对于国内公募基金研究，每个节点公布的持仓信息是一个非常重要的参考数据。在考察具体持仓或者业绩归因的同时，也不应该忽视基金个股仓位的分配特点。对于持仓较为集中的基金，直观来看该基金对自身选股比较自信，未来潜在的收益与风险都会被放大。对于持仓相对分散的基金，风险相对分散预期收益也会降低。本文研究基金经理历史持仓集中度偏好对未来基金收益的影响情况。
经过rankIc检测发现，基金持仓集中度该类维度因子与未来收益呈现负向关系。分层检测发现，具有明显分层效果的因子较少，大多在中部或头部呈现乱序，但部分因子存在明显的非线性尾部效应，即每期选因子值最大的组合未来收益表现较差。综合来看，虽然持仓集中度越分散不能显著预测未来基金的收益方向，但是从尾部效应来看集中度高的基金未来收益普遍较低。
一、研究背景
近期比较“火爆”的基金诺安和鑫(002560.OF)的购买者纷纷叫苦连天，截止2020-8-31，该基金近一个月回撤-17.56%，近三个月与半年最大回撤-23.63%。近一个月超额收益为-15.47%。在上半年收益表现短暂亮眼后，下半年仿佛变脸“渣男基金”。不过从该基金持仓集中度来看就不难理解。该基金从19年6月到20年6月，前两大行业配置均在76%以上，同期每季度前十大股票持仓均在75%以上。有着较高的重仓暴露可以带来潜在巨大收益，但同时风险暴露敞口也大大增加。如果该基金经理重仓的个股或行业出现明显市场拐点，该基金会因为重仓缘故难以快速换仓承受较大的回撤。
近期同病相怜的还有银河创新成长(519674.OF)，该基金在2020年中报最新公布的持仓可以看到，行业持仓方面持有申万一级电子与计算机行业分别高达59.89%、21.48%，约整个股票仓位的91%，持股集中度方面前十大持仓为72.08%，约整个股票仓位的81%。历史上，该基金也保持着相当高的持古与行业集中度，19年至今该基金前两大行业配置上分别轮动配置了计算机与电子，且每一期前两大配置比例占比股票仓位均超过85%，同期改进前十大持股占比也均在75%以上。虽然历史上收益排名较前，但由于该基金重仓行业在第三季度出现较大的回撤，导致其近六个月年化收益仅为4.67%，wind同类排名1063/1072，同期基金最大回撤也高达-20.9%排在同类末尾5%以内。
公募基金持仓集中度可以衡量侧面基金经理的投资偏好，如果比较看好一个行业或者某些个股，对自己选股比较自信的基金经理往往会下重仓持有，亦或是本来主题型或者行业基金，根据自身产品设计来看需要对某一板块重仓持有。受到启发，本文对公募基金持仓集中度进行研究，分别研究其持股集中与行业配置集中是否对未来收益产生影响。
1.指标介绍
基于基金半年与年度公布的全部持仓，计算基金持股的集中度情况，本片报告会研究分析基金持股与行业配置的集中度情况，来研究是否会对未来一段时间的收益持续性带来影响。
1.1.持股集中度
通过半年持仓，得到基金持股的相对比例(相对于股票仓位)，计算某一期的持股集中度 ,并计算过去2、3、4、5、6个半年（等同于12、18、24、30、36M）的total variance、均值与标准差,其中total variance = 。(分别以relativestk_square_sum_tv_回溯期_频率、relativestk_square_sum_mean_回溯期_频率、relativestk_square_sum_std_回溯期_频率表示)
1.2.行业配置比例集中度
通过半年持仓，得到基金持股的相对比例(相对于股票仓位)并映射到申万一级行业得到基金该期的行业配置比例，计算某一期的行业配置集中度 = ,并计算过去2、3、4、5、6个半年（等同于12、18、24、30、36M）的total variance、均值与标准差,其中total variance = 。(分别以relativeind_square_sum_tv_回溯期_频率、relativeind_square_sum_mean_回溯期_频率、relativeind_square_sum_std_回溯期_频率表示)
2.研究结论2.1.未来一个月收益可持续性研究
