公募基金转债仓位是判断市场拐点的关键变量，但季报数据频率低、时效性弱。如何用数学方法高频推算？东方财富证券采用卡尔曼滤波法——一类从噪声数据中递归估计动态系统状态的算法——对混合型基金和一二级债基的转债仓位进行日频测算。模型绝对误差中位数约3pct，方向准确率60%。本文详解卡尔曼滤波法的原理、设定、效果与局限性。
为什么用卡尔曼滤波？
常用方法对比：
二次规划法（最小二乘、逐步回归、Lasso等）：通过回归估计基金对各类资产的配置比例。优点是可融入初值信息，缺点是对多重共线性敏感。
卡尔曼滤波法：递归算法，通过预测-更新两阶段循环，结合上一期状态估计和当期观测值，获得更精确的当期估计。优点是对噪声数据有较好的处理能力，可动态更新。
适用场景：基金仓位是随时间演变的状态变量，观测值（基金净值、资产收益率）包含噪声。卡尔曼滤波正是为这类“从噪声中估计动态状态”的问题而设计。
卡尔曼滤波的数学原理
状态方程：xₖ = A·xₖ₋₁ + B·uₖ₋₁ + wₖ₋₁
测量方程：zₖ = H·xₖ + vₖ
其中w和v分别为过程噪声和测量噪声，服从正态分布，协方差矩阵为Q和R。
两阶段递推：
预测阶段：
- ŝₖ⁻ = A·ŝₖ₋₁ + B·uₖ₋₁（先验估计）
- Pₖ⁻ = A·Pₖ₋₁·Aᵀ + Q（先验误差协方差）
更新阶段：
- Kₖ = Pₖ⁻·Hᵀ·(H·Pₖ⁻·Hᵀ + R)⁻¹（卡尔曼增益）
- ŝₖ = ŝₖ⁻ + Kₖ·(zₖ - H·ŝₖ⁻)（后验估计）
仓位测算模型：假设基金持有股票、可转债、纯债和现金四类资产。资产权重Wₖ满足：基金收益率Rₖ = Σ(资产权重Wₖ × 资产收益率rₖ) + 误差项。
数据设定与样本筛选
资产收益率代理：
- 股票：中证800指数
- 纯债：中债综合财富指数
- 现金：货币市场基金指数
- 可转债：中证转债指数和持仓指数等权均值（持仓指数根据季报持仓构建）
样本筛选：
- 基金类型：混合型基金和一二级债基（转债配置主力）
- 成立满两个季度、总资产≥2亿元、持仓转债≥5000万元
- 开放式基金、初始基金
- 测试区间：2022年1月1日至2025年8月1日
- 各期样本数量：75-170只
初值设定：每个季度根据季报披露仓位调整初值并重新迭代。资产权重初值为上一季度末四类资产占总资产比重。协方差矩阵初值根据历史季末实际数据计算。
模型效果评估
绝对误差：各季末样本基金转债仓位绝对误差中位数约3pct。
典型样本：
- 工银四季收益（仓位稳定）：误差均值不足1pct——模型对低波动样本效果好
- 诺安优化收益（仓位波动大）：2022Q3、2024Q3、2024Q4误差较高——模型捕捉到趋势方向但幅度不足
误差来源：卡尔曼滤波受步长限制，状态变量需迭代一定次数才收敛，短期剧烈变化时误差更大。每个季度初值调整导致测算结果在季末与季初之间出现断点。
方向准确率：对各季度仓位变化方向估计准确率约60%。
模型的应用与局限
应用价值：
- 提供日频仓位跟踪数据，补充季报低频信息
- 方向准确率优于随机猜测，可用于判断趋势
- 结合左侧配置特征，辅助择时决策
局限：
- 单个基金层面误差较大，需以样本中位数/均值做整体判断
- 对仓位剧烈变化的基金测算幅度不足
- 季度初断点问题需注意
改进方向：优化步长设置、引入更多资产类别、结合持仓数据提升精度。
