行业配置研究系列08：行业轮动模型的ETF组合落地方法研究

国君配置团队行业配置模型简介。国君主动及量化配置团队基于自身的主动及量化投资体系，结合团队“技量为核、逻辑修边”的择时框架，以中信一级行业指数为投资标的，分别构建了AIA-Timing及QIA-Timing两个行业配置模型。本文希望建立一个行业配置模型转变为ETF投资组合的通用框架，以实现上述两个模型的落地。 如何将行业配置模型转化为ETF组合。本文通过两步法达到这一目的：首先建立一个行业指数与ETF基金的映射关系，为每个行业指数找到最匹配的数只ETF基金；其次采用行业内等权配置或组合优化的方法，确定各只ETF的持仓权重。 建立行业指数与ETF的映射关系。我们从行业、主题型ETF备选池中剔除了低流动性、小规模、新成立的ETF基金作为备选池，在其中使用收益率匹配法、持仓匹配法与双重匹配法建立了中信行业指数与ETF基金的映射关系。三种方法下匹配的ETF与对应行业指数相似程度均较高，从后文实证结果看，收益率匹配法更有利于筛选出具有超额收益的主动管理型ETF。 确定组合中各ETF的持仓权重。在得到行业指数与ETF的映射关系后，我们通过等权配置法和两种组合优化法得到ETF权重，其中组合优化的目标分别为持仓差异与跟踪误差。从后文实证结果看，与等权配置法相比，组合优化法对于跟踪误差的控制能力略有削弱，但是换取了在一定条件下获得更高收益的可能性。 以“收益率匹配+跟踪误差优化”法实现行业配置模型的最终落地。 以原始的QIA模型作为回测对象，“收益率匹配+跟踪误差优化”方法生成的ETF组合2020年至今年化收益为17.87%，相较QIA策略跟踪误差为5.20%，年化超额收益为1.32%；在双边1‰手续费的假设下，跟踪误差为5.20%，年化超额为0.54%。最终，我们将该方法应用在AIA-Timing及QIA-Timing模型中，2022年以来在双边1‰手续费假设下，ETF投资组合年化跟踪误差分别为4.74%和3.14%，年化超额收益分别为3.75%、2.13%，达到了较好的跟踪效果。 风险提示：量化模型基于历史数据构建，而历史规律存在失效风险。 1.从行业配置到ETF投资 1.1.国君配置团队行业配置模型简介 1.1.1.加权AIA主动行业配置模型 AIA主动行业配置模型（ActiveIndustry Allocation）是国君主动配置团队融合了策略、宏观、量化的思想，结合中宏观和主被动，提供“一站式”的战术行业配置方案。该方案参考经典策略分析框架，结合机构投资者的思维习惯，筛选被广泛关注的6个中观维度（景气度、相对估值、夏普比、拥挤度、产业资本、北向资金）并假设其在经济学和金融学意义上具有长期有效性。为便于定量分析，为6因子设置打分规则。因子权重方面采用非均匀的因子权重，根据宏观因子进行周期状态的划分并选取合适的权重组合，最终得到行业配置建议。 1.1.2.QIA量化行业配置模型 QIA量化行业配置模型（Quantitative Industry Allocation）是国君量化配置团队借鉴股票多因子研究框架，综合考虑行业景气度、资金流、情绪等细分维度的边际变化，基于一定逻辑加权合成的量化行业配置模型。 2022年4月以来，我们先后完成了基于行业景气度、分析师预期、业绩超预期、北向资金、公募基金和拥挤度维度的6个行业配置细分模型的开发，并基于经济逻辑和测算结果，为景气度、超预期、北向资金3个模型赋予权重，考虑行业拥挤度情况，得到了QIA量化行业配置复合模型（初版）。目前该模型仍在改进中，动量、估值等细分维度将被陆续纳入，更科学的因子加权方法也在探索中。 1.1.3.引入择时体系的AIA-Timing及QIA-Timing模型 国君配置团队择时体系可以用“技量为核，逻辑修边”概括，即以技术分析和量化“黑科技”为核心，用影响市场的6个层次进行主观验证。 