研究背景：行业轮动特征明显，ETF 工具助力把握结 构性行情

必要性：行业风格分散度提升

A 股近年来的行业轮动特征明显，且轮动速度逐步加快。自 2019 年以来，市场多数 时间处于结构性行情中，行业间收益差距较大，且中信一级行业收益分化水平较高。特别 是 2020-2022 年中，行业配置策略的超额收益快速上涨，把握行业的结构性机会成为市场 的关注重点之一。

可行性：ETF 市场的快速发展提供了丰富的行业主题投资工具

截至 2023 年 10 月 31 日，沪深两市已成立的 ETF 基金 861 只，资产管理规模合计 20198 亿元。截至 2023 年 10 月末， A 股 ETF 规模为 13691 亿元，其中行业&主题 ETF 规模达到 5745 亿元。行业主题 ETF 一直是 A 股 ETF 中的重要组成部分，自 2019 年以来规模快速上涨， 目前占全部 A 股 ETF 规模的 42%。在行业板块中，ETF 规模排前三名的板块分别是科技、 金融和医疗健康，截至 2023 年 10 月 31 日，规模分别为 1435 亿元，959 亿元和 958 亿 元。

解决框架

本文以行业主题 ETF 工具为底层资产，筛选流动性较好，相关性较低的行业主题 ETF 进行配置。采用趋势跟踪的方法优选行业主题 ETF，并基于流动性、波动性、成分股收益 分布、融资融券等指标进行行业预警，最终落地为行业主题 ETF 的配置策略。

底层资产：低相关性的行业主题指数

如何筛选行业主题 ETF 投资标的池？

指数基金的相关性：参考中信证券研究部外发报告《中信证券指数研究与指数化投资 系列：指数基金分类标签体系暨投资图谱第五版（20230407）》，我们对市面上的 ETF 按 照市场类别、资产类别、细分 beta 等维度进行划分，选取资产类别为“行业&主题”的 ETF 产品，寻找其跟踪指数进行配置。 指数基金的流动性：我们的目的是实现行业轮动组合的可投资性，因此对于底层资产 的流动性有一定要求。部分指数有多只 ETF 跟踪，我们希望找到跟踪指数的 ETF 总规模 较大的指数，保证策略容量。

筛选结果：45 只行业主题 ETF 指数投资标的

我们最终筛选出了 45 只行业主题指数。 45 个行业主题指数涵盖了七大主要产业板 块，对应 ETF 规模 2966 亿元，在当前全部主题行业 ETF 的占比为 38%。对每类产业下 面的细分重点产业也有覆盖，囊括了市场关注度较高的大多数行业主题 ETF 配置方向；按 照成分股统计，成分股合计数量（不充分计算）、在全部 A 股的数量占比 57%。

趋势配置：筛选有明显动量效应的行业主题指数

在优选资产环节，我们采用动量指标进行筛选，捕捉具有上涨趋势的资产。具体方法 参考中信证券研究部外发研报《资产配置专题系列之二十——基于趋势配置模型的全球多 资产基金组合策略（20230915）》，采用时序动量与截面动量相结合的方式。

时序动量与截面动量

时序动量也被称为绝对动量（Absolute Momentum），投资逻辑是过去处于上涨 趋势的资产未来上涨的概率更大，过去处于下跌趋势的资产未来下跌的概率更大； 投资者关注的是资产是否能够延续各自过去的趋势。 本文采用过去一周、过去两周和过去四周的区间收益率指标衡量时序动量，任一 指标的收益为正即可通过时序动量筛选。  截面动量也被称为相对动量（Relative Momentum），指过去表现相对较好的资 产未来表现也较好，过去表现相对较差的资产未来表现也较差；投资者关注的是 资产间强者恒强、弱者恒弱的趋势是否能够延续。 本文采用过去一周，过去两周和过去四周的区间收益率的横向对比名次，将三个 指标计算加权平均值，筛选排序前 N 名的资产进行配置。

对于配置策略而言，业绩表现受到许多因素影响，比如配置资产数量、交易成本、调 仓频率等等。下面我们结合历史数据进行检验，探讨主要的参数选择。

底层标的数量选择

配置数量的选取会直接影响到业绩表现。若选择资产数量过少，则容易出现仓位集中， 单一资产对策略表现影响过大，使得策略的波动性较大的问题；若选择资产数量过多，则 容易出现换仓成本高，策略容量受限的问题。 对比多个资产数量的策略表现，我们可以看出， 5 资产策略获得了最高的年化收益与 年化超额收益。但该策略的年化波动率为 28.42%，年均换手率为 1168%，策略的波动率 和换手率偏高。10 资产策略能够在波动率与换手率上有明显的边际改善，因此我们最终选 择定期筛选 10 类资产。