根据研究发现，持仓集中度类因子与未来一个月收益rankIc大体呈现负向关系。经过统计检验，持股集中度的波动率、total variance与行业配置集中度的过去一段时间均值类因子通过rankIc检测。分层检测发现，原先通过rankIc的因子大多没有显著分层效果。有一定分层效果的是持股集中度过去36M波动率与持股集中度total variance36M。不过研究发现很多因子虽不存在显著的分层效果，但是该因子存在显著的尾部效应，即一直选该因子最高一档，未来一个月收益普遍处于最低档，例如持股集中度波动率24M、持股集中度total variance18M、行业集中度mean12M，尾部效应较明显。综合来看，虽然该类维度对未来一个月收益的预测效果不高，但是可以通过该因子底部效应作为非线性条件来剔除一部分未来收益大概率在底部的基金。
从2014年4月1日至2020年7月16日回撤，持股集中度过去36M波动率与持股集中度total variance36M单因子策略表现如下：年化超额分别为6.38%、5.22%，超额月度胜率分别为56%、60%，超额最大回撤分别为-22.33%、22.62%，夏普比例分别为0.655、0.625。持股集中度过去36M波动率加入非线性因子后，整体组合年化超额、月度胜率、超额最大回撤与夏普比例均有提升，其中加入持股集中度24M标准差与18Mtotal variance结果几乎一直，超额年化为8.83%、超额最大回撤为-21.03%、超额月度胜率为61.33%、夏普比例为0.718。改用行业集中度过去12月均值对策略提升较为明显，超额年化为9.06%、超额最大回撤为-21.67%、超额月度胜率为61.33%、夏普比例为0.729。持股集中度过去total variance36M加入非线性因子后，整体组合年化超额与夏普比例均有提升，其中加入持股集中度24M标准差与18Mtotal variance结果几乎一直，超额年化为8.18%、夏普比例为0.698。改用行业集中度过去12月均值对策略提升较为明显，超额年化为9.06%、夏普比例为0.701。
2.2.未来三个月收益可持续性研究
根据研究发现，持仓集中度类因子与未来一个月收益rankIc大体呈现负向关系。基金持股集中度标准差、total variance与行业配置集中度均值中部分因子通过rankIc检测，且持股集中度的rankIC表现整体好于行业配置集中度。分层检测来看，通过rankIc检测的因子基本没有因子具备显著分层效应，不过存在一定的因子存在明显尾部效应，例如持股集中度波动率36M、持股集中度total variance36M、行业配置集中度12M。综合来看，虽然该类维度对未来三个月收益的预测效果不高，但是可以通过该因子底部效应作为非线性条件来剔除一部分未来收益大概率在底部的基金。
二、基金因子研究体系
3.数据选取与处理
针对wind分类下开放式权益基金，包含；股票型基金、偏股混合型、平衡混合型以及灵活配置型基金；股票基准数据选取沪深300指数，无风险利率选取shibor 3M。
为了便于后期因子合成，我们需要对数据进行规范化预处理，主要包括去极值与标准化。去极值采用绝对中位数法，将极值压缩在3倍绝对中位数之间；标准化采用Z-Score方式，使因子均值为0方差为1。
4单因子检测
计算因子基金t时期因子与t+1时期收益的秩相关系数RankIc，同计算其均值、保准差、IR、胜率等指标对因子进行初步筛选，选取有效因子。对于持仓类因子，RankIc均值定在2%，通过RankIc均值判断因子方向性，有效因子的RankIc均值需要大于2%。对于负向因子，RankIc均值需要小于-2%。
5.分层检测
基于单因子检测初筛后的因子需要经过分层检测。分层检测将按照一定频率每一期因子由高到低排序，分成五档构建成五组不同的策略；基于五组不同的策略，跑历史回测数据，检查这五个组合的回测收益率、夏普比率是否明显保序。例如正向因子，越大代表未来一期收益越高，每次筛选因子值高的策略是否一直比筛选因子值低档高。若有明显分层保序，则可以推断该因子回测有效。
