核心观点
　　1）基于仓位测算模型，我们构建了基金分类模型，根据基金仓位测算结果，将主动权益基金分为：分散风格、科技、下游消费、周期、医疗健康、金融地产、基础设施与运营等类别，2019年以来，科技基金的规模增速较快。
　　2）实证表明，量化选基因子对各类风格基金的效果并不一样，比如科技风格基金，度量基金经理挖掘盈利增速超预期股票能力的景气度捕捉因子较为有效，但其对分散风格基金的选基效果一般，因此我们针对不同风格基金测试总结出有效因子，并在相应大类行业的基金池中选取基金构建多因子模型。以科技行业增强FOF策略为例，回测年化超额收益率20.79%。
　　3）目前我们相对看好分散风格与科技基金。
　　摘要
　　1、仓位测算：主动权益基金加权仓位，截止2023年7月7日，配置占比前三板块为电力设备，医药生物，食品饮料，分别占比12.72%,10.83%,10.36%。从二季度行业表现来看，通信，家用电器，传媒等行业取得较高正向收益，而基础化工，房地产，商贸零售行业表现相对一般。基于卡尔曼滤波方法，结合定期报告持仓，动态测算全市场权益基金每周的行业仓位。近一月计算机、传媒及通信等行业仓位呈现增加趋势，由于TMT行业受益于人工智能技术突破，预计打开中长期行业增长空间，量化测算模型显示基金不断加仓。而电力设备行业呈现仓位下降趋势。
　　2、基金因子表现：权益基金超额净值类因子表现较好，固收加基金的alpha因子表现较好。
　　3、基金分类：根据基金仓位测算结果，对单板块最新权重在35%以上的基金划归为行业主题基金，单板块权重均在35%以下则划为分散风格基金，由此将主动权益基金分为1）分散风格，2）科技，3）下游消费，4）周期，5）医疗健康，6）金融地产，7）基础设施与运营。各类型基金近年规模趋势如下，2019年以来，科技基金的规模增速较快。关于仓位测算原理，可参照我们2022年10月24日发布的报告《基于机器学习的基金行业仓位测算模型—基金研究第十三期》
　　4、FOF策略：实证表明，量化选基因子对各类风格基金的效果并不一样，比如科技风格基金，度量基金经理挖掘盈利增速超预期股票能力的景气度捕捉因子较为有效，但其对分散风格基金的选基效果一般，再比如当限定基金风格时，风格择时能力因子失效较为严重，因此我们针对不同风格基金测试总结出有效因子，并在相应风格的基金池中选取基金构建多因子模型。FOF策略回测中季度调仓（但多数因子值为月频），不考虑手续费，每期剔除处于限购期的基金，等权买入多因子得分前5名的基金，回测区间为2017年初-2023年7月7日。如果超额净值曲线较为稳定向上，则说明模型达到了风格增强的目的。关于多因子选基模型，可参照我们2022年11月09日发布的报告《权益基金因子模型—基金研究第十四期》
　　目前我们相对看好分散风格与科技基金。
　　风险提示：
　　经济波动风险：近期国内外市场波动较大，地缘政治风险仍存，存在经济下行风险，尤其是美股市场受加息及地缘政治影响下波动更为剧烈，可能对A股市场产生冲击。
　　模型失效风险：量化模型为基于历史基本面及资产价格数据分析得来，所挖掘规律在未来不一定依旧存在，因此模型的历史效果不代表未来。
　　统计建模过拟合风险：模型估计参数可能过多，以至于对模型预测效果产生显著影响进而出现过拟合问题，过拟合模型在训练过程中产生的损失很低，但在预测新数据方面的表现却容易较差，目前量化资产配置模型样本外的跟踪时长还不够，因而不可轻视过拟合风险。
　　本报告对基金的研究仅仅限于原理方法论上的探讨，不构成任何基金推荐建议。