ETF持仓集中度HHI因子实证：U形收益为何无法复现？

1. HHI的逻辑及局限性

有一个指标叫 HHI（赫芬达尔指数），原本用来衡量"集中度"。有研究声称它能预测股票收益，而且呈现出 U 形特征：HHI 特别高和特别低的股票，收益都好；中间区间的反而不行。

但当我实际实现这个因子后，发现它与一篇研报的结论始终对不齐。排查了各种可能的原因，最终定位到问题所在：HHI 因子在 ETF 场景下表达的，可能并不是真正的"集中度"，而是在计算"这只股票被几只 ETF 持有"。

用一个班级成绩的"集中度"来类比，能更直观地理解这个毛病：

• 班上只有 1 个学生时，无论他考多少分，集中度都恒等于 100%，这个值完全没有特征意义；
• 有 2 个学生时，集中度只能落在少数几个固定值上（比如 50/50 或 90/10），无法连续变化，大量并列；
• 只有当班里有几十个学生时，集中度才能在 0 到 1 之间平滑取值，才真正具备区分度。

回到 ETF 问题上，HHI 的取值范围 [1/n, 1] 会随着"被多少只 ETF 持有"的 n 一起漂移。n=1 时 HHI 恒为 1（这部分占样本 11.6%，等于没有信息），n=2 时只有几个离散取值，只有被几十只 ETF 持有时，HHI 才能正常变化。

所以，"HHI 高"实际上对应"被很少 ETF 持有"的小盘冷门股，"HHI 低"对应"被很多 ETF 持有"的大盘核心股。这两类完全不同的股票被硬塞进同一个排序里做多空，从逻辑上就站不住脚。

因此我不确定那篇研报是否发现了这个问题，以及是否找到了对应的解决办法。如果没有处理过，就无法推导出报告中的结论。毕竟这个因子一旦放到 ETF 上，就会暴露出上面所说的数据层面的问题。

因子定义如下：

π_if = Shares_if / Σ_f Shares_if        # 股票 i 被 ETF f 持有的份额占比
HHI_i = Σ_f π_if²

其中 Shares_if 由 PCF 申赎清单重建（篮子份数 × 成分数量）。

HHI 的取值范围是 [1/n, 1]：

• 当某只股票被 100 只 ETF 均匀持有时，HHI 趋近 0；
• 当只被 1 只 ETF 持有时，HHI 恒等于 1。

原始研报的论点是：ETF 是被动且刚性的资金。一旦某只股票高度依赖单只 ETF，它对该 ETF 的申赎行为就极度敏感——大额赎回会造成非基本面抛压，资金流入又会形成集中买盘。因此报告认为 HHI 与未来收益呈 U 形关系：

• 低 HHI（极度分散）：宽基指数核心成分，享受 ETF 持续扩容带来的稳定增量资金；
• 高 HHI（极度集中）：主题 ETF 的独门重仓股，受主题资金追捧时弹性最大；
• 中间段：既没有宽基的稳定流入，也没有主题的爆发力，表现反而最差。

报告给出的分组结果显示：组 1 年化超额 10.33%、组 5 为 12.63%，两端高、中间低。

2. HHI的显著性

基于前面的原理分析与实证结果，HHI 这个因子确实没有独立的预测能力。它看起来能选股，只是因为它碰巧和"小盘股"绑定在一起，而小盘股本身存在溢价。一旦把"小盘"这个因素排除掉，HHI 因子基本就没有超额了。

HHI 高的股票 = 被很少 ETF 持有 = 小盘股 = 有小盘溢价。

在这个链条里，真正贡献超额收益的是"小盘"这个属性，HHI 反而更像这条链上的一个"标签"。

实证中，在相同 ETF 家数的股票内部比较 HHI（t 值从 -2.41 变为 0.42），或者排除掉 n_etf=1、2 的极端股票（t 值降至 -0.06），信号基本为零。这说明 HHI 的全部"显著性"都依赖 n_etf 的极端取值。