周度配置策略与月度配置策略

对于选股策略而言，量化选股信号一般会分低频、中频和高频，日频和日内信号占比 较高。对于基金配置而言，由于申购赎回的要求，一般采取月频乃至季频调仓。ETF 介于 二者之间，相较于基金交易更加高效，但流动性弱于个股。下图展示了周频和月频调仓下 的行业主题 ETF 轮动效果，从收益表现可以看出，周频调仓的业绩显著优于月频，后面的 策略均采取周频调仓的方式。

交易成本对策略的影响

在实际交易中存在费率问题，当换手率较高时，交易费率带来的成本也会提高。我们 关注策略业绩表现相较于费率的敏感性。从下图可以看出，策略对于 0.1%以上的费率比 较敏感，当费率提升到0.3%时，收益明显下滑。在ETF实际交易中，费率一般不超过0.1%， 后面的策略我们按照 0.1%处理。

预警指标：多维度指标预警行业下行风险

行业预警指标：从资金面与技术面出发，监测行业下行风险

行业整体的价格一般受到基本面、政策面、资金面、技术面等多方面因素的影响。在 行业风险不断积累过程中，未来下行可能性不断加大。当负面因素累积到一定程度后便会 出现下行，兑现利空。本文中的行业预警指标中，我们主要分析资金面和技术面的因素。

流动性：反映交易拥挤度的指标

行业成交额：该指标反映了行业的交易活跃度，当成交额达到历史高点时，该行业交 易过热，出现拥挤现象，未来回调的概率较高。该指标是反映行业拥挤度最直观的变量。 行业成交额占比：行业成交额指标不仅受本行业交易活跃度的影响，也会受到全市场 交易量的影响，使得同一行业在不同时间点的成交额不可比。因此我们计算单一行业成交 额占全市场成交额的比重。与行业成交额相比，本指标排除了全市场成交额的影响。

换手率：该指标反映了行业流通性的强弱。行业内个股的换手率越高，市场观点的分 化越严重，未来下行的可能性越大。与成交额相比，排除了自由流通市值因素的影响，使 得不同个股的流动性指标均可比。

收益分布：反映行业成分股收益分布的指标

行业内部成分股收益率的分布特征可以反映出指数成分股走势的离散程度，这里我们 考虑三个指标：峰度、偏度、波动率。 行业指数成分股收益率峰度：当行业指数成分股收益率的峰度较高时，意味着行业的 同涨同跌现象比较显著，市场主要根据行业主题进行投资，忽视了个股的基本面差异，这 种非理性现象不可持续。当峰度指标达到历史极端值时，未来行业主题指数大概率下跌。 行业指数成分股收益率偏度：当行业指数成分股收益率的偏度较高时，意味着处于极 端值的个股数量较多，偏离均值的程度较大，未来行业主题指数大概率下跌。 行业指数成分股波动率：该指标反映了行业内个股的走势差异，若行业内成分股波动 率较高，说明行业内部不同个股走势存在明显分歧，未来难以形成上涨趋势。

波动率：反映行业短期波动的指标

行业波动率一定程度上反映了市场的分歧，当市场短期波动剧烈时，说明行业的交易 多头与空头博弈比较剧烈，未来走势不确定性较高。当行业内成分股的收益之间的波动率 较高，说明市场分歧严重，未来难以形成向上的趋势。 行业波动率：该指标直观反映了行业的波动性，若行业近期波动率较大，说明市场对 该行业的观点存在明显分歧，多空博弈激烈，未来难以形成上涨趋势。

融资融券：反映市场杠杆高低的指标

融资融券数据可以从杠杆率的角度反映市场预期。融资融券业务的客户一般是专业投 资者，其操作更加灵活，对市场变化的敏感性更强。 融资余额占比：该指标反映了行业杠杆率的存量情况，当行业的融资余额达到峰值时， 说明市场杠杆率位于历史高位，市场泡沫较严重，未来行业下跌的可能性较大。 融资买入额占比：该指标反映了行业杠杆率的增量情况，当行业的融资买入额达到峰 值时，说明短期行业杠杆率迅速上升，市场处于泡沫较高的脆弱状态，未来行业下跌的可 能性较大。 融券余额占比：该指标反映了行业做空情绪的存量情况，当行业的融券余额达到峰值 时，说明专业投资者对未来看空情绪浓厚，未来行业下跌的可能性较大。 融券卖出额占比：该指标反映了行业做空情绪的增量情况，当行业的融券卖出额达到 峰值时，说明专业投资者短期看空情绪快速上涨，未来行业下跌的可能性较大。

