什么是基金净值和走势？
基金净值就是基金单位净值即每份基金单位的净资产价值，等于基金的总资产减去总负债后的余额再除以基金全部发行的单位份额总数。走势就是上涨和下跌。
近段时间基金在涨还是跌？
在涨！
5个技巧选出好基金
2、基金经理的历史业绩基金经理历史业绩在一定程度上反映出基金经理的投资水平，影响基金净值的走势，投资者尽量挑选基金经理历史业绩较好的基金进行投资。3、基金投资标的情况基金投资标的的走势情况，也会影响基金净值的走势，...
为什么说基金净值在逢一都会比较高,而在周五,周六,周日净值都会下跌呢...
因为周末许多银行资金流动性紧张，短期利率在周末急升，收益率将会在周一体现出来。基金净值在逢一都会比较高，而在周五，周六，周日净值都会下跌这句话本身是片面的。由于基金公司会买入卖出，因此波动较大，有的基金公司习惯于...
跑赢Wind偏股基金，一个更无脑更粗暴的方法|从基金韭菜到老鸟
前几天，介绍了用晨星奖得奖基金来获得碾压Wind偏股混合基金指数的不俗收益。
不过也有读者提出，不信任晨星奖的可持续性，只希望跟踪Wind偏股混合基金指数，问有没有简单的法子？
“不信任”，这无疑是一个优秀投资者进阶的必然之路，毕竟第三方机构可能发挥市场，可能违背初心，是不能轻信全信的。所以这里，就说说我对指数化跟踪Wind偏股混合基金指数的小妙招吧。
在说小妙招之前，还是要放一张历史收益对比图，你就能知晓Wind偏股混合基金指数有强大，是如何碾压中证800全收益指数和中证偏股基金指数的。
Wind偏股混合基金指数之所以那么牛，关键就采取等权重，而不似中证偏股基金指数采取份额加权，后者会被顶流们的规模所“拖累”。
其实，要获得Wind偏股混合基金指数的收益，最简单的法子，就是等权重买入这个指数所有的基金，就自然获得对应的收益了。不过考虑Wind偏股混合基金指数有5000+的成分基金，这个方式虽然粗暴，但并不简单，别说如此庞大的数量手动申购，哪怕是用且慢这样的自建组合方式，都可以操作到抑郁。
作为一名指数投资的资深玩家，我当然知道这时候使用全样本复制是不靠谱的，而是要考虑改用抽样跟踪了。
如何抽样跟踪，之前听过一些玩家的思路。
一种是随机抽样，是一位读者反馈的，从已有的基金中随机买入30到40只，长期表现的确不错。但随机这东西，千人千面，而且实际收益往往会受抽样时的运气影响；
第二种是另一位读者给的建议，每年将所有基金按照上一年的收益排序，等距找出第1、第101这样等距的基金，以使得每个收益分布都有基金入选，这算是基于收益的分层抽样了。这种排序的效果我没测试，我总觉得这样太复杂，尤其是对于普通基民。
更重要的是，我偶然发现了一个更简单，更粗暴的方式，我称之为：年份抽样法。
会发现年份抽样法，其实始于我对新发基金的探索。我想看看每年层出不穷的新基金，是不是可以提高基金的平均收益，我以就将所有的股票型基金找出来，做了一个测算。
我按照2015年及之前成立的基金、2016年及之前成立的基金，建立一个个年份基金池，然后逐个计算2019年到2022年的逐年平均收益。
从下表可以看到，无论你是选择2014年及之前成立的基金，还是选择成立2018年及之前成立的基金，其实2018年至2022年的年化收益都差不多——所有股票型基金的数据会略差，我觉得可能与2019年和2020年成立了大量基金，建仓期拖累了他们在2019年和2020年的大涨行情的表现相关。
然后你会发现，我的初衷只是通过抽样跟踪的方式跑平Wind偏股混合基金指数，没想到至少在2018年至2022年这五年时间里面，竟然还有了2个点以上的超额收益！
当然，细看指数，我觉得这可能是因为我选取的是股票型基金，不允许低仓位运作，所以在2019年和2020年收益会更高，相对应的是2018年这样的熊市就会更颓废。这或许也是现在许多顶流基金经理选择不择时长期高仓位运作的事实支撑吧。不过为什么股票型基金在2022年竟然大多数都比Wind偏股混合型基金还要抗跌，这倒是我始料不及的。
上表，无疑是一个极好的开端。因为我们不仅有了超额收益，而且还有了颇为稳定的抽样路径——既然不同年份的基金收益相差无几，那么我就可以选一个基金比较少的年份，直接作为抽样池。
下图，是每年股票型基金的数量。这里需要说明一下，今次的研究，没有考虑清盘基金的影响，在统计每年股票型基金时，也没将清盘的基金列入。主要是这块数据无从寻找。不过有历史超额扛着，应该不会产生根本性的误差。
53只，2014年的这个数字，相当迷你，相当美妙。
那么如果我们就选取在2014年末已经成立的这53只基金，看看更长维度的历史表现会是如何呢？
