第四章 核心指标构建：持仓集中度、持仓市值占比、基金数量变化、季度持仓变动率
好，咱们直接进入正题。
识别机构抱团股，不能靠感觉。你得有数据，有指标。我做了这么多年量化，见过太多人凭「这只基金买了，那只基金也买了」这种模糊逻辑去跟风。结果呢？往往接盘在高位。
今天我把四个最核心的指标拆开讲。这四个指标，是我个人在实战中反复验证过的。它们就像四把尺子，帮你量出机构到底在「真抱团」还是「假取暖」。
4.1 持仓集中度：看机构到底有多「挤」
持仓集中度，说白了就是：持有某只股票的基金数量，占所有主动管理型基金总数的比例。
为什么看这个？你想想看，如果全市场只有10只基金，其中8只都买了同一只股票，那这只票的筹码就高度集中在机构手里。这就是典型的抱团。
计算公式：
持仓集中度 = 持有该股的基金数量 / 全市场主动管理型基金总数 × 100%
我在项目中遇到过这样的情况：某只消费股，持仓集中度从5%突然飙升到25%。当时很多人觉得是利好，但我一看，这个集中度已经超过了历史95%分位数。嗯，这里要注意——集中度太高，反而意味着风险。一旦机构开始松动，踩踏会非常惨烈。
避坑指南：我曾经吃过一次亏。某只科技股集中度连续三个季度上升，我以为机构还在加仓。结果第四季度集中度没变，但股价跌了30%。后来复盘才发现，虽然基金数量没变，但每家基金都在偷偷减仓。所以，集中度要结合后面的指标一起看。
4.2 持仓市值占比：看机构下了多少「真金白银」
持仓市值占比，衡量的是机构持有某只股票的市值，占该股票总流通市值的比例。
这个指标比集中度更「实在」。为什么？因为基金数量多，不代表每家都重仓。有的基金可能只买了100股，纯粹是「凑热闹」。但持仓市值占比高，说明机构是真金白银砸进去了。
| 指标 | 含义 | 阈值参考（我个人的经验） |
|---|---|---|
| 持仓集中度 | 持有基金的「广度」 | ＞20% 需警惕过热 |
| 持仓市值占比 | 机构资金的「深度」 | ＞15% 为重度抱团 |
我建议你把这两个指标放在一起看。如果集中度高但市值占比低，说明机构在「围观」，没真动手。如果两者都高，那才是真正的抱团。
4.3 基金数量变化：看机构是「涌入」还是「逃离」
这个指标最直观。就是看每个季度，持有某只股票的基金数量是增加了还是减少了。
我习惯用环比变化率。比如，上季度有100只基金持有，本季度变成150只，那变化率就是+50%。
实战技巧：我个人比较关注「连续两个季度基金数量加速增长」的股票。比如，Q1增加20%，Q2增加40%。这种加速往往意味着机构在抢筹。但反过来，如果增速突然放缓，哪怕还在增加，也要小心——可能是机构在边打边撤。
为什么会这样？因为机构建仓不是一天完成的。他们通常会用几个季度慢慢买。如果基金数量突然暴增，比如一个季度翻倍，那很可能是消息泄露了，大家都在抢。这时候追进去，成本会很高。
4.4 季度持仓变动率：看机构调仓的「力度」
最后一个指标，也是最容易被忽略的——季度持仓变动率。
它衡量的是：机构整体持仓数量，相比上个季度变化了多少。
举个例子：上季度所有基金合计持有某股票1亿股，本季度变成1.2亿股，变动率就是+20%。
这个指标和「基金数量变化」有什么区别？
- 基金数量变化：看的是「谁来了，谁走了」
- 持仓变动率：看的是「留下的基金，是加仓了还是减仓了」
我遇到过一种情况：基金数量没变，但持仓变动率是-15%。这说明什么？说明老基金在悄悄减仓，但新基金没进来接盘。这种信号非常危险。
核心逻辑总结：
四个指标要联动看，不能单看一个。
- 真抱团：集中度高 + 市值占比高 + 基金数量持续增加 + 持仓变动率为正
- 假抱团：集中度高但市值占比低，或基金数量增加但持仓变动率为负
- 瓦解前兆：基金数量增速放缓 + 持仓变动率转负
4.5 实战框架图：四个指标如何协同工作
下面这张图，是我自己平时用的分析框架。你可以把它当作一个「过滤器」。
这张图的核心逻辑很简单：四个指标不是孤立的。你得把它们串起来看。我每次做分析，都会先把这四个指标的数据拉出来，然后按照这个框架过一遍。能通过「四维联动」检验的股票，才值得进一步研究。
4.6 代码示例：如何快速计算这四个指标
最后，给你一段我常用的Python代码。你可以用它快速计算这四个指标。注意，这里假设你已经有了基金持仓的明细数据。
import pandas as pd
import numpy as np
def calculate_institutional_indicators(holdings_df, total_funds, total_shares):
"""
holdings_df: 基金持仓明细，包含字段：fund_id, stock_code, shares_held, quarter
total_funds: 全市场主动管理型基金总数（每季度）
total_shares: 股票总流通股本
"""
results = []
for quarter in holdings_df['quarter'].unique():
quarter_data = holdings_df[holdings_df['quarter'] == quarter]
# 1. 持仓集中度
fund_count = quarter_data.groupby('stock_code')['fund_id'].nunique()
concentration = fund_count / total_funds[quarter] * 100
# 2. 持仓市值占比（假设股价已知，这里用持仓股数近似）
total_held = quarter_data.groupby('stock_code')['shares_held'].sum()
market_value_ratio = total_held / total_shares * 100
# 3. 基金数量变化（需要上一季度数据）
# 这里简化处理，实际需要lag操作
# 4. 季度持仓变动率
# 同样需要环比计算
temp = pd.DataFrame({
'quarter': quarter,
'concentration': concentration,
'market_value_ratio': market_value_ratio
})
results.append(temp)
return pd.concat(results)
# 使用示例
# df = calculate_institutional_indicators(holdings, fund_count_dict, share_count_dict)
# print(df.head())个人建议：代码跑出来只是第一步。我一般会把结果画成折线图，看四个指标的走势是否同步。如果出现背离，比如集中度上升但持仓变动率下降，那就是我重点关注的「预警信号」。
好了，这四个指标就讲到这里。记住，工具是死的，人是活的。指标再漂亮，也要结合市场环境去判断。嗯，今天就到这。
公众号:蓝海资料掘金营，微信deep3321