三、因子有效性检测
6.RankIc检测6.1.未来一个月收益可持续性检测
可以看出持仓集中度类因子与未来一个月收益rankIc大体呈现负向关系。其中基金持股集中度的波动率与total variance相对而言rankIc较显著，且期限越大，负比例越显著，但持股集中度过去均值的rankic总得来说不显著。表现较好的是基金持股集中度过去36个月total variance与标准差。基金行业集中度rankIc相较于持股集中度而言稍差。其中表现较好的是行业配置集中度过去36个月均值。可以看出，经过统计检验，基金持股集中度过去波动越大或约波动，未来一个月收益可能越小，但过去集中度的均值大小对未来一个月收益影响不显著。基金行业持仓集中度而言，若行业配置比例越集中，未来一个月收益会表现可能较差，波动与total variance维度相关性不显著。
6.2.未来三个月收益可持续性检测
可以看出持仓集中度类因子与未来三个月收益rankIc大体呈现负向关系。其中持股集中度的rankIC表现好于行业配置集中度。通过rankIc检验的因子中，持股集中度total variance与标准差较显著，且整体优于行业配置集中度因子。因此对于未来三个月的收益rankIc检测来看，基金持股集中度过去变化的标准差与total variance与未来三个月收益呈现反向关系，波动越大变化约剧烈，未来三个月收益可能表现较差。基金过去行业配置集中度若越集中，未来三个月收益可能越低。
7.分层回测
基于rankIC检测，基金持仓集中度与未来收益业务上是逆序关系，因此分层检测时，分层关系是因子值越大的组，理论收益表现越好；对于多空组合，由于框架计算是第五档组合减第一档组合，因此分层关系是因子值越大的组多空组合年化收益与夏普为负且越小。
7.1.未来一个月收益可持续性分层检测持股集中度波动率：通过月度换仓分层检测指标可以看出，持股集中度过去36M波动率相对而言有一定分层效果，其中每一组的年化收益与年化夏普呈现保序，多空组合年化收益与年化夏普最小。其余频率均会出现不保序现象。从分层回测图来看，所有频率的分层图效果均一般，中间层与容易交错，不过除了12M外其余因子对于底部效果明显，容易区分较差组合。
持股集中度total variance：通过月度换仓分层检测指标可以看出，持股集中度过去36Mtotal variance相对而言有一定分层效果，其中每一组的年化收益与年化夏普呈现保序，多空组合年化收益与年化夏普最小。其余频率均会出现不保序现象。从分层回测图来看，所有频率的分层图效果均一般，中间层与容易交错，不过因子对于底部效果明显，容易区分较差组合。
行业配置集中度过去均值：通过月度换仓分层检测指标与分层回测曲线看，该维度因子均无明显分层表现，过去12M因子底部效应相对明显，但比起其他维度显著性低。
7.2.未来三个月收益可持续性分层检测持股集中度波动率：通过季度换仓分层检测指标可以看出，该维度因子均不保序，无显著分层效果。其中持股波动率30M与36M相对而言头尾区分效应，中间三档出现交错。从分层回测净值曲线来看，该维度因子分层不保序，除了36M其余频率尾部分层在历史上出现逆序，因此综合来看36M相对有一定的头尾区分能力了，但中间档为存在非线性关系。
持股集中度total variance：通过季度换仓分层检测指标可以看出，该维度下没有能同时达到分层收益与分层夏普均保序的组合。持股集中度24Mtotal variance分层收益保序，但其分层夏普不保序。持股集中度30M与36Mtotal variance有一定的头尾区分能力，但是中间档为出现逆序。从分层回测净值曲线来看，该维度因子均不保序，其中36M有一定的头尾区分能力，中间档为存在非线性关系。
行业配置集中度股去均值：通过季度换仓分层检测指标可以看出，该维度下没有能同时达到分层收益与分层夏普均保序的组合。行业配置集中度30M均值分层一定程度上收益保序，但其分层夏普不保序。从分层回测净值曲线来看，该维度因子均不保序，其中12M有显著的尾部区分效应。
7.3.分层检测小结