我做了两种测算，第一种是每年再平衡，需要每年将做一下高抛低吸，将组合回归到等权重状态；第二种是买入后就不管不顾。
从下表可以看到，这两种方法，相较Win偏股基金指数，都是有显著超额的。
对比两种方法，每年再平衡的超额收益存在，但不多。考虑到每年再平衡设计申购和赎回费，再加上人力上的投入，有点得不偿失。
对普通基民，买入2014年末就成立的这53只股票型基金并长期持有，或许是一种暂时看来最简单最粗暴的追踪Wind偏股型基金指数的方式。
当然，历史表现不能代表和预测未来，这个策略在未来表现如何？
为了跟踪这个策略，我在同花顺iFind建立了一个虚拟组合，设定在2017年底等权重买入这53只基金，然后就一直买入并持有，不做任何的再平衡。
下图是这个被我命名为“股基2014”组合的今年迄今净值走势，今年迄今上涨1.24%。
与之相比，偏股基金指数截至4月27日的今年迄今涨幅是-1.2%，哪怕算上4月28日国证A指1.35%的涨幅，应该也是跑不赢“股基2014”的。当然Wind偏股基金指数截至4月27日是上涨0.55%，算上4月28日的收益会是多少，还要等五一开市之后才能揭晓了。
既然用那么简单粗暴的方法就能打败Wind偏股混合基金指数，这无疑就对精挑细选的选基方法提出了更高的要求。
趁着长假，我将我的“不抱团组合”和“EarlONE”也在同花顺iFind建立了可跟踪的虚拟组合，从几年前提出开始就跟踪。
下图是不抱团组合2021年3月8日成立迄今的净值走势对比，2022年收益是-13.93%，今年迄今收益是4.03%。
下图是EarlONE组合2021年11月19日成立以来的净值走势对比，2022年收益是-15.95%，今年迄今收益是3.92%。
万幸，这两个组合今年迄今都还是跑赢中证偏股基金指数和Wind偏股基金指数的。
最后，我将这53只基金的名称和代码都列在下面。诸位有兴趣的不妨瞄一眼，你会发现很多熟悉的身影，比如刚刚拿了晨星奖的工银创新动力，比如赵蓓的代表作工银医疗保健，比如陆彬的汇丰晋信低碳先锋，比如萧楠的易方达消费行业，这些基金成立许久，基金经理几经更替之下，还是不断焕发新春，这或许也是这个策略可以持续下去的重要原因吧。
证券名称证券代码安信价值精选股票000577.OF大摩进取优选股票000594.OF大摩品质生活精选股票000309.OF东吴新产业精选股票A580008.OF富国城镇发展股票000471.OF富国高端制造行业股票A000513.OF工银创新动力股票000893.OF工银高端制造股票000793.OF工银研究精选股票000803.OF工银医疗保健股票000831.OF光大保德信量化股票A360001.OF国富健康优质生活股票000761.OF国富中小盘股票A450009.OF国泰金鑫股票A519606.OF华安大国新经济股票A000549.OF华宝制造股票000866.OF汇丰晋信大盘股票A540006.OF汇丰晋信低碳先锋股票A540008.OF汇丰晋信科技先锋股票540010.OF汇丰晋信消费红利股票540009.OF汇丰晋信中小盘股票540007.OF汇添富环保行业股票000696.OF汇添富外延增长主题股票A000925.OF汇添富移动互联股票A000697.OF嘉实新兴产业股票000751.OF嘉实研究阿尔法股票000082.OF嘉实医疗保健股票000711.OF建信改革红利股票A000592.OF建信潜力新蓝筹股票A000756.OF建信中小盘先锋股票A000729.OF交银施罗德消费新驱动股票519714.OF景顺长城成长之星股票000418.OF景顺长城研究精选股票000688.OF景顺长城优质成长股票000411.OF景顺长城中小创精选股票000586.OF民生加银优选股票000884.OF摩根大盘蓝筹股票A376510.OF摩根核心成长股票A000457.OF摩根民生需求股票A000524.OF南方天元LOF160133.SZ诺安策略精选股票320020.OF鹏华环保产业股票000409.OF鹏华价值精选股票206012.OF鹏华先进制造股票000778.OF鹏华养老产业股票000854.OF鹏华医疗保健股票000780.OF泰达宏利首选企业股票A162208.OF泰达转型机遇股票A000828.OF兴全全球视野股票340006.OF易方达消费行业股票110022.OF银河康乐股票A519673.OF招商行业精选股票基金000746.OF中海医疗保健A399011.OF
同花来自顺基金的净值走势在哪里可查询？
