长期构建基金业绩排名前三重仓股及Top 20重仓市值占流通市值变化率最高股票的并集，形成约40只股票的精选股票池。该股票池整体超额收益远超所有重仓股等权组合，且持续稳定，尤其是2017年后表现突出[page::17][page::18]。

• 精选股票池具有高流动性、高估值、高动量特征，且分析师盈利预测一致性较高，揭示股票池捕捉了热门股票中的盈利预期边际增长[page::18]。

• 将精选基金重仓股股票池纳入指数增强策略中，采用权重约束方式，2017年后策略表现显著提升，尤其是在年化收益、信息比等指标上均优于基准策略，且alpha因子在该股票池中仍有效，说明此策略成功利用了基金经理选股能力和资金动量[page::19][page::20][page::21]。

• 策略表现存在明显时间结构差异，市场风格变化（如2017年前后由小盘成长到偏基本面高估值）是影响效果的核心因素，基金重仓股风格偏好与市场整体风格匹配度影响超额收益的持续性[page::19][page::22]。

- 报告强调，基金持仓中既包含基金经理选股alpha，也包含资金层面推动因素，未来研究有望结合这两方面信息进一步挖掘[page::22]。

• 报告风险提示：历史数据统计及模型的有效性依赖于市场环境及数据稳定性，未来存在模型失效风险。

量化专题报告—多因子系列之十三：基金重仓股研究深度解析

---

一、元数据及报告概览

• 报告标题： 多因子系列之十三：基金重仓股研究

- 作者及单位： 分析师刘富兵，研究助理丁一凡，国盛证券研究所

• 日期： 2020年中旬前后（涵盖数据至2020年6月）

- 主题： 研究基金重仓股的超额收益特征，通过多维度指标筛选高超额收益股票池，结合多因子模型提升策略表现。

本报告核心论点在于：基金重仓股整体确实存在超额收益，但不同基金的选股能力、持仓特征及风格背景影响显著。采用残差收益（剥离市场、风格、行业Beta影响后的收益）作为目标变量，探索基金特征、股票特征以及持仓特征对超额收益的影响，筛选出高超额收益股票池，并通过权重约束方法将其纳入指数增强策略，在2017年后市场风格适配下效益明显。该报告未给出具体目标价或投资评级，但提出了方法论层面的创新和实证验证，具有较强的实用价值。整体观点基于历史数据回测，强调风险提示，警示模型未来有效性不能保证[page::0,22]。

---

二、逐节深度解读

2.1 综述与数据介绍

• 综述： 主动基金重仓股常年呈现稳定超额收益（图表1），但表现并非持续稳定，2016-2018年超额收益减弱。基金平均重仓股数量保持在700-1000只之间，持股虽集中但数量仍较多，提示简单跟踪基金所有重仓股意义有限，需筛选优化[page::3,4]。

- 数据样本： 2011年1月至2020年6月，覆盖偏股混合基金及普通股票型基金A类份额（剔除指数型、指数增强和主动量化基金），季度前十大重仓股持仓数据，确保信息较为及时（披露滞后15个交易日内）[page::4]。

• 收益定义： 以股票残差收益为预测目标，此为剔除行业及风格因子影响后的特质收益，剥离基金配置影响，仅考察股权选股能力[page::5]。

2.2 基金特征对重仓股超额收益影响

2.2.1 基金业绩

• 采用“Sharpe资产因子模型”剥离Beta效果后，计算基金的Alpha、夏普比及收益率作为基金筛选指标。

- 核心发现： 用历史收益率和Alpha筛选业绩排名前N个基金，构造其重仓股股票组合，计算超额收益率（残差收益）。结果表明，业绩排名靠前基金的重仓股具有更高的超额收益，且该收益随着选取基金数增加呈递减趋势，明显的单调性（图表5-7）。相比之下，基金夏普比效果逊色。Alpha虽然理论上更能体现选股能力，但实际筛选效果不及历史收益，可能体现基金经理管理之外的资金压制和市场关注影响，即“明星效应”和资金持续买入强化现象。