预警指标构建：按历史分位数判断行业拥挤度，根据回看窗口平滑指标

在构建拥挤度指标时，对单一行业是否拥挤的判断不应受到其他行业的影响，需要做 到行业之间的相互独立。另一方面，行业内部需要做到时序可比。我们通过计算行业指标 在过去五年中的分位数的方式衡量行业的拥挤度。 为了实时跟踪行业的拥挤度水平，我们周频计算指标。但部分指标的短期值会存在较 大的波动，为此我们考虑对指标进行平滑。这里我们回看过去 1/2/4/8 周的指标均值，分 析不同平滑周期指标对未来的预警效果差异。 本文通过设定阈值的方式，将行业指标分位数与阈值进行比较，当指标超过阈值时， 说明行业达到了拥挤状态，未来大概率出现下跌。在具体阈值设置方面，需要兼顾预警低 次数与预警准确性。这里我们采取 0.85/0/9/0.95/0.97/0.99 的阈值判断是否达到预警状态。

预警指标有效性检验：胜率与赔率

为了验证指标在行业拥挤预警方面的有效性，我们分别从胜率和赔率的角度进行衡量。 在胜率方面，统计预警时点下，未来行业真正下跌的次数占全部预警时点的比重来判断， 若占比显著超过了 50%，说明该指标是有效的。在赔率方面，我们用 45 个行业指数的等 权配置作为对照组，引入行业预警指标，将预警时点的行业配置权重调整为 0，观察预警 策略是否可以带来超额收益。 胜率方面，我们选取过去四周收益为正的行业主题 ETF 作为预警的样本集，观察预警 信号触发后，该行业未来四周的业绩表现，若未来四周该行业出现下跌，则认为预警成功， 通过计算预警成功次数占全部预警时点的比重计算每个预警指标的预警胜率。

成交额占比、换手率等流动性因子和融资融券杠杆性因子的短期指 标对行业的预警效果较好，而成分股峰度、成分股偏度、成分股收益波动率等收益分布因 子，以及行业波动率的中长期指标对行业的预警效果较好。 赔率方面，预警指标的有效性可以由剔除预警行业后策略的提升效果来衡量。构建单 一预警指标配置策略与业绩基准如下，对比两类策略的累计收益差距，从而验证指标的预 警效果。 基准组合：等权配置 45 个行业主题指数，周度再平衡。 行业预警策略：行业初始配置权重与业绩基准保持一致，周度监测行业预警触发情况。 若触发预警，则调整未来四周该行业配置权重为 0，其余行业等权配置，通过空仓预警部 分的方式观察预警指标对策略业绩表现的影响。

从行业指标的历史预警次数来看，不同指标存在较大差异。波动率和流动性因子的历 史数据全面，分布相对均匀，预警数量较多。需要融资融券数据的杠杆率因子由于历史数 据较少，导致其行业预警次数也较少，虽然预警胜率较高，但对策略的收益贡献较弱。

合成预警指标：多维指标预警时点叠加，实现“1+1>2”

有效指标预警时点叠加：在有效性检验部分，我们验证了对行业预警效果有效的指标， 后面我们希望能够将不同指标的有效性进行叠加，产生“1+1>2”的效果。具体实现的过 程中，我们采取了指标叠加的方法。 以当下预警效果最好的指标作为基础因子 A，将该指标的预警时间叠加上其他指标的 预警时点，对于全部其他因子，选择叠加时间后效果最好的因子作为基础因子 B，按照此规律依次叠加指标，得到基础因子 C、基础因子 D 等。当因子回测效果显示叠加因子几乎 没有边际效果时停止。

复合因子的预警策略表现，可以看到多数因子突破 95%或 97%的阈值时， 未来四周空仓该行业能够给策略带来正的超额收益。为了统一预警标准，当复合因子的组 成指标突破 95%阈值时，即触发预警信号。从时序上看，行业预警指标触发的数量并非均匀分布，会在市场出现拥挤的时候大量 触发预警信号。这与单一预警信号触发的机制有关，预警信号的触发只和该行业的历史指 标分布有关，与同时期其他行业的预警状态无关。