进入同花顺爱基金APP，右上角点击搜索按钮，输入您要查询的基金代码或者名称，搜索完成后进入个基页面，可查询该基金的净值走势、实时估值等。
银华日利市场基金的收益表现怎么样？
这只基金的收益表现还是不错的，截至4月21日，成立以来的年化回报是4.55%，在同类中排名前1/3，最近一年的回报使4.60%，在同类中排名前1/2。
【国联金融工程】NLP增强的主动权益基金标签体系
NLP增强的主动权益基金标签体系
报告外发时间:2022-08-22
投资要点
ØNLP抽取合同文本信息，全面增强基金分类
基金分类是FOF管理流程的起点，传统的分类方法大都过度依赖文本或持仓信息。本文则以NLP技术深挖基金合同的文本信息，对未建仓的主动权益基金实施有监督的文本分类算法；对已建仓的基金则在聚合文本、持仓、净值等信息的基础上采用无监督的层次化聚类方法，全面增强基金分类的效果。
Ø 对未建仓基金进行有监督的文本分类
合同文本是未建仓基金唯一可用的信息，且人们常以既有的标签体系对新基金归类。本文即根据业界习惯预定义一个含15个类别的标签体系，按基金名称标注部分样本作为训练集，然后采用百度飞桨自然语言处理模型库PaddleNLP中开源的文本分类方案，基于中文NLP领域领先的百度ERNIE模型对主动权益基金实施有监督的文本分类。模型在测试集上的准确率达89.83%，对行业、主题类基金的预测准确率多在80%以上。
Ø 对已建仓基金聚合文本、持仓等信息实施无监督聚类
在以TF-IDF算法将量化抽取文本主题的基础上，本文从持仓组合、净值走势、交易偏好、截面特征、合同文本维度对已建仓基金画像，并实施基于预定义距离矩阵的层次化聚类。针对平替产品投资的需求，我们使用距离阈值横切出组内相似度高的社区结构；针对FOF组合投资的需求，我们先以CH指标遴选构建组间异质性强的文本聚类结构，然后结合持仓等信息优化迭代出细化、稳健的聚类体系。
Ø 结合文本、持仓信息识别基金“风格漂移”
基金分类的事前法、事后法均无法识别风格漂移现象。本文在结合文本、持仓信息聚类的基础上，提出了两种量化识别基金“风格漂移”的方法。第一种是通过度量与基准产品的文本、持仓向量距离差来定义风格漂移的产品；第二种则是在文本聚类的基础上根据组内样本的行业分布差异进行定义。
Ø 风险提示：
基金的业绩分析基于历史数据，计量模型则带有一定的假设，据此预测未来收益存在失准、失效的可能。
分析师：朱人木
执业证书编号：S0590522040002
邮箱：zhurm@glsc.com.cn
联系人：孙子文
邮箱：sunzw@glsc.com.cn
正文目录
正文
1.机器学习增强基金分类
1.1. 传统分类方法不够精细
Ø 基金分类是FOF管理体系的基石
FOF管理流程包括基金分类、基金评价与筛选、组合配置和投后管理等步骤。基金分类是整个管理流程的起点，良好的基金分类可在多个环节提升基金投研的效率：第一，组内相似度高，提高基金评价的可比性、便于平替产品投资；第二，市场风格覆盖广，便于筛选应时的绩优产品；第三，颗粒度细，满足多样化、小众化的投资需求；第四，组间区分度高，便于构建轮动、分散化的投资组合。
Ø 传统分类方法片面、不精细
传统的基金分类方法主要分为事前法和事后法。事前法是指依照基金合同、尽调报告等文本信息确定基金投资风格和策略类型，常见的WIND分类体系即属于此类。事前法可以得到先验、客观的分类结果，也能够灵活地识别持仓特征不明显的投资策略。然而该方法不能应对基金的风格漂移现象，且在采用一般的文本分析技术时也难以做到深入、精细的分类。
事后法则是指根据基金的持仓、净值信息来确定基金类型，流行的晨星风格箱即为如此。这一量化方法可较为准确的刻画基金类型，但其因数据披露时限而存在滞后性问题。一些持仓特征不明显的策略类型如量化主题、多策略主题也难以通过事后法识别出来。
1.2. 创新使用NLP文本分类+层次化聚类
全面引入NLP技术深挖合同文本，增强基金分类效果。基金合同较为详尽的阐释了该基金的投资风格和策略类型，传统的文本分析方法不能充分挖掘相关信息。近年来中文NLP领域取得了诸多突破性的进展。针对小样本、长文本的主动权益基金归类任务，本文即分别采用百度ERNIE3.0模型和TF-IDF算法从基金合同中提取信息，以增强分类效果。
Ø 对新基金采用百度ERNIE模型有监督分类
采用百度ERNIE3.0模型对未建仓的主动权益基金执行有监督的文本分类。对于未建仓的新基金，事前法是分类任务唯一的选择，深挖合同文本会带来显著的增益。在主动权益基金的合同文本中，投资目标、投资基准、投资理念和投资策略部分均含有丰富的风格/策略信息，与基金类型识别直接相关。
