策略观点---
从新年开始，固收+投资者的情绪起伏恐怕不小。先是作为主力轮转工具的转债在1月成了“固收-”——当然，这里还有很大的结构分化，当时的小票基本就是“禁触区”，好在高位品种还能独善其身。但问题又来了：春节后，高位品种（类似股票中的白马）开始瓦解，市场似乎又进入小票的节奏里。令投资者略感沮丧的点也在这里：对于“固收+”基金们而言，其上游客户不一定有太高的风险容忍度，而2021年到现在，想保一月的净值必然在二月付出代价，而反过来的代价也许更高，比如在一月就要面对大量赎回。以我们的十大转债组合为例，二月同样表现不佳。随之而来的，是不免迷茫。我们的一个小经验：如果心态不能很快整理好，就看一看“其他人”，至少知道市场的一个平均组合是怎样做的，在状态调整好或者市场环境变好之前，先守住中庸，再伺机而动。但前提又是：只要我们需要一个稳定的工具，去观察“其他人”。
在此我们先介绍一个结合稳定性、拟合优度和直观性来讲，比较可接受的一个模型。我们在《转债基金的风格分解与Python》中介绍过一个简单模型，用以将转债基金的收益分摊到不同的指数上，从而得到基金的择券alpha和风格alpha。不过此时此刻，我们想要的并不是观察真实仓位也不是做收益的归因与评价，而是需要一个稳定性更好、也更加直观反映基金风格分布和边际变化的工具，因而我们不能照搬，或者至少要做一些改进。这方面的问题，一个简单的思路是做一个多元回归，例如：
其中Ri为基金净值回报，Rm1为第1个指数（例如转债指数或者沪深300），beta1对其对应的beta系数，以此类推。但相比于统计领域的其他问题，这样做几乎必然要面对一个比较大的多重共线性问题，这也是基金仓位测算中普遍存在的问题。对于固收+基金可能尤其如此，多数固收+基金都有仓位不低的转债，而无论是转债指数还是细分的策略指数，都会与股票指数有较强相关性。
针对此，我们用分步过滤法解决。学界存在着很多方法，例如岭回归、Lasso回归、PCA、逐步回归等，但诸如岭回归存在一个关键变量（λ），实践中多用交叉验证法确定——这会引入新的问题。而PCA会使回归参数失去直观意义，逐步回归则难以形成稳定的时间序列。我们的思路是，先用最简单的一元线性回归，找到“最适合”待研究基金的指数作为“主风格指数”，然后再对其他指数提纯，并用提纯后的数据再去拟合“主风格指数”无法解释的部分。
具体步骤和程序实现方法如下：
1、准备指数：当然，首先是准备工作，我们需要基金净值数据，并确定一个指数篮，通常不需要多，3~5个有代表性的即可。后面分别以Rm1、Rm2等表示，假设共n个。考虑到差异化和基金实际可能用到的策略，我们选取：转债大盘指数（简称转债指数）、双低策略指数、基金重仓指数和国证2000指数（代表小票）。其中基金重仓指数、国证2000指数直接提取便可，转债大盘指数和双低策略指数需要我们临时编制，所幸比较简单。实现逻辑如下，最终我们得到代表指数篮子的变量dfRet。
为什么这里不放低溢价策略？普遍来讲，溢价率很低的转债与正股区别比较小，为节省变量个数，我们希望这方面的暴露在股票指数上反映即可，因为实质如此，尤其是基金重仓指数。
# 风格指数编制逻辑
import libCB as cb # 我们的常用函数和数据库，这里仅用到计算转债策略指数的cb.frameStrategy
from WindPy import w
import readSql as rs
import pandas as pd
from scipy.optimize import leastsq
from sklearn.linear_model import LinearRegression
defgetRet(obj, start, end=None):
# 整合函数，需要用到下面的三个函数，返回dfRet。obj为保存转债基础数据的class，frameStrategy请见《转债策略测试》
if end isNone:
end = obj.DB["Amt"].index[-1]
dfBig = cb.frameStrategy(obj, start, roundMethod=21, weightMethod='fakeEv')
dfSD = cb.frameStrategy(obj, start,selMethod=LowPremLowPrice, roundMethod=21)
dfRet = pd.DataFrame(index = dfBig.index)
dfRet[u"转债指数"] = dfBig.NAV
dfRet[u"双低"] = dfSD.NAV
dfRet.index = pd.to_datetime(dfRet.index) # 这里是因为万得API返回的日期为dt模式，我们则是str，所以在这里先转化统一好
dfIndex = getIndex(start, end)
dfRet[u"基金重仓股"] = dfIndex['8841271.WI'] * 100 / dfIndex['8841271.WI'][0]
dfRet[u"国证2000"] = dfIndex['399303.SZ'] * 100 / dfIndex['399303.SZ'][0]
return dfRet
defbigCB(obj, codes, date, tempCodes, dfAssetBook):
t = obj.DB["Oustanding"].loc[date, tempCodes] > 5000000000.0# 大盘转债：溢价率
return t[t].index
defLowPremLowPrice(obj, codes, date, tempCodes, dfAssetBook):
# 简易双低策略
intLoc = obj.DB["Amt"].index.get_loc(date)
