核心观点：
　　研究背景：主动权益类基金作为资本市场的重要机构投资者，其持仓行业分布及调仓行为备受关注。基金经理的行业配置变动往往反映了其对市场板块走势的判断和偏好，对投资者研判市场风向、优化资产配置具有指导意义。然而，目前公募基金的持仓信息披露频率很低且只有半年度和年度报告才披露完整持仓明细。这意味着在两个披露报告之间长达数月的空窗期内，外部观察者无法直接获知基金最新的行业仓位。如果能够实现基金行业仓位的高频估算，就能及时捕捉基金的调仓动向，为投资者决策提供宝贵信息，同时还能更好的观测到市场事件对行业的直接影响。
　　模型构建：卡尔曼滤波是一种递归贝叶斯时序估计算法，能够根据新观察到的数据实时更新状态的估计值，并自动过滤噪声。将其应用于基金仓位测算时，我们把基金的真实行业仓位视为隐含状态变量，每日基金净值收益率视为观测值，二者满足线性状态空间模型的关系。我们在之前的文章《主动权益基金仓位的高频测算方法研究》（发布于2025年3月28日）中对比了lasso，ridge以及卡尔曼滤波法在主动权益基金的总仓位测算的效果，这次主要的研究重点聚焦在基金的分行业仓位上，并且对卡尔曼滤波模型在自适应参数设置等方面进行了改进。
　　模型表现：首先，我们采集时间区间2020年1月1日至2025年6月18日，规模大于2亿且持仓不包含港股的主动权益类公募基金，共1101只，构建主动权益基金样本池，并采用卡尔曼滤波法对行业仓位进行高频估计，基金净值数据、半年报仓位披露、行业指数日收益率作为观测变量，基金行业仓位作为隐含变量。从三种不同类型基金（普通股票型、偏股混合型、灵活配置型）的行业仓位估计误差（MAE）情况来看，大部分行业的误差都在0.02以内，从绝对MAE大小看，普通股票型基金的行业仓位误差整体最高，为1.84%；其次是偏股混合型基金，为1.70%；而灵活配置型则误差略低，为1.58%。大多数基金的估计误差非常小，几乎准确，两侧快速衰减：误差在±0.25以内的样本占绝大多数，模型对绝大多数基金都有较好拟合，负向尾巴较长，有一些高仓位的行业容易被显著低估，正向尾巴更短，说明“高估”幅度大的情况更少。
　　高频仓位数据的应用：在获得了高频的行业仓位数据之后，我们可以借此对近期市场的一些结构性行情做一下分析。5月监管层发布《推动公募基金高质量发展行动方案》（下称《行动方案》），《行动方案》提出对业绩基准进行约束强化，我们预测此举会引发基金经理的调仓行为，我们期望通过对行业仓位的追踪来验证这一猜想。研究显示，在政策发布后的短期内，基金持仓中的银行、石油石化、交通运输等行业仓位较发布前提升，提升幅度具有统计显著性。这意味着很多基金经理选择提高仓位，部分弥补了过去与基准的落差。而基金此前超配的电力设备、家用电器、国防军工等仓位占比相较政策前出现了不同程度的下调，印证了基金在该领域的撤出迹象。基金经理开始主动削减组合中超额权重部分，以降低业绩偏离风险，主动基金的持仓结构正逐步向基准靠拢，配置风格朝着更加均衡稳健的方向转变。另一方面，也存在一些与预期变动相反的板块可能存在机构回补低配行业仓位的速度较慢的现象，未来我们会持续关注公募基金行业持仓变动，与定期报告结合，修正模型结果。
　　风险提示：本报告基于当前公开信息，存在市场风格转换风险，市场波动、投资分析意见所依据的关键预期不能成立的风险，信息时效性与完整性局限，不构成投资建议。