在具体实践中，人们常会根据既定的标签体系或目标策略来对新基金进行归类，因此这是一个典型的有监督分类任务。本文针对主动权益基金搜集了业界常用的15个类别标签，并根据基金名称对部分基金打标签形成训练样本集。在模型选择上，本文选择在中文NLP领域实测表现十分优秀的百度ERNIE3.0模型进行训练和预测。
Ø 对已建仓基金结合文本、持仓数据无监督聚类
对于已建仓的基金，由于文本信息和持仓数据难以整合，业界通常采用事后法以持仓数据来确定基金类型，本文则尝试引入NLP算法将二者聚合分析。TF-IDF就是一种可以较好凸显文本主题的NLP算法，其在小样本、长文本数据集中有着便捷、高效的应用优势。本文即采用TF-IDF算法将基金合同向量化表示，然后再结合持仓信息构建聚类标签体系。
根据文本向量和持仓特征、净值等信息构建灵活、稳健的聚类标签体系。投资风格相似的基金经理往往有一致的持仓偏好，其基金的净值走势也会趋同。本文按基金的合同文本、持仓组合/风格、净值信息等指标分别计算主动权益基金的余弦、马氏距离矩阵，然后分别基于距离阈值和CH指标构建不同层次的标签体系。
Ø 两种分类方法均取得较好的应用效果
在具体实践中，ERNIE模型和层次化聚类方法均取得了较好的分类效果。ERNIE模型在整个测试集中的准确率达89.83%，且对2/3类别的预测准确率超70%。根据距离阈值横切社区结构的方法则灵活、准确地识别出多种宽基风格、细分主题的相似产品；另外，拿CH指标遴选文本聚类结构、并以持仓信息迭代优化的方法也成功构建出一个多维、稳健的标签体系。
1、搭建网络销售平台
2. 基于基金合同文本的有监督分类
2.1. 百度ERNIE知识增强模型——观千剑而后识器
Ø ERNIE模型有丰富、系统的先验知识
NLP本质上是对人类语言的数学化建模，曾先后历经基于词频统计的向量化表示和考虑上下文的深度学习阶段。2018年BERT等模型在样本集外的超大语料库习得先验知识，开启了全新的预训练时代。但BERT预训练仍只是完形填空和上下句预测，其无法学到词语、实体的完整语义。
ERNIE3.0等于BERT+知识图谱，具有丰富、系统的先验知识。百度ERNIE立足中文情境，以知识图谱增强大规模预训练模型，从字开始学习词语、实体的结构关系，显著提升了模型的精度和泛化能力。从2019年以来，百度飞桨团队先后基于知识融合、持续学习语义、知识图谱推出三个版本的ERNIE模型，并凭借习得的先验知识在文本分类等多个任务情境中均取得了优异的实绩。
2.2按合同文本对基金进行有监督分类
Ø 主动权益基金的文本多分类
本文所指的主动权益基金包括WIND基金分类中的普通股票型、偏股混合型、平衡混合型和灵活配置型基金，后两类基金的近2年平均股票仓位须大于60%。此时样本集共有3551只基金。在文本分析之前，本文还对合同文本的相关字段进行了预处理：首先，提取投资策略中关于权益资产的策略描述段落；其次，保留投资基准中与策略相关的指数名称；最后将基金的投资目标、投资基准、投资理念、投资策略文本拼接起来。在剔除拼接文本长度小于50个字符的样本后，还剩下3503个样本。
我们构建了含15个类别的主动权益基金标签体系，包括常见的成长/价值风格、大消费/医*/新能源行业、量化/ESG主题等。就合同文本的主题策略定义而言，大部分样本在该体系中的标签类别是唯一的，因此这是典型的文本多分类任务。然而，也有一些样本的主题策略涉及多个标签，比如某只基金同时属于科技和量化主题。故我们在训练和预测时会同时察看TOP1、TOP2标签的准确率。
根据基金名称打标签，构建训练、开发样本集。许多主动权益基金的名称中即涵盖了投资的主题范围，如XX消费主题、XX量化成长等。本文即根据基金名称中与标签相关的一些关键词，对部分主动权益基金进行标注。在打标签时，要求基金名称不得含有不同标签下的多个关键词。最后，总共得到1374只标注后的样本，对其按0.7/0.3的比例划分为训练、测试集，剩余未标注的样本则为预测集。
Ø 以ERNIE3.0模型实施有监督分类
本文以从Wind数据库下载的基金合同相关字段构建文本样本集，并选择ernie-3.0-medium-zh作为预训练模型。由于数据集有近一半的样本长度介于500-1000字符之间，故将模型的缺省参数max_seq_length设置为1024。为增强最终结果的鲁棒性，模型在训练时开启了早停机制。