3. HHI可以作为一个系数

原本是把 HHI 当作选股因子来用，但它在截面上没有 alpha。不过换一个思路，可以把这个因子作为系数来使用。逻辑是：

• 一只股票被 1 只 ETF 持有 → HHI² = 1，权重最大；
• 被 80 只 ETF 持有 → HHI² 接近 0，权重最小。

所以 HHI² 在这里的作用是：给每只股票打一个"结构权重"。这个权重刻画的是"这只股票究竟是独门小盘股（权重大）还是核心大盘股（权重小）"。

它不是用来排序选股的，而是用来决定其他信号该放大多少。

这个系数可以作为某个因子的乘数，叠加成衍生因子。这一点我用另一个因子验证过，确实是存在的。

4. 实证过程

实现链路分四步：

1）持股重建。

用 PCF 的 QUANTITY 与 FIXED_CASH_AMOUNT 反推每份申赎篮子的份额数 units_per_basket = (Σ QUANTITY×P + 现金)/NAV，再乘以总份额得到实际持股。关键处理：A 股代码必须按 PCF 原始长度 6 位判定（港股 00700 补零后会与 A 股 000700 撞码）；只保留成分全为 A 股的 ETF，避免跨境、商品、债券 ETF 无法定价导致持股被系统性高估。份额主源为 wind UNIT_TOTAL（万份 → 份），缺失时回退 ETF 日线字段。篮子份数合理性用「总份额 / 篮子份数应接近整数」校验，实测相对偏差中位数仅 0.08%。

2）因子计算。

在月末截面上，以 ETF 篮子市值权重计算 π，得到 HHI、Entropy、Top1 三个集中度指标，并同步计算 FF、OI、EOC、FP。

3）中性化。

用自建 Barra CNE5 十风格加行业哑变量做 OLS 取残差，得到 NHHI。

4）检验。

月频五分组，下月 VWAP 进场、下月末 VWAP 出场，计算 RankIC、ICIR 与各组年化收益。

5. 注意问题

回测细节上有几点必须固定下来，否则不同口径之间没法做横向比较：

• 其一，股票池在每月末剔除 ST、停牌、上市不足 60 个交易日、价格或市值缺失的样本，月均约 3,600 只；
• 其二，成交价一律使用当日成交额除以成交量得到的 VWAP，避免收盘价带来的不可实现收益；
• 其三，基准取中证全指 000985 替代万得全 A，超额收益因此会有小幅水平差，但不影响组间比较；
• 其四，中性化回归的截面样本与股票池保持一致，行业哑变量使用申万一级分类，缺失归入 UNKNOWN。

在 69 期月度截面上，HHI 的覆盖稳定在 3,500～3,700 只之间，没有缺失断档。

为了验证持股重建的正确性，额外做了两项交叉校验：

• 一是篮子份数应接近 50 万、100 万、200 万份的整数倍，实测相对偏差中位数 0.08%；
• 二是用持股总量除以自由流通股本得到 OI，其分布上界没有出现明显大于 1 的异常值，说明持股量级没有被系统性放大。

这两项都通过之后，才认定 HHI 的输入端是可信的。

6. 复现结果

口径	组1（低HHI）	组2	组3	组4	组5（高HHI）
报告	10.33%	—	—	—	12.63%
原始 HHI	-0.5%	2.8%	5.5%	4.5%	6.8%
仅 Size 中性化	9.9%	3.6%	1.9%	2.2%	1.8%
全风格+行业中性化	8.1%	1.8%	3.2%	3.1%	3.2%

NHHI 的 RankIC 为 -0.0089、ICIR 为 -0.290，多空年化 -4.76%。

最大的遗憾是：U 形没有复现出来。

左端 9.9% 与报告的 10.33% 几乎一致，说明 π 的计算口径、ETF 宇宙、分组方式基本没有大问题；差异全部集中在右端——原始研报组 5 是 12.63%，我这里只有 1.8%。

尝试了三种中性化方式，对应得到三种不同形状（单调递增、单调递减、先降后平），没有任何一种能产生 U 形结论。

7. 问题分析

问题一：HHI 本质上是 Size 的代理。

截面 Spearman 相关稳定在 -0.62～-0.74（六年区间），均值 -0.667。低 HHI 等于被上百只 ETF 持有，等于大盘指数成分；高 HHI 等于小盘。2021～2026 年小盘风格占优，所以原始 HHI 单调递增（组 1 的 -0.5% → 组 5 的 +6.8%），本质上就是小市值溢价；中性化剥掉 Size 之后又变成单调递减，本质上是 2021～2022 年核心资产行情的残留。方向完全由「Size 怎么处理」决定，因子本身没有独立信息。

