2025年透视固收+系列专题报告：基于多目标导向吉洪诺夫回归，固收+基金多资产仓位测算

固收+基金仓位测算研究背景及模型介绍

背景介绍&市场主流模型方法回顾

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。

吉洪诺夫回归损失函数优化：多目标结构化引导取代硬性约束

主流方法一般是在回归结果上施加硬性约束，以满足基金实际监管的投资限制。但硬约束存在以下问题： 破坏数值最优性：在回归得到的最优系数基础上进行调整，修改后的结果已不再是原回归目标函数的最优解； 缺乏实际经济含义：经过硬性修正的系数可能偏离数据本身的结构特征，损失了回归对市场信息的真实反映；可解释性下降：对于投资组合而言，硬限制后的仓位可能违背资产间的共线性关系或结构逻辑，降低策略的可控性和解释性。 所以我们对吉洪诺夫回归的适配性优化，选择将约束条件融入损失函数，通过正则化项在优化过程中对仓位进行自然控制，从而实现软约束。 当选取合适的正则系数时，模型既能保留回归求解的数值最优性，又能兼顾实际投资限制。

固收+基金仓位测算模型实现流程及结果展示

回归指数构建：以仓位适配与长期共识筛选为核心

回归模型的精度极大程度取决于回归变量的构建质量，其直接决定了模型性能的上限。基于此，我们对基金池回归指数进行了精细化划分：

在转债端和股票端，我们创新性地结合 “个体特征” 与 “群体特征” 来构建指数。个体特征：精准捕捉单只基金当下的持仓特点；群体特征： 参考同类基金近 3 年的持券、持股情况构建综合指数，以此反映同类产品的长期持仓偏好与风格趋势。秉持 “同类产品近 3 年都不持有的个券 或个股，后续也大概率不会纳入配置” 的判断逻辑，通过群体长期行为的筛选，进一步提升指数对基金持仓的配置逻辑。

纯债端依据基金的仓位结构，选用中证指数进行回归。一方面，基金公告仅披露前五大持仓，难以获取完整的纯债持仓信息；另一方面，纯债 本身价格波动相对平缓，且同类债券之间的差异小于股票和转债。这种回归方式，既能利用中证指数的权威性与全面性，又能适配纯债资产的 特点，在信息有限的情况下，尽可能合理地实现对纯债部分的回归建模，保证纯债端在模型中的有效体现。

指数明细：个体特征捕捉主动选择，群体特征捕捉同类共识

基金样本池覆盖混合债券型二级基金、偏债混合型基金，剔除定开、定持以及规模小于2亿的基金后，共计371只。每只基金构建以下三类指数。

纯债端：根据基金公告的持仓结构，每个报告期将基金划分为利率型、信用型和其他三类，不同类型基金配置差异化的债券指数组合，以更精 准地拟合其实际的持仓风格与偏好。该方法有效解决了固收+基金债券仓位占比高、但实际持仓披露覆盖有限（仅前五大债券）以及债券指数 间相关性较高等问题，显著提升仓位回归模型的准确性与稳健性。 ➢ 股票端：构建两类指数，分别反映基金个体特征和该类基金的群体特征：一是基于该基金最新季报的重仓股构建11类行业指数C0；二是基于同 类基金过去三年持仓个股构建11类行业指数，均采用流通市值加权，共计22个股票指数。相较申万一级行业指数，我们构建的11类指数显著 降低指数间相关性。

转债端：同样构建两类指数：一是基于该基金最新季报披露转债构建3类指数C0（偏债型、偏股型、平衡型）；二是基于同类基金过去三年持 仓个券构建1类转债指数，共计4个转债指数。均采用流通市值加权。

指数相关性：优化指数结构与维度，系统性降低共线性风险

指数相关性：由于回归模型将三类资产分别计算，因 此相关性分析仅针对各类资产内部指数。从计算结果 来看，纯债指数池中各指数间的平均相关系数为0.58； 股票部分通过对申万一级行业指数进行板块映射后， 11个板块指数间平均相关系数为0.54。均处于相对合 理的水平。

纯债指数：通过将基金细分为信用债基、利率债基和 其他债基，使实际回归中使用的指数间相关性进一步 降低，显著低于指数池的整体平均相关系数。这种处 理方式有效避免了多重共线性问题，提升了回归结果 的稳定性和可靠性。

股票指数：将31个申万一级行业主观划分为11个板块 行业，主要基于以下考虑：一方面，过多的行业类别 会导致模型过度复杂和维度灾难，影响回归效果的稳 定性；另一方面，许多细分行业之间具有高度的相关 性和联动性，合并为更大的板块后既能保留足够的行 业特征信息，又能显著降低模型复杂度和共线性风险， 提升模型的可解释性和实用性。