从结果来看，ERNIE3.0模型在基金文本多分类任务上实绩颇佳。模型在整个测试集上的准确率为89.83%，TOP2标签的准确率达96.85%。分类来看，在行业主题领域模型的预测精度最高，其对数量在10个以上的行业主题基金预测准确率均在80%以上；在国企改革、ESG等特征鲜明的主题上模型预测准确率也高于80%；仅在量化、价值、均衡主题上模型的预测准确率低于70%。
1、搭建网络销售平台
3. 层次化聚类的流程简介
3.1. 灵活、普适的层次化聚类
层次化聚类是指根据节点间的相似度（距离）来逐步连接各节点的一种无监督分类方法。层次化聚类有两种连接模式：一方面，层次化聚类根据相似度强弱连接相应节点对，形成亲近疏远的结构化树状图；另一方面，我们也可设置阈值横切树状图，以获得理想的社区结构。在基金分类场景中，这两种做法分别对应于FOF组合投资与平替产品投资的需求。
Ø 以余弦距离、马氏距离共建距离矩阵
以TF-IDF算法将基金合同文本向量化表示。即使在对主动权益基金的合同文本预处理后，大部分样本仍然是含有许多噪音信息的长文本，就抽取出的文本主题进行聚类就成了一个便利化的选择。TF-IDF是一种用于信息检索和数据挖掘的词频统计算法，其通过弱化全语料库的高频词和强化个体文本的高频词来凸显文本关键词，本文即使用TF-IDF算法将样本集中的基金合同文本转化为100维的向量矩阵。
以余弦距离和马氏距离多角度提取数据信息，增益基金聚类的效果。余弦距离又称余弦相似度，是用向量间的余弦值来衡量向量间的相对差异，在机器学习特别是 NLP领域被广泛应用；马氏距离则以协方差距离来度量向量间的绝对差异，其不受数据量纲影响更为稳健。本文按基金合同文本、持仓净值、组合信息分别计算了样本间的余弦距离、马氏距离矩阵，然后根据不同任务灵活地聚合各维度的距离矩阵。
Ø 均值连接模式下按距离阈值、CH指数灵活聚类
在距离矩阵的基础上，按照组间平均距离进行层次化聚类。常用的组间距离计算模式有单连接、全连接和均值连接3类。单连接、全连接分别以两个聚类簇中的最近样本距离、最远样本距离作为组间距离，二者均易受到极端值的影响。均值连接模式选择以两个聚类簇间所有样本距离的均值作为组间距，分组效果更为稳健。本文即选择均值连接模式对样本集进行层次化聚类。
平替产品投资要求组内相似度高，聚类时设置距离阈值可切分出理想的社区结构。当一些热门赛道的基金产品暂停或限制申购时，FOF投研人员常需找出高相似度的同类产品作为替代投资品。这时，合意的聚类结果应为稀疏连接的社区网络，即仅将高度相似的基金连接归并为一类。在层次化聚类模型中可通过设置距离阈值来实现这一目标，阈值越小则聚类的组内相似度越高。
FOF组合投资常强调聚类的组间相关性低，可通过CH指数选择组间异质性最大的聚类组数。低风险FOF组合是FOF市场的主流产品之一，其多从低相关的不同组别优选产品以分散风险。CH（Calinski-Harabaz）指数通过度量组间协方差的异质性来选择最优聚类组数，其值越大则聚类的组间差异越大。
3.2. 从文本、持仓等多维度为基金画像
从基金的合同文本、持仓信息、净值走势和截面特征为主动权益基金画像。业界常用的风格识别方法包括基于持仓的风格分析法PBSA和基于净值的风格分析法RBSA，均较文本识别法更为准确；而在判定基金的主题策略时，基金的截面特征和合同文本又可提供显著的信息增益。本文即从基金的合同文本、持仓风格/组合和交易偏好、截面特征等维度刻画主动权益基金，以得到更为稳健的刻画分类结果。
Ø 文本向量聚类构建社区结构
我们依照前述方法构建出主动权益基金的TF-IDF文本向量矩阵，并根据各主题领域的代表性基金和向量间的余弦相似度切分出5亿以上规模产品的社区结构。如在成长型基金中，与南方优选成长A(202023.OF)相似度较高的基金有富国天惠、融通新蓝筹(161601.OF)等；在多策略主题中，与国泰融安多策略A(003516.OF)相似的产品有易方达科讯(110029.OF)和华商量化进取(001143.OF)等。从结果可见TF-IDF算法较为准确的提炼出了基金合同的主题策略。
Ø 持仓信息识别风格/策略主题
基金的持股平均市值准确反映了基金经理的大小盘投资偏好。取最近一个全持仓季的持股信息，本文计算了样本中各基金的持股加权市值，其准确的反映了基金经理的大/小盘投资风格。从持股市值最大的前10只基金来看，基金经理张坤、曲扬、刘彦春、周谧和杨超等都是典型的大盘风格投资人；而在持股市值最小的10只基金里，基金经理丘栋荣、曹名长、徐治彪、黎海威又均为著名的小盘股猎手。