在技术分析体系中，以“价、时、空间、趋势”为分析要素，将波浪理论、黄金分割、趋势线、传统制表等多种方式融合运用，最终生成择时观点。在上述AIA及QIA模型的基础上，我们结合国君配置团队的择时体系，主观引入择时观点，构建了叠加择时系统的AIA-Timing及QIA-Timing行业配置模型，在多头行业组合的基础上加上基于技术分析理论的仓位管理可以进一步增强模拟组合超额收益及超额收益的稳定性，组合年化超额收益和信息比率均有进一步提高。 详见《板块配置轮盘》专题报告。 2 3 详见《行业配置研究系列01-07》及其定期更新报告，https://mp.weixin.qq.com/s/XYDaM nYM KVWubYbgzEnwOg。 详见《打造“一站式”主动行业配置体系》、《当量化行业配置插上择时的翅膀》及其定期更新报告。 图1：AIA-Timing模拟组合净值曲线 图2：QIA-Timing模拟组合净值曲线 然而，与市场上多数行业配置策略相同，我们的行业配置模型是以中信一级行业指数为投资标的，但行业指数并不能直接投资，这使得行业配置模型的实际意义大打折扣。值得庆幸的是，近年来ETF等被动指数基金的大发展为行业配置模型的落地提供了有力的工具，我们将在下文探讨如何将行业配置的观点转变为ETF投资组合，为行业配置策略的最终落地提供一个通用的框架。 1.2.ETF大发展为行业配置模型落地提供基础 自华夏基金于2004年末发行我国首只股票型ETF（华夏上证50ETF）以来，我国ETF市场总体规模日益扩大、产品数量逐步提升、产品类型趋于多元。2019年以来，随着市场对于ETF产品的投资需求逐年增长，ETF产品的上报与发行节奏也得到了明显加速；行业ETF与主题ETF在这一阶段大量发行上市，为市场注入了活力，也为行业配置策略落地提供了基础。2022年中，我国股票型ETF市场规模进入万亿级别，约为其它类型ETF产品规模总和的2倍；截至2023年4月28日，已上市的股票型ETF产品数量达636只，总规模达11371.72亿元。 图3：各类型ETF数量变化情况 更多详细内容参见国君基金配置团队的报告《中国ETF市场发展白皮书》。 图4：各类型ETF规模变化情况 截至2023年4月28日，在所有股票型ETF的细分类别中，规模ETF仍是投资者关注的焦点，其市场规模共计5,682.04亿元，平均规模达33.62亿元；主题ETF的产品数量则居于首位，共计361只，其中发行于2020年后的主题ETF产品共259只，占到全部主题ETF的71.7%；行业ETF是另一个较为重要的股票型ETF细分类别，市场规模达2,051.35亿元； 策略ETF与风格ETF的规模之和不足百亿，尚属相对小众的ETF产品。 图5：各细分类型股票ETF数量及平均规模统计 图6：各细分类型股票ETF总规模（单位：亿元） 由于本文旨在通过ETF产品实现行业配置策略的落地，我们后续仅针对股票型ETF中的行业ETF与主题ETF进行进一步优选与组合。截至2023年4月28日，这两类ETF产品共计434只，总规模达5,606.73亿元，单只ETF的平均规模为12.92亿元，交易流动性相对较好。 图7：行业ETF与主题ETF的数量及规模 1.3.使用ETF进行行业配置的两种主流方法 根据我们总结，当前市场上使用ETF进行行业配置的方法主要分为两种：ETF打分法和行业指数映射法。 1.3.1.ETF打分法 ETF打分法要求重新开发一套基于行业ETF跟踪指数的配置模型。这种方法首先计算ETF跟踪指数成分股在业绩、资金、情绪等多维度的表现，然后对个股加权得到ETF的整体打分，最后根据得分情况选择对应的ETF标的。ETF打分法的优点在于重新做了一个行业ETF配置模型，配置观点与投资标的完全对应；其缺点在于ETF跟踪指数的数量远多于中信一级行业指数的数量，跟踪指数打分模型所需数据处理量将远大于现有行业配置模型，其实际运行效率可能相对较低；同时，由于ETF产品并不具备行业互斥性，在不加约束的前提下，这种方法的配置结果可能会导致持仓ETF存在高度相似性，从而难以有效地实现行业分散化。 