• 增量重仓股测试（图表8）： 将基金按业绩分成5组，分别计算各组新增重仓股（剔除业绩更好基金的持股），近几年表现差异显著，业绩靠后的基金新增重仓股超额为负，业绩好的基金重仓股增量贡献明显，暗示剔除差基金后更有效[page::6,7]。

2.2.2 基金换手率

• 换手率高可能导致持仓信息滞后，影响跟踪超额收益。

- 2017年前换手率对重仓股收益无显著区分，2017年后高换手基金重仓股表现减弱（图表9-10）。但针对仅业绩前20%基金样本分组，换手率区别不显著（图表11），提示换手率影响主要来自业绩差基金。综上，换手率非独立筛选指标，不建议用于直接选股[page::7,8]。

2.2.3 基金规模

• 规模中等基金重仓股表现最佳，规模小的基金“边际效应”和历史业绩较差导致其重仓股超额收益为负（图表12）。规模大基金选股效应一度偏弱，尤其2013-2014年创业板行情[page::8,9]。

2.3 股票特征影响

2.3.1 风格特征

• 差异明显： 2017年前，重仓股偏小市值、成长性股票，超额收益较高；而2017年后，转向偏高估值股票（如成长性下降，价值股表现更优），股票市值分布影响减弱（图表13-14）。

- 估值上，2017年之前重仓股估值区间对超额收益无显著影响，2017年后高估值股票显著优于低估值股票，反映市场风格切换。[page::9,10]

2.3.2 行业特征

• 重仓股在TMT（科技传媒通讯）、中游制造业（机械、化工）行业显著获得超额收益，消费行业（医药、食品饮料）自2017年后表现提升显著，而周期性强的上游资源行业（钢铁、煤炭、有色）、券商、军工等行业无稳定选股能力（甚至负收益）（图表15）。

- 行业结构影响明显，且行业偏好随市场情绪和机构抱团行为改变，映射热度和机构资金流向差异[page::11]。

2.4 持仓特征分析

• 选手使用多种“持仓因子”测试，包括重仓比例、重仓占基金股票仓位比、基金重仓市值占流通市值及其环比变化等。

- 原始因子表现优于行业或风格中性化后因子，说明基金选股能力与行业/风格暴露密切相关。基金管理人对高权重持股行业/风格拥有更强alpha（图表16-17）。

• 两个持仓因子表现最佳：

- Toptentofloatashare： 缩写基金持仓市值占股票流通市值比率，表明资金集中性。
- deltatofloatashare： 上述比例的季度环比变化，表现对预测超额收益尤为重要[page::12,13]。

• 图表18-21说明，这些持仓因子与股票残差收益呈线性明显相关关系，尤其是持仓占流通市值比例及其变化，体现出强资金面推动的效果。

- 持仓市值占比因子更易集中于大市值，且个股被充分定价导致alpha减少，小盘股重仓比例变化显现更强超额能力[page::13]。

---

三、图表深度解读

3.1 基金重仓股表现基础图示

• 图表1展示所有偏股基金重仓股等权特质收益净值（2011年至2020年）：稳健上升，累计回报达40%以上，表明基金重仓股整体具备显著超额收益。

- 图表2基金重仓股数量趋势：数量自400只增长至高峰1200只后回落，说明头部基金重仓股逐步集中，使得筛选难度加大。

• 图表3基金样本数量逐年增加，从300余只涨至800多只，样本规模大幅扩增，增强统计信度[page::3-4]。

3.2 基金业绩筛选表现（图表5-7）

• 年化收益率和信息比两指标均显示，业绩筛选（收益率、Alpha）筛出的基金重仓股组合超额收益最高。夏普比筛选效果差，提示简单的风险调整夏普不能充分捕捉基金优质选股能力。