对未来一个月收益的分层检测可以看出，原先通过rankIc的因子大多没显著分层效果。有一定分层效果的是持股集中度过去36M波动率与持股集中度total variance36M。不过研究发现很多因子虽不存在显著的分层效果，但是该因子存在显著的尾部效应，即一直选该因子最高一档，收益普遍处于最低档，例如持股集中度波动率24M、持股集中度total variance18M、行业集中度mean12M。对未来三个月收益分层检测可以看出，基本没有因子据有显著分层效应，不过存在一定的因子存在明显尾部效应，例如持股集中度波动率36M、持股集中度total variance36M、行业配置集中度12M。
四、策略构建
8.月度换仓单因子策略
通过对未来一个月收益的单因子RankIc检测与分层测试，选取有效因子持股集中度过去36M波动率与持股集中度total variance36M分别构建单因子策略。回测从2014年4月1日开始到2020年7月16日，年化超额分别为6.38%、5.22%，超额月度胜率分别为56%、60%，超额最大回撤分别为-22.33%、22.62%，夏普比例分别为0.655、0.625。
9.月度换仓单复合因子策略
基于研究发现，虽然很多因子不具有良好的分层效果，即线性关系较差，但是存在较显著的尾部区分度，因此对于月度调仓策略，在因子持股集中度过去36M波动率与持股集中度total variance36M基础上分别加入非线性因子持股集中度波动率24M、持股集中度total variance18M、行业集中度mean12M进行比较。具体做法是，首先根据尾部效应，每一期剔除非线性因子中最大的20%因子暴露的基金，之后再从剩下因子中分别筛选因子持股集中度过去36M波动率与持股集中度total variance36M因子暴露最小的10只基金构建策略，结果如下：
9.1.持股集中度过去36M波动率与非线性因子组合
首先根据尾部效应，每一期剔除非线性因子中最大的20%因子暴露的基金，之后再从剩下因子中筛选因子持股集中度过去36M波动率因子暴露最小的10只基金构建策略，这样有三种组合方式分别是：剔除持股集中度波动率24M最大20%后选取持股集中度过去36M波动率最小的10基金策略、剔除持股集中度total variance18M最大20%后选取持股集中度过去36M波动率最小的10基金策略、剔除行业集中度mean12M最大20%后选取持股集中度过去36M波动率最小的10基金策略，结果如下：
可以看出在持股集中度过去36M波动率加入了非线性因子，整体组合年化超额、月度胜率、超额最大回撤与夏普比例均有提升，其中持股集中度24M标准差与18Mtotal variance结果几乎一直，超额年化为8.83%、超额最大回撤为-21.03%、超额月度胜率为61.33%、夏普比例为0.718。用行业集中度过去12月均值对策略提升较为明显，超额年化为9.06%、超额最大回撤为-21.67%、超额月度胜率为61.33%、夏普比例为0.729。
9.2.持股集中度过去36Mtotal variance与非线性因子组合
首先根据尾部效应，每一期剔除非线性因子中最大的20%因子暴露的基金，之后再从剩下因子中筛选持股集中度total variance36M因子暴露最小的10只基金构建策略，这样有三种组合方式分别是：剔除持股集中度波动率24M最大20%后选取持股集中度过去36Mtotal variance最小的10基金策略、剔除持股集中度total variance18M最大20%后选取持股集中度过去36Mtotal variance最小的10基金策略、剔除行业集中度mean12M最大20%后选取持股集中度过去36Mtotal variance最小的10基金策略，结果如下：
可以看出在持股集中度过去36Mtotal variance加入了非线性因子，整体组合年化超额与夏普比例均有提升，其中持股集中度24M标准差与18Mtotal variance结果几乎一直，超额年化为8.18%、夏普比例为0.698。用行业集中度过去12月均值对策略提升较为明显，超额年化为9.06%、夏普比例为0.701。