1.3.2.行业指数映射法 行业指数映射法是指在现有行业配置模型的基础上，建立一个行业指数与ETF产品之间的对应关系，根据行业配置观点，配置相对应的ETF产品。这种方法的优势在于，能够较好地利用现有行业配置模型，把握不同行业间结构性行情的同时也能兼顾行业配置的分散化；这种方法的主要缺点在于，在ETF布局尚不完善的市场中，可能存在某一行业尚未有适配度较高的产品的情形，从而使得相关投资难以落地。 鉴于我们已经通过AIATiming及QIA-Timing策略得到了较为明确的行业配置观点，本文将主要聚焦于第二种方法，即以行业指数映射法实现行业配置模型的落地。 2.行业配置模型的ETF落地方法研究 我们通过两步法将行业配置策略转化为ETF持仓组合：首先，我们建立了一个中信行业指数与ETF的映射关系；随后，我们以该映射关系为基础，采用行业内等权配置或组合优化的方法，确定各只ETF的持仓权重。 本文采用市场所有满足流动性要求的行业、主题类ETF基金构建组合，对于ETF基金的评价、优选等工作则不是本文的研究范畴。 2.1.第一步：建立行业指数与ETF的映射关系 第一步是建立一个行业指数与ETF的映射关系，即对每个行业指数寻找其最优匹配的ETF基金，在这个过程中，我们根据“收益相近”和“成分股持仓相近”这2个原则，定义了3种映射方法：收益率匹配法、权重匹配法和双重匹配法。需要注意的是，一个行业对应的匹配ETF可能不止一个，我们定义每个行业指数的匹配ETF均有N个，N可主观选取，在本文中我们将N统一设置为3。 2.1.1.收益率匹配法 收益率匹配法选择与行业指数历史收益率相关性最高的N只ETF产品作为该行业的对应ETF组合。在此基础上，我们额外附加了ETF产品与行业指数历史收益的最低相关系数要求，剔除了组合中与指数收益率相关系数低于阈值的ETF产品；在最低相关系数要求较高时，可能出现某一行业指数不存在对应ETF的情形。 一般而言，我们以过往1年日频收益率序列计算ETF产品与行业指数的相关系数，最低相关系数要求设置为0.6。 2.1.2.权重匹配法 权重匹配法选择与行业指数个股持仓重合度最高的N只ETF产品作为该行业的对应ETF组合。持仓重合度的计算公式如下： PositionContactRatio = ∑ min(ETF_weight,index_weight) 𝑖 𝑖 𝑖 其中，𝐸𝑇𝐹_𝑤𝑒𝑖𝑔ℎ𝑡与𝑖𝑛𝑑𝑒𝑥 _𝑤𝑒𝑖𝑔ℎ𝑡分别为ETF与行业指数在第i只股票上的持仓权重。 𝑖 𝑖 在此基础上，我们额外附加了ETF产品与行业指数的最低持仓重合度要求，剔除了组合中与指数持仓重合度低于阈值的ETF产品；在最低持仓重合度要求较高时，可能出现某一行业指数不存在对应ETF的情形。一般而言，我们将最低持仓重合度要求设置为30%。 2.1.3.双重匹配法 双重匹配法同时考虑ETF产品与行业指数的收益率相关性与持仓重合度，其具体筛选步骤如下： 1、计算ETF产品与行业指数历史收益率相关性，筛选出收益率相关性最高的M只ETF产品。 2、计算ETF产品与行业指数的个股持仓重合度，筛选出持仓重合度最高的M只ETF产品。 3、取“历史收益率相关性”和“个股持仓重合度”筛选所得ETF产品的交集，若筛选出的ETF产品数量不足N只，则逐步增大M的数值并重复第1步至第3步，直至筛选出的ETF产品数量达到N只。 4、剔除筛选结果中与指数收益率相关系数低于阈值或与指数持仓重合度低于阈值的ETF产品，得到行业指数的最终ETF匹配结果。 在本文中，我们将M的初始值设置为N。 2.2.第二步：确定各相关ETF的配置权重 在通过上述方法得到中信一级行业指数与行业主题型ETF的映射关系后，一类较为简单的ETF权重确定方法是，将行业权重在对应ETF中直接进行均衡分配；另一类较