- 不同基金个数筛选表现随样本大小递减，前5只基金重仓股表现尤佳，说明头部基金的管理能力和市场认可度较强。

• 5只基金权重表现图明显区分三条主线，验实业绩筛选的有效性[page::5-6]。

3.3 基金业绩分组下新重仓股表现（图表8）

• 业绩排名前20%基金新增重仓股表现稳健上升，业绩靠后基金新增重仓股表现弱甚至负收益。2017年前表现相对均衡后分化加剧，反映市场风格和机构能力变迁[page::7]。

3.4 换手率关联表现（图表9-11）

• 2017以前换手率低中高组表现相似，2017后高换手组收益弱，表面与信息滞后和基金业绩弱相关，但业绩较差基金换手普遍较高，带来误导。

- 在头部基金分组内换手率差异不显著，质疑换手作为筛选指标的独立价值[page::8]。

3.5 基金规模影响（图表12）

• 中等规模基金重仓股表现优于小型和超大型基金，尤其是2017年后，两端基金往往贡献负超额收益，强调规模适中基金选股灵活性和业绩持续性[page::9]。

3.6 股票风格与行业表现（图表13-15）

• 风格因子中，2017年之前成长性强的小票风格受益明显；2017年后高估值权重凸显，成长效应变薄。从行业看，TMT和中游传统行业持续贡献alpha，资源类波动较大，周期性强行业无稳定超额收益[page::9-11]。

3.7 持仓因子表现（图表16-21）

• 持仓占流通市值比例及其变化因子IC值虽低约0.02，但统计显著，头部收益显著，线性单调关系强烈，反映资金面活跃度与收益判别能力。

- 持仓数与持仓权重相关度极强，说明量化选股特征具有较少维度聚合性[page::12-13]。

3.8 股票池筛选表现（图表28-31）

• 筛选股票池（结合基金业绩前3及重仓占流通市值环比变化前20股票）收益净值远超所有重仓股等权，历年表现分化，突出近年来异动（特别是市场风格匹配时如2017年后）。平均池容量约40只股票。

- 因子暴露特征显示该池流动性较高、估值偏高，盈利预期因素突出，行业配置集中于TMT及消费制造等热门行业，基金与分析师的盈利增长预期存在正相关，体现热门题材股票的盈利提升捕捉（图表30-31）[page::17-18]。

3.9 组合纳入增强策略表现（图表32-35）

• 将筛选股票池以权重约束形式加入基准中证500增强策略，控制跟踪误差5%，交易成本0.3%。

- 2017年之前混入带来表现下滑，2017年后带来长期稳定提升，权重越高提升越明显，年化收益增幅超2%，信息比提升约0.4，波动略增加，回撤无明显恶化。

• 业绩归因显示纳入后，高Alpha重仓股贡献显著超额收益，且超出基准残差收益，证明重仓股中优质选股能力真正提升策略alpha[page::19-21]。

---

四、估值分析

报告不涉及传统意义上的企业或股票估值模型，但其通过量化模型剔除Beta后对残差收益进行预测和提升，相当于构建了一种超额收益“alpha”估值方法。将基金业绩和持仓变化作为主要信号，通过多因子策略优化框架，权重约束引入高弹性筛选池，实现全策略超额收益的提升。其“估值”思想主要体现在：

• 采用多因子模型剥离Beta，仅分析残差收益，着眼于alpha捕捉。

- 考虑基金层面能力指标与持仓资金规模与变化两个主要“定价”或选股信号。

• 加入权重约束参数调整股票池权重，类似策略配置中的敏感性分析。

不设定固有估值倍数或终值增长率，采取量化回测表现决定权重调节，强调数据驱动的超额收益筛选与组合构建。[page::5,15-21]