参照业界通用做法，本文使用个股的营业收入年均增速、净利润年均增速和预期EPS近1年增速合成成长指标，以动态市盈率、动态市净率和动态市现率构建价值指标。为避免出现指标排序不单调的情形，本文以标准化后的成长指标减去价值指标作为度量个股成长/价值风格的GV分数。在持股GV分数最高的10只基金中，基金经理蔡嵩松、李瑞、左金保、姚志鹏等均为成长风格的代表性投资人；而在GV分数最低的10只基金中，黄春逢、蔡目荣、韩文强等人则是价值投资的著名拥趸。
大赛道的仓位上限高、热门赛道基金规模大。按基金在各板块、行业的近2年平均仓位排序，部分较大的赛道中基金仓位最高可达95%以上。比如金融地产领域的国联安红利(257040.OF)仓位为99.4%；医*行业的前海开源中*研究精选A(005505.OF)仓位为99.9%。另外，重仓景气赛道的基金则往往规模较大。军工行业的国投瑞银国家安全(001838.OF)净值为32.2亿元；易方达国防军工(001475.OF)规模达179.3亿元；TMT领域的诺安成长(320007.OF)和银河创新成长(519674.OF)规模则分别为266.4亿元、167亿元。
板块变化大的基金多为行业轮动、量化主题，变化小的多是医*主题。以基金近2年持仓的板块变化率来看，变化最大的前10只基金既有像博时行业轮动(050018.OF)、财通价值动量(720001.OF)、中航新起航(005537.OF)这样的行业轮动型基金，也有长城量化精选(006926.OF)、东吴阿尔法A(000531.OF)等量化基金。而在板块仓位变化最小的10只基金中则有9只均属于医*主题，包括葛兰的中欧医疗健康A(003095.OF)和中欧医疗创新A(006228.OF)两只基金。
3.3. 结合文本、持仓量化刻度风格漂移现象
接下来本文分别将文本向量与持仓板块分布、持仓风格特征的距离矩阵合并，并以各主题领域内无风格漂移现象的典型产品作为中心来刻画社区结构。如果某只基金的文本主题和持仓特征不一致，则其会在文本向量、持仓特征中的某个维度上与社区中心点拉开距离。
在消费主题领域，以易方达消费行业作为社区中心，嘉实新消费和鹏华消费优选是在文本聚类中距中心最近的2只基金。而在由文本向量、持仓板块分布信息共同计算出的距离矩阵中，嘉实新消费与中心点的距离在1300只基金中排第2位，鹏华消费优选排第12位，二者仍都在中心点附近。这表明以中心点为基准，两只消费基金并无明显的风格漂移现象。
就成长风格维度来看，在文本聚类中与南方优选成长同属一类的富国天惠、大摩卓越成长(233007.OF)、融通新蓝筹和华泰柏瑞盛世中国(460001.OF)也仍在新的距离矩阵中与基准相邻；从价值维度来看，虽然国富估值优势(006039.OF)、富国价值优势(002340.OF)与作为基准的中庚价值领航(006551.OF)距离稍远，但二者的VG分数在样本中均处于后30%的水平，故都属于价值风格。
1、搭建网络销售平台
4. 灵活实施层次化聚类
4.1. 基于距离阈值的社区识别
Ø 以距离众数作为阈值横切社区结构
当按照前述多维度的特征计算得到最终的距离矩阵后，本文即开始实施预定义距离矩阵的层次化聚类任务。首先，基于平替产品投资对组内高相似度的需求，本文采用基于距离阈值的社区识别算法。在已经归一化的距离矩阵中，所有样本点的距离均值为0.14，距离众数为0.147。共有60%的样本距离小于众数，这意味着有40%的样本距离相对较大。本文即选择距离众数作为阈值来进行层次化聚类。
在按照众数阈值聚类后，样本集一共被分成521组，各组的平均基金个数为2.5只。从各组的频数统计来看，该方法构建的是稀疏连接的社区网络。一共有261个组仅包含1只基金，这表明许多特性突出的基金均被作为离群点单独分组。223个组的基金频数介于2-5只，意味着仍有多只基金在多维特征空间中存在相似度较高的平替产品。还有5个组的基金频数介于23-51只之间，这显示出在部分热门赛道的“基金抱团”现象。
Ø 社区结构的实况简析
本文接下来结合各组主题进行展示。医*主题组有37只基金，规模最大的为净值148.1亿的工银瑞信前沿医疗A(001717.OF)；其他还包括广发医疗保健A(004851.OF)、中欧医疗创新A(006228.OF)等。科技组有29只基金，其中最大为净值44.2亿的银华中小盘精选(180031.OF)，其他还有易方达信息产业(001513.OF)、富国互联科技A(006751.OF)等。环保新能源组有9只基金，规模最大的是净值205.4亿的华夏能源革新A(003834.OF)，汇添富环保行业(000696.OF)、嘉实新能源新材料A(003984.OF)也均属于此类。
