ETF策略兵器谱系列之四：宏观量化方法下的ETF核心-卫星组合构建-240416-申万宏源-16页.docxVIP

宏观量化方法下的ETF核心-卫星组合构建——ETF策略兵器谱系列之四2024年4

宏观量化方法下的ETF核心-卫星组合构建

——ETF策略兵器谱系列之四

2024年4月16日

相关研究

本期投资提示：

.宏观量化框架回顾：在此前的资产配置系列报告和因子新视野系列报告中，我们将依托于经济、流动性、信用三大维度指标的敏感性测试方法应用于大类资产、行业和风格因子上，发现不同行业、风格对宏观因子的敏感性存在差异，如周期行业、价值因子对经济敏感，TMT对流动性敏感，消费行业、成长因子对信用敏感，而红利对信用不敏感等。

.基于ETF跟踪指数的宏观敏感性测算：若我们希望建立ETF组合，可以直接以ETF跟踪的指数为底层资产，重新进行敏感性的测算。由于此前在行业、因子上的结论略有差异，针对ETF我们也进行宽基、行业主题、SmartBeta的区分后分别进行测算。以行业主题指数为例，我们根据申万金工的ETF分类数据库，筛选所有分类为“行业主题”ETF的股票产品并加入规模、成立时间限制后进行测算，得到的结论与基于行业指数的测试基本吻合。同时我们也发现，目前我国的SmartBetaETF体现出的风格属性与我们直接使用因子得到的结果存在一定的出入，这一方面说明我国SmartBeta相对还较为单一，另一方面也说明现有的SmartBeta对风格的代表性略偏弱，作为轮动配置工具的特征略显不足。

.宏观量化方法下ETF组合的构建：

.1）宏观行业组合：针对所有标记为“行业主题”的ETF的跟踪指数，每个月根据历史数据计算经济、流动性、信用的敏感性得分，并根据判断指标调整得分方向后加总，最终得到排名前6的行业主题指数，取对应规模最大的ETF作为最适应当前宏观环境的组合进行等权配置，2019年以来年化收益12.56%；

.2）宏观+动量行业组合：宏观类配置策略主要存在偏左侧的特点，为了提高胜率，我们尝试将宏观与动量的方法进行结合，在使用动量方法时，为了避免同行业主题的高相关指数集中入选，我们先使用聚类方法将行业主题分为6个不同的组，然后每组选择过去6个月涨幅最高的1只产品进行等权配置，然后和宏观结果等权合成，组合2019年以来年化收益12.56%，信息比0.81；

.3）核心-卫星组合：行业主题ETF整体存在波动偏高的情况，且近两年行业轮动速度加快，收益难以把握，对此我们参考海外ModelPortfolio中宽基+SmartBeta+行业ETF组合的模式，构建以沪深300为底仓的“核心-卫星”组合，使用宏观敏感性测算方法分别对国内宽基、行业主题和SmartBetaETF三个ETF跟踪指数池构建组合并合成，最终形成的组合年化跟踪误差在7%以内，信息比也稳定在0.5以上。

.风险提示及声明：本报告模型根据历史数据构建，准确度受限于历史数据的长度；模型历史表现不代表未来，宏观及市场环境大幅变化时模型可能失效。

证券分析师

沈思逸A0230521070001shensy@邓虎A0230520070003

denghu@

联系人

沈思逸

(86217458

shensy@

请务必仔细阅读正文之后的各项信息披露与声明

量化研究

权益量化研究

权益量化研究

证券研究报告

证券研究报告

权益量化研究

请务必仔细阅读正文之后的各项信息披露与声明第3页

请务必仔细阅读正文之后的各项信息披露与声明第3页共16页简单金融成就梦想

图表目录

图1：宏观行业ETF组合2013年以来净值 7

图2：宏观行业ETF组合2019年以来净值 7

图3：纳入筛选范围的行业主题指数数量 8

图4：宏观+动量行业ETF组合净值（2019年以来） 9

图5：核心-卫星ETF组合2013年以来净值 11

图6：核心-卫星ETF组合2019年以来净值 11

图7：根据ARIMA模型外推得到2024年4月及之后11个月的前瞻综合指标.13

表1：不同股票池风格因子对不同宏观因子的敏感性规律 4

表2：宏观敏感程度最高/最低的行业主题