date = obj.DB["Amt"].index[intLoc - 1] # 平移一下日期，在t日用t-1日的数据
t = (obj.DB['Close'].loc[date, tempCodes] < \
obj.DB['Close'].loc[date, tempCodes].quantile(0.5)) # 取价格前50%
t *= (obj.DB['ConvPrem'].loc[date, tempCodes] < \
obj.DB['ConvPrem'].loc[date, tempCodes].quantile(0.5)) # 取溢价率前50%
return t[t].index
2、整合数据：除了指数外，自然我们还需要基金的净值回报，直接提取即可。我们在此顺便将前述基础数据一起整合到一个class中（命名为fundStyle）。
# 基金净值回报与基础数据整合
classfundStyle(object):
def__init__(self, codes, dfRet):
self.codes = codes
self.dfRet = dfRet
self.navReturn = self.getNavPctChg() # 基金净值回报
defgetNavPctChg(self):
codes = self.codes
start = dfRet.index[1]
end = dfRet.index[-1]
ifnot w.isconnected(): w.start()
strCodes = ','.join(codes)
_, dfNavPct = w.wsd(strCodes,'NAV_adj_return1',start,end, usedf=True)
return dfNavPct
3、用普通的带截距的模型，先逐个用Rm1~Rmn回归Ri，得到n个一元线性模型的R^2（拟合优度）。选择其中R^2最大也就是拟合效果最好的那一个指数，作为“主风格指数”，该指数也被记作Rmk。这里的回归我们不加任何限制，于是sklearn的LinearRegression即可解决问题，如下:
# 初步回归
defreg5(self, code, n_window, n_calc):
# n_window为单次计算所用的时间窗口， n_calc为计算间隔（当然可以为1）， 最终结果以df形式存储于ret
xPct = self.dfRet.pct_change().dropna() # 指数回报，备用
srsChg = self.navReturn[code] # 该基金的净值回报
idx = list(srsChg.index[n_window::n_calc]) # 日期轴
ret = pd.DataFrame(index=idx,
columns=['alpha',u'转债指数',u'双低',u'国证2000',u'基金重仓股','level1'])
for date in ret.index:
i = srsChg.index.get_loc(date)
y, x = srsChg[i-n_window+1:i+1], xPct.iloc[i-n_window+1:i+1] * 100.0
# 初次回归
_dfScore = pd.DataFrame(index=x.columns, columns=["score","beta"]) # 保存每一个单因子回归的beta和拟合优度（score)
Line = LinearRegression(fit_intercept=True)
srsPara = pd.Series(index=ret.columns) # 用来保存中转结果
for col in x.columns:
Line.fit(x[col].values.reshape(-1,1), y.values.reshape(-1,1))
_dfScore.loc[col, "score"] = Line.score(x[col].values.reshape(-1,1), y.values.reshape(-1,1))
_dfScore.loc[col, "beta"] = Line.coef_[0][0]
level1 = pd.to_numeric(_dfScore["score"]).argmax() # 直接argmax会有数据类型报错，这里需要中转一下
srsPara['level1'] = level1
beta = _dfScore.loc[level1, "beta"]
alpha = Line.intercept_[0]
4、计算用Rmk一元回归得到的残差值，即Ri’= Ri – betak * Rmk - alpha。下一步我们要去用其他指数拟合Ri’。但在此之前，其他指数之间的多重共线依然存在。所以，这里我们先用Rmk对其他指数“提纯”。我们先用Rmk去做单因子拟合其他指数，得到诸如Rm1= c1 * Rmk + e的线性关系，然后得到Rm1’= Rm1 – c1*Rmk，以此类推。下面的程序仍在“reg5”函数内部。
# 非主要指数的提纯
y -= (beta * x[level1] + alpha) # 首先要对y也做提纯
LineX = LinearRegression(fit_intercept=False)
dictCoef = {} # 保存c1,c2,c3,c4
for k in x.columns:
if k != level1:
LineX.fit(x[level1].values.reshape(-1,1), x[k].values.reshape(-1,1))
dictCoef[k] = LineX.coef_[0][0]
x[k] -= x[level1] * LineX.coef_[0][0]
x.drop(columns=level1, inplace=True)
