基本结论
　　公募基金是市场上重要的机构投资者，跟踪公募基金行业仓位的高频变化，能在一定程度上辅助投资者对市场进行研判，为投资提供帮助。目前传统测算方法主要是基于线性回归，但由于高相关性和低信噪比，导致最终结果往往不够理想。本文使用卡尔曼滤波作为核心模型，针对公募基金投资操作特点进行适配，最终探索出一套准确度较高的行业测算方法。在此基础上，本文使用行业测算结果，一方面构建基金行业因子对未来行业指数表现进行预测，另一方面构建基金选股和交易因子建立FOF组合策略。经检验，两个应用维度上均取得了很好效果。
　　卡尔曼滤波测算行业仓位
　　卡尔曼滤波在通信、导航、制导与控制等多领域有广泛的运用，它是一种递归的贝叶斯算法，能够实现数据实时更新和去噪声处理，并对系统状态进行最优估计。用卡尔曼滤波进行基金行业仓位测算有天然的适配性，基金的行业配置比例是状态变量，基金的净值涨跌幅是可观测值，两者满足线性转换关系，并符合模型的假设要求。可以从基金实际行业配置比例出发，通过每日涨跌幅进行校正，最终得到当期配置比例的最优估计。
　　在具体运用上，我们用持股明细和重仓股补全的行业配置比例作为初始值，并根据基金的行业轮动风格将基金分类，每一类中对超参数分别进行赋值。在行业收益的考量上，我们针对每只基金实际持仓构造了行业指数，并与市场行业指数进行等权结合，兼顾了基金特点与行业全局，充分利用了基金持仓与市场信息。经检验，2017年以来主动偏股基金行业测算的市场平均误差仅为0.38%，优于绝大多数传统测算模型，而且对于预测行业仓位的大幅波动，模型方向识别的准确率更高，另外模型结果整体较为平稳，噪音较低。
　　基金行业测算应用
　　行业表现预测
　　用主动偏股基金各行业的持仓和调仓信息构建的基金行业因子，可以对行业指数未来表现进行有效区分，由因子值分类得出的强势行业与弱势行业之间，未来3个月的收益有显著差异。据此构建的行业多空组合，收益率经t检验显著大于0，且组合2017年以来的年化收益为11.66%，每一年均取得显著的正向收益。
　　1月模型最新优选的强势行业包括:电子、医药生物、汽车、农林牧渔、煤炭、机械设备、食品饮料、非银金融、家用电器、银行。
　　FOF策略构建
　　根据基金的高频行业仓位信息进行业绩归因，构建的基金选股和交易因子，可以衡量管理人的特有能力，通过计算因子的IC和IR值，我们发现因子收益能力较强、稳定性较高。用因子进行基金优选，构造的月频和季频FOF配置策略，长期均稳定战胜偏股基金指数，理想情形下年化超额收益率分别为10.16%和6.84%。
　　月频换仓模型1月构建FOF组合包括:建信优享科技创新、鹏华创新驱动、摩根领先优选A、富国低碳新经济A、鹏华科技创新、大成成长进取A、广发科技创新A、中信保诚周期轮动A、申万菱信乐成A、大摩数字经济A。
　　风险提示
　　历史数据不被验证导致模型失效、测算模型构建的因子缺乏稳定性、股票市场波动与基金净值调整风险等。