问题二：右端八成是机械值。

HHI 最高 10% 的样本中，80% 是 n_etf == 1 的股票。此时 HHI 恒等于 1，不携带任何信息。这些股票的市值中位数只有 36.8 亿元，属于主题 ETF 的独门重仓。而低 HHI 端（最低 10%）平均被 79 只 ETF 持有。两端的经济含义根本不对称：一端是「极度分散的高流动性大盘股」，另一端是「只有一家机构关注的小盘股」。把它们放进同一个排序里做多空，逻辑上不成立。

问题三：U 形跨档混合后是伪形状。

按 ETF 家数分 5 档，在档内再按 HHI 三分组：

ETF家数档	占比	HHI低	HHI中	HHI高
1-2	18.0%	5.5%	10.5%	6.0%
3-5	14.5%	7.8%	6.6%	4.0%
6-15	29.1%	5.0%	3.6%	3.1%
16-50	22.9%	1.2%	1.6%	2.2%
51+	15.6%	-5.1%	0.5%	-1.4%

五档给出了五种完全不同的形状（倒 U、递减、递减、递增、弱 U）。所谓 U 形是跨档混合的产物，并不是真实的非线性规律。

问题四：离散并列污染分组。

n_etf ≤ 2 时，HHI 只能取几个离散值，11.6% 的样本 HHI 恰好等于 1。截面排序出现大量并列，rank(method="first") 按行序切分等于让高集中度端的成分随机化，进一步压低了右端的稳定性。

问题五：替代指标同样单调。

Top1 分组收益为 {-0.3%, 3.3%, 4.4%, 4.9%, 6.8%}，Entropy 为 {6.7%, 4.9%, 5.7%, 2.3%, -0.5%}，都是单调而非 U 形。三个指标方向一致，排除了「只有 HHI 这一个指标算错」的偶然性。

问题六：分组收益的统计显著性不足。

69 期样本下，NHHI 的 RankIC 均值仅 -0.0089、ICIR 为 -0.290，绝对值都不到 FF（-0.0214 / -0.289）的一半。即便只看多空，年化 -4.76% 在 69 个月里的 t 值也不足 2。换句话说，即使形状对上了，HHI 单独作为选股因子的信息量也偏弱。这与其「67% 波动由 Size 解释」的判断相互印证。

8. AI反馈的几个待进行的实证

1. 按 ETF 家数分层后再比较（首选）。

HHI 的可比性依赖于 n_etf。应该在 n_etf 的分档内做组内分位排名，或者直接用「相对于同 n_etf 分档中枢的偏离」作为因子值。这样低 HHI 与高 HHI 的比较才有意义。

2. 设定最低 ETF 家数门槛。

剔除 n_etf < 3 的样本（占 18%），或者把 n_etf == 1 单独作为一类、不参与排序。这是最小改动、最容易验证的一步。

3. 改用「相对集中度」而非绝对 HHI。

构造 ResidHHI = HHI - E[HHI | n_etf 分档]，消除 ETF 家数对 HHI 值域的机械约束（n_etf=1 时 HHI 必为 1，n_etf=2 时必 ≥ 0.5）。

4. 修掉并列处理。

截面排序改用 rank(method="average")，对 HHI 取值为 1 的样本随机打散（jitter）后再分组，避免行序导致的系统性偏置。

5. 用分组方式验证而非残差。

报告若报的是原始 HHI，那么 2021～2026 年 A 股大盘股并没有 10% 的超额，逻辑上不成立。建议改成「HHI 三分位 × Size 三分位」的 3×3 联合分组，直接观察 U 形是否在控制 Size 后依然残留。

6. 重新审视 EOC 中的 HHI² 项。

EOC = OI_z × HHI_z² 的平方项隐含假定了 HHI 的 U 形。既然 HHI 不呈 U 形，平方项的作用只是放大 HHI 的噪声权重，并不增加信息。但 EOC 的 IC 0.0146 与报告中的 0.017 吻合，说明有效信息来自 OI 一侧。建议保留 EOC，但改用秩次而非 z 分数平方，或者直接测试 OI × HHI 与 OI × HHI² 哪个更稳健。