误差分布：纯债、股票测算精度较高，转债高估但整体可控

纯债仓位的测算误差分布主要集中在[-1.0, 1.0]区间附近，呈现出以该区间为中心的相对集中分布态势，说明模型对纯债仓位的测算误差整体 较小且较为集中，在这个区间内的样本数量占比较大，体现出模型对纯债仓位测算具备较好的精准度与稳定性。

股票仓位的测算误差分布以[-1.0, 1.0]区间核心集中分布，在该区间及附近的样本数量众多，误差向两侧区间逐渐递减，反映出模型在股票仓 位测算方面，大部分情况下误差能控制在较小范围内，整体测算效果较为理想，误差分布的集中性为股票仓位测算的可靠性提供了支撑。

转债仓位的测算误差主要集中在[0.0, 3.0]区间，相较于纯债和股票仓位，其误差中心较右偏，但大部分误差仍处于相对可控的范围。转债指 数的代表性有限，个券异质性较强，会加大模型解释残差的压力。尽管如此，纯债与股票仓位测算已高度精确，为模型整体提供了稳健基础 ；同时，转债误差仍处于可控范围。针对转债仓位高估问题，后续可通过引入交互因子或非线性特征、动态调整转债指数权重以及在不同市 场状态下分阶段回归等方式进一步优化模型，从而提升转债仓位的测算精度和解释力。

固收+基金仓位测算模型应用

应用1：高频追踪资金流向，反映市场主线共识

股票作为固收+类基金收益增强的重要组成部分，模型对股票仓位测算可有效追踪资金流向变化，并为市场参与者提供实时洞察。从数据来 看，本月多数行业呈现小幅增仓态势，增仓幅度在0.04%至0.20%之间，显示整体资金情绪偏积极；而本季度多数行业也保持正向调整，反 映中长期配置意愿仍较为稳定。

进一步地，通过汇总前三大行业仓位之和（集中度指标），可捕捉固收+基金在股票端的抱团现象。数据显示，固收+类基金股票前三大板 块集中度从2025年6月末的3.72%逐步上升至8月末的3.88%，说明资金趋向头部行业集中，市场主线共识增强。8月末持仓结构中，前三大 行业分别为科技、军工、资源，相较25Q2披露仓位，固收+类基金显著加仓科技与资源，明显减仓新能源，体现出机构在成长与稳健板块 的平衡布局。

过去一年业绩前10%的固收+基金与全市场对比结果显示：优秀基金在科技、制造、消费等成长性行业相对高配，在能源、资源、周期等板 块相对低配。同时，这些优秀基金在8月末整体权益仓位较7月末进一步提升，高配方向集中于科技、制造与可选消费，而低配方向则延续 在能源与周期行业。整体来看，领先组基金平均权益仓位高出全市场约4.9%，体现出积极的权益配置策略是其获得超额收益的重要来源。

应用2：对显著调仓行为识别胜率近八成，有效捕捉主动决策

仓位测算的一大核心目标是高频识别资产仓位的极端波动，并有效区分主动调仓与被动波动。重要性主要体现在以下几方面：首先，极端 波动往往预示基金管理人正在进行积极的资产切换或风险暴露调整，可能源于其对市场方向的前瞻判断或风险控制需求。其次，通过量化 其主动调仓行为与市场走势的一致性，可更准确地评估其择时策略的有效性，从而辨别是基金经理的系统性能力还是偶然性操作。

由于模型是基于基金收益的回归测算，所得仓位结果中包含持有个股或个券价格变动所带来的被动仓位变化，小幅波动未必反映基金经理 主动调整意图。因此，我们重点关注真实仓位调整幅度大于8%的报告期，此类显著变动更可能源于主动管理行为。

从投资实践角度来看，该应用能够解决如下关键问题：一是为基金评价提供除传统业绩归因之外的动态资产配置能力维度；二是帮助投资 者识别那些具备持续择时能力的产品，从而优化基金筛选与组合配置；三是在市场风格剧烈转换阶段，及时捕捉机构资金的大类资产调仓 信号，为自上而下的资产配置提供参考。

模型对全部报告期的基金仓位调整方向胜率平均值为63.63%，而在仓位显著调整（变动大于8%）的报告期，模型测算调整方向的胜率平均 值达到79.01%。统计结果表明，模型对基金实际运作中发生的显著主动调仓行为能够实现精准跟踪与识别，具备良好的实践应用价值。

报告节选：

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）