5、最后，我们用一个带约束的多元回归，去得到上述x与y之间的关系。由于sklearn不支持简易的带约束回归，我们需要用scipy中的leastsq并手动做约束条件。这里我们不多加限定，只要参数回归出来不要小于0即可，如下文的constrainRegV3即实现该功能。
# 带约束的多元回归
defconstrainErrV3(p, x, y, beta):
err = list(p[0] + (p[1:]* x).sum(axis=1) - y)
pen2 = max([-min(p[1:]), 0])
err.append(pen2*100000000)
return err
defconstrainRegV3(x, y, beta):
return leastsq(constrainErrV3, [0,0.2,0.2,0.2], args=(x,y, beta), maxfev=1000)[0]
6、使用方式：由于封装完整，使用时只需要初始化后调用reg5即可，不赘述。
# 完整回归函数reg5
defreg5(self, code, n_window, n_calc):
# n_window为单次计算所用的时间窗口， n_calc为计算间隔（当然可以为1）， 最终结果以df形式存储于ret
xPct = self.dfRet.pct_change().dropna() # 指数回报，备用
srsChg = self.navReturn[code] # 该基金的净值回报
idx = list(srsChg.index[n_window::n_calc]) # 日期轴
ret = pd.DataFrame(index=idx,
columns=['alpha',u'转债指数',u'双低',u'国证2000',u'基金重仓股','level1'])
for date in ret.index:
i = srsChg.index.get_loc(date)
y, x = srsChg[i-n_window+1:i+1], xPct.iloc[i-n_window+1:i+1] * 100.0
# 初次回归
_dfScore = pd.DataFrame(index=x.columns, columns=["score","beta"]) # 保存每一个单因子回归的beta和拟合优度（score)
Line = LinearRegression(fit_intercept=True)
srsPara = pd.Series(index=ret.columns) # 用来保存中转结果
for col in x.columns:
Line.fit(x[col].values.reshape(-1,1), y.values.reshape(-1,1))
_dfScore.loc[col, "score"] = Line.score(x[col].values.reshape(-1,1), y.values.reshape(-1,1))
_dfScore.loc[col, "beta"] = Line.coef_[0][0]
level1 = pd.to_numeric(_dfScore["score"]).argmax() # 直接argmax会有数据类型报错，这里需要中转一下
srsPara['level1'] = level1
beta = _dfScore.loc[level1, "beta"]
alpha = Line.intercept_[0]
# 二次回归看残余
y -= (beta * x[level1] + alpha) # 首先要对y也做提纯
LineX = LinearRegression(fit_intercept=False)
dictCoef = {} # 保存c1,c2,c3,c4
for k in x.columns:
if k != level1:
LineX.fit(x[level1].values.reshape(-1,1), x[k].values.reshape(-1,1))
dictCoef[k] = LineX.coef_[0][0]
x[k] -= x[level1] * LineX.coef_[0][0]
x.drop(columns=level1, inplace=True)
coef = list(constrainRegV3(x, y, beta))
for i, v in enumerate(x.columns):
srsPara[v] = coef[i+1]
beta -= srsPara[v] * dictCoef[v]
alpha += coef[0]
srsPara[level1] = beta
srsPara['alpha'] = alpha
ret.loc[date] = srsPara
return ret
针对当下，固收+们有什么动作？以下结论：
1、首先看转债基金，其整体仓位仍在中位水平。但由于转债基金本身调仓余地不大，我们更关注构成。与直觉不同的是，我们未能看到这些基金加码双低小转债或者国证2000小股票。这些产品在股票仓位上由此前高点有所收敛，国证2000小股票未有明显变化（因为本来的数字也已经很小），提高的则是大盘转债的占比。
2、积极型固收+基金（非转债基金，但转债+股票仓位高于40%）在近期几乎没有结构上的调整。仅仅出现大盘转债些许提升的迹象。
3、稳健性固收+基金（不属于前两者的二级债基与偏债混基）的仓位略有提高，且高在了“基金重仓股”上。
4、当然上述只是特定类型的平均情况，不同经理、产品自然有个性化差异。但总体来看，头部大固收+产品倾向于保持原有的风格，只是仓位的加加减减。例如以下案例，产品名称暂以字母代替。
注
报告原文请见2021年03月05日中金固定收益研究发表的研究报告。