行业预警策略在年化收益率上相较于等权组合有显著的超额收益。在分年度收益率方 面，行业预警策略的超额收益率主要来自 2015 年和 2021 年，两轮预警的场景有所区别。 2015 年 5 月至 8 月，全市场快速上涨，多个行业的波动率突破了历史分位数阈值， 多数行业的波动率因子的预警信号触发，行业配置权重下降，有效避开了 6 月份之后的大 幅下跌。

2021 年 1 月至 3 月，消费、医药等赛道抱团现象达到峰值，行业内指数成分股收益 高度分化，板块内多个行业的成分股收益标准差因子的预警信号触发，行业配置权重下降， 有效避开了一季度的抱团股下跌。

行业主题 ETF 配置策略：顺势而为，激流而退

基于趋势配置的定量优选与行业预警剔除行业，我们构建了行业主题 ETF 配置策略。顺势而为：周度筛选过去动量最强的 10 个行业主题指数，包括时序动量与截面动量 两个维度。时序动量选择过去一周、过去两周、过去四周收益大于 0 的行业指数，截面动 量选择上述三项指标排名均值靠前的行业指数。 激流而退：在前述 10 个优选行业中，根据前面构建的复合行业预警因子，剔除发出 预警信号的行业。预警信号为周频信号，当行业出现预警后，未来四周该行业配置权重设 置为 0。

从历史表现上看，本策略的主要超额收益来自 2015 年、2019-2022 年。2015 年内， 由于市场交易过热，多个行业的波动率指标、流动性指标均触发了预警信号，使得策略避 开了 2015 年下半年的市场快速下跌。 2019 年以来，行业轮动效应显著，2020-2021 年市场处于结构性牛市中，趋势配置 策略贡献了主要超额收益。其中 2021 年一季度的“抱团股”下跌之前，行业预警信号的 成分股收益分布指标触发了预警信号，及时减配消费、医药等行业主题 ETF，行业预警策 略获得了显著超额收益。

2023 年以来的行业主题 ETF 策略配置情况，图中 1 代表趋势配置+行业 预警策略最终选择资产；-1 代表趋势配置筛选且行业预警剔除的行业，不予配置；-2 代表 行业预警剔除的行业，不予配置。2023 年 3-4 月，受海外 ChatGPT 概念影响，人工智能 主题投资出现泡沫，科技板块行业主题 ETF 频繁出现预警，特别是传媒行业。2023 年 7 月末中央政治局会议提出“活跃资本市场，提振投资者信心”，银行、证券行业主题 ETF 频繁出现预警。

主要结论

行业轮动速度加快，以 ETF 为投资工具的行业主题投资方兴未艾。近三年内，市场 普遍上涨行情较少，多数时间处于结构性行情中，2023 年以来，主题投资机会层出不穷。 ETF 基金市场近年来获得迅速增长，截至 2023 年 10 月末，行业&主题 ETF 规模达到 5745 亿元，基于 ETF 基金的行业主题配置策略重要性凸显。 本研究选择行业主题 ETF 的跟踪指数作为底层资产，采用趋势跟踪策略，周度优选 具有上升趋势的资产。文中从 ETF 基金的流动性、相关性以及数据可得性的角度，筛选 45 个优质 ETF 跟踪指数作为配置策略的底层资产，采用时序动量与截面动量相结合的方 法，优选具有向上趋势、优于其他资产的行业主题指数进行配置。我们对优选资产数量、 换仓频率等核心参数进行测试，得到配置策略效果优异的配置方案。

本文从资金面、技术面角度出发，探究多维拥挤度指标对行业指数的预警效果，构建 了复合行业预警因子。文中探究了指数流动性、成分股收益分布、波动性和波动率四方面的预警指标构建，从胜率和赔率的角度进行有效性检验，得到了有效的行业预警指标。通 过叠加的方式构建复合预警指标，进一步提升行业预警效果。 通过回测分析发现，最终构建的基于趋势跟踪的行业主题 ETF 配置策略，2014 年 1 月至 2023 年 11 月年化收益率 21.79%，年化超额收益 17.04%，2019 年以来的超额最大 回撤为-8.9%。行业主题配置策略在年化收益率上相较于基准有显著的超额收益。在分年 度收益率方面，配置策略的超额收益率主要来自于 2015 年、2019-2022 年。策略定位于 紧密跟踪行业主题的结构性机会，并适当回避拥挤迹象的行业；实现以行业主题 ETF 为底 层的组合配置策略。

 

编辑：520中国