非行业主题的成长风格组有51只基金，其中规模最大的南方新优享A(000527.OF)净值达51.63亿元，工银瑞信核心价值A(481001.OF)、南方稳健成长(202001.OF)也均属此类；量化组有23只基金，西部利得量化成长A(000006.OF)以15.6亿元的规模居首位，其他还有中欧量化驱动(001980.OF)、汇添富成长多因子量化策略(001050.OF)等。产业升级主题有12只基金，规模最大的是净值15.6亿的南方天元新产业(160133.SZ)，其他还包括富国产业驱动(005840.OF)、广发新动力(000550.OF)等。
基金的策略主题与基金经理的投资习惯息息相关。本文接下来剔除聚类结果中不足3只基金的组别，然后展示各组中管理规模靠前的基金经理。可以看到，投资风格相近的基金经理大都被聚类在一起。主投军工的何崇凯、章旭峰、李轩和宋海岸即被归为一类；王博、王贵重和邵洁则均属科创主题投资人；萧楠、王园园、徐文卉是大消费领域的基金经理；王阳、吴昊和王迪则都属于汽车主题的投资人。
总的来看，在层次化聚类中根据距离阈值横切树状图是一种灵活、精准的社区识别方法，融入文本信息也显著的增强了算法的深度识别能力。它既可以在热门的行业赛道中优选风格类似的基金产品和管理人，也能够深入挖掘细分主题领域内的同类产品、投资人。
4.2. 基于CH指数的层次化聚类实践
与平替产品投资不同，基金组合投资通常需要分散配置低相关的资产以降低风险。在有监督分类中预定义的标签体系往往不是互相独立的，而无监督的层次化聚类则可以根据量化指标选择组间异质性最强的分组参数。本文即先使用合同文本构建主动权益基金的层次化聚类结构，根据CH（Calinski-Harabasz）指数优选簇个数。再在此基础上根据持仓信息优化迭代出细分、稳健的聚类标签体系。
Ø 根据CH指数将文本数据聚类为26组
在sklearn的层次化聚类函数中输入TF-IDF文本向量的余弦距离矩阵，可以看到当组数等于26时CH指标取得了最大值。本文即设定组数等于26，然后执行对样本集的文本聚类。从聚类分组的频数统计来看，26个组的基金数量介于1-576只，这也体现出不同赛道的宽度差别悬殊。有9个组的频数在10只以下，14个组的频数在11-100只之间，只有3个组的频数大于100只。
从文本信息的聚类结果来看，其较好的识别出了国企改革、定向增发、量化、红利、多策略、环保新能源、互联网、红利风格、医*、大消费和科技主题的基金。其中国企改革主题组有35只基金，医*主题组有33只基金。但即便在这些主题较为统一的组内，也混杂有少数不同类型的基金。本文接下来将根据持仓信息对这一聚类结果继续优化，通过定量筛选、拆分、整合的方法以纯化各个主题分支。
Ø 结合持仓信息优化聚类标签体系
在文本聚类结果的基础上，本文从基金的VG分数、持仓平均市值、年换手率、重仓股特征等维度对样本内各组进行裁剪、纯化，以此进行优化。
经过上述操作，本文即得到了最终的主动权益基金聚类标签体系。该标签体系先通过合同文本灵活识别出热门的行业主题和持仓特征不突出的部分策略类型，然后结合持仓信息在重新聚合的同时剔除风格漂移的产品。该标签体系最终包括23个类型1154只主动权益基金。其中数量最多的均衡风格基金有176只，数量最少的ESG主题产品共有3只。热门的大消费主题产品有84只，科技主题产品有72只，成长风格基金有111只。
Ø 聚类标签体系简况
在主动权益基金的聚类标签体系中，各标签之间并非互斥的关系。如金融地产基金多又属于价值风格；科技、新能源主题基金则多为成长风格；消费主题基金常展现出大市值风格。本文根据市场轮动的节律特征，按行业主题、风格、其他、交易偏好类别的顺序来确定各基金的主标签，并在附录展示了部分类别基金的规模、特征简况。
4.3. 聚类实践总结
在聚类时输入更庞大的特征矩阵常能带来可观的信息增益，但其也会导致样本间的差异更加明显。就基金分类任务而言，合同文本和持仓信息均是非常重要的判断依据。根据不同需求灵活地聚合两类信息是一件富有挑战性的事情。本文分别用有监督文本分类、无监督模式下的阈值横切社区结构和优化聚类体系三种方法对此进行了有限的探索，顺便为识别基金“风格漂移”提出一种新的思路。
1、搭建网络销售平台
5.风险提示
基金的业绩分析基于历史数据，计量模型则带有一定的假设，据此预测未来收益存在失准、失效的可能。
1、搭建网络销售平台
法律声明：