---

五、风险因素评估

• 模型过拟合与历史偏差风险： 结论均基于历史统计回测，未来市场结构、风格和资金流动模式变化可能导致模型失效。

- 基金持仓数据的滞后与不完整： 季报前十大重仓股披露可能滞后，影响持仓因子预测准确性。

• 市场风格切换风险： 2017年前后基金重仓股 benefited from 特定风格，未来风格逆转可能使选股能力下降。

- 资金流动与资金博弈： 持仓资金比例相关因子表现良好，可能更多反映资金效应非纯选股能力，存在资金撤出风险。

• 行业暴露风险： 股票池偏向TMT及消费等高估值行业，行业集中度高，行业调整时潜在回撤风险大。

- 策略执行风险： 权重约束策略引入可能增加交易成本，实际实施中成本及市场冲击可能降低超额收益。

报告强调统计显著性多数较弱，筛选指标稳定性存在一定不确定性[page::0,22]。

---

六、批判性视角与细微差别

• 基金Alpha指标未能优于历史业绩的矛盾： 理论上基金Alpha剥离风格和仓位应更精确，但业绩指标实际筛选效果更优，暗示资管行业“明星资金效应”及市场资金推动力强于纯选股能力。

- 持仓因子多头收益虽显著但IC值偏低（≈0.02），表明预测力有限，且多因子模型提升呈局部最优，或存模型局限性。

• 业绩筛选与持仓变化因子主要推动股票池alpha，但两者相互独立性未充分验证，存在信息冗余或交叉影响风险。

- 2017年之后市场环境对应风格推动明显，前期风格不匹配导致策略表现回撤，提示模型依赖市场宏观风格，非纯绝对alpha策略。

• 策略组合仅限于流通市值较大、热门股，可能忽略小市值高alpha股票，策略应用范围及场景受限。

- 指标筛选标准依赖截面排序，缺少连续性分析，后续研究可考虑机器学习等非线性方法强化预测。

• 基金换手率效应微弱，报告无给出换手率与策略表现更深关联检验。

- 报告自我指出对行业与风格影响剥离有限，重仓股超额收益预测还需分解投资组合层面复杂结构。

• 缺乏超额收益归因细节分解（例如Alpha分解：选股+市场时机+风格轮动）。

---

七、结论性综合

本报告系统分析了基金重仓股超额收益的多维驱动因素，重点关注剥离行业及风格影响后的残差超额收益能力，识别出：

• 基金业绩是筛选优质基金及其重仓股超额收益的重要指标，业绩最优基金重仓股贡献显著。

- 换手率和基金规模对超额收益有辅助作用，但主要通过与基金业绩的交互效应体现，独立筛选作用有限。

• 股票风格和行业曝光导致超额收益表象差异，且风格因2017年市场转折显著变化。2017年后策略表现明显改善。

- 持仓特征特别是基金重仓股票市值占流通市值的变化比率，与未来超额收益有较好单调性和统计显著性，成为核心筛选依据。

• 通过筛选基金业绩好的基金及其重仓占流通市值变化较大的股票组合，获得远超传统等权重所有重仓股组合的超额收益，年化提升超过2%。

- 将选股后的重仓股票池以权重约束方式引入指数增强策略，再用多因子模型内部Alpha细选，实证2017年以来带来显著策略提升。

• 组合因子暴露显示选股兼顾热门股票盈利预期增量，偏向高流动性、高估值、高动量的机构抱团行业（TMT、医药、消费等）。

- 报告方法论强调历史统计验证和实证回归，关注资金层面和选股层面相互作用的双轨路径，提醒未来市场环境变化可能导致模型失效。

整体而言，该研究从多维角度剖析了基金重仓股选股能力及资金效应，创新结合基金业绩与持仓变动筛选股票池，并成功将其融合入多因子股权增强策略中，实现了近期明显的超额收益提升。其结果表明，基金持仓数据不仅反映基金经理的选股能力，也隐含资金推动信息，合理挖掘此类信息可以有效助力量化投资策略优化[page::0-22]。

---

全文完。

报告