本订阅号的版权归国联证券所有，任何订阅人如欲引用或转载本平台所载内容，务必注明出处为国联证券研究所，且转载应保持完整性，不得对内容进行有悖原意的引用和删改。转载者需严格依据法律法规使用该文章，转载者单方非法违规行为与我司无关，由此给我司造成的损失，我司保留法律追究权利。
“封基金转开基”好套利挖?有风险挖
套利机会取决于市场走势封转开题材意味着折价率归零。如果未来的股票市场行情走平，基金的净值维持基本不变，而到期日折价率归零，套利的空间的确存在；如果未来的基础市场行情会走高，基金的净值也将有同步走高的可能，那么投资者将会获得两份收益：净值的增长和折价率的回归；如果未来基础市场行情下跌，基金的净值将极有可能同步下跌，基金价格相应下跌，且如果下跌的幅度超过了折价率的空间，投资者将有可能面对短期的亏损。以基金科翔为例，8月12日其净值为1.8元，交易价格只有1.65元，折价率约8.2%。假设基金科翔于2008年12月13日转为开放式基金，基民可以以接近净值的交易价格卖出，那么，即使其间基金净值没有任何增长，忽略交易成本，收益率也有(1.8-1.65)/1.65×100%=9.09%；但是当在2008年12月13日，市场行情走低，基金净值下跌20％，忽略交易成本，收益率为-12.72％；若到时市场行情向好，基金净值上涨20%，忽略交易成本，收益率将高达30.9%。市场向好停牌前复牌后有机会对于封闭式基金持有人而言，“封转开”在短期内或许可以为其带来高额收益。封闭式基金定价和开放式基金定价机制不同，封闭式基金在股票市场上交易，价格由供求决定；而开放式基金以单位净值进行申购和赎回。目前，我国封闭式基金普遍存在大幅折价现象，所以一旦进行“封转开”，投资者或将在短期内获得可观的收益。分析历史上所有已经封转开的基金的统计数据，停牌前2天的数据相对于停牌前1个月的价格平均涨幅为6.75%，复牌后2天比停牌前1个月平均涨幅为13.74%，而复牌后2天比停牌前2天价格平均涨幅为6.38%。而当对于市场的预期较高时，基金停牌前1个月的涨幅较大，譬如2007年10月25日到期的基金同德，停牌前1个月的涨幅为17.33%；2007年1月5日到期的基金同智，复牌后两天比停牌前2天，短短一个月左右的时间，价格涨幅达到22.82%。因此当股票市场向好，封闭式基金在召开基金份额持有人大会前和复牌后，折价率处于较低时，一般是比较好的介入套利时机。
购买基金来自时，里面显示的净值走势，收益走势，分别是什么意思
分析如下：1、净值走势：对个人投资者而言没有特别的意思。基金成立时有一个合同，说明基金公司经营该基金赢利的一个标准，如达到指数或各项证券、债券上涨的多少百分比值。基金的实际业绩线如果在这个指标之上，说明基金的运作是达到或超过基金合同成立时制定的目标的，而绝大多数基金也是超过这个目标。2、收益走势：1）基金累计收益率走势图的看的方法：三根线分别是黄色上证指数的收益率，红色沪深300指数收益率，蓝色为基金收益率。先分清楚你要买的是什么类型基金。你这里问的我用股票型基金来解释，其他的基金类型收益率相对不高，具体自己去找相关资料了解基金的类型。2）基金收益率：衡量基金收益率（fundyieldrate）最重要的指标是基金投资收益率，即基金证券投资实际收益与投资成本的比率。投资收益率的值越高，则基金证券的收益能力越强。如果基金证券的购买与赎回要缴纳手续费，则计算时应考虑手续费因素。扩展资料：1、基金净值的含义：基金单位净值即每份基金单位的净资产价值，等于基金的总资产减去总负债后的余额再除以基金全部发行的单位份额总数。2、开放式基金的申购和赎回都以这个价格进行。封闭式基金的交易价格是买卖行为发生时已确知的市场价格；与此不同，开放式基金的基金单位交易价格则取决于申购、赎回行为发生时尚未确知(但当日收市后即可计算并于下一交易日公告)的单位基金资产净值。3、收益曲线：收益率是指个别项目的投资收益率，利率是所有投资收益的一般水平，在大多数情况下，收益率等于利率，但也往往会发生收益率与利率的背离，这就导致资本庆物流入或流出某个领域或某个时间，从而使收益率向利率靠拢。4、债券收益率在时期中的走势未必均匀，这就有可能形成向上倾斜、水平以及向下倾斜的三种搏差衡收益曲线。收益曲线是分析利率走势和进行市场定价的基本工具，也是进行投资的重要依据。国债在市场基做上自由交易时，不同期限及其对应的不同收益率，形成了债券市场的“基准利率曲线”。5、市场因此而有了合理定价的基础，其他债券和各种金融资产均在这个曲线基础上，考虑风险溢价后确定适宜的价格。资料来源：百度百科：收益曲线，百度百科：基金净值
转载请注明出处品达科技 » 160133基金净值走势(什么是基金净值和走势？)