2026年ETF轮动研究报告：卷积ETF轮动组合多维测算

背景介绍

近年来，指数化投资理念愈发受到投资者认可，ETF产品凭借透明、低费率、交易便 捷等优势，成为居民资产配置的重要工具。 广发金工团队于2023年上半年发布《基于卷积神经网络的股价走势AI识别与分类》 专题研究报告，该策略后续同步应用于ETF轮动。样本外持续跟踪至今，测算结果显 示，基于卷积的ETF轮动策略于2025年实现了相对于Wind偏股混基金指数较明显的 超额收益。 当前的策略组合，采取周频调仓，每次持有5只ETF。而不同的持仓数量、交易频率 以及费用等因素，对策略的表现同样存在较明显的影响，因此，本报告旨在对基于 卷积神经网络的ETF轮动策略进行回顾，并测算对比上述等多种因素的潜在影响。

卷积神经网络因子逻辑

（一）标准化价量数据图表

为了能更好地使用卷积神经网络对价量数据图表与未来股价走势进行建模，本方法 对每个个股窗口期内的价量数据构建了标准化的图表。该图表包含了窗口期大小为 20日的价量数据，其由三部分组成： 1.图表的上部分由k线图和移动平均线构成，包含了开、高、低、收价格，以及若干股价的移动平均线，如MA5、MA10等。 2.图表的中部分由当日对应的成交量构成。 3.图表的下部分由股价的MACD信息构成，其中短期和长期移动平均线的窗口期。 由此构成了信息丰富的标准化价量数据图表。标准化图表构建完毕后，全市场范围 内从2005年至2023年期间的图表数据量达115Gb，远超于同期以序列形式表达的价 量数据，后者数据量仅为2Gb不到。

（二）价量数据图表卷积神经网络

为了对标准化图表和股价未来走势进行建模，本方法构建了卷积神经网络。输入图 片经过卷积结构后得到了512x10x10的特征图，将其摊平后得到51200维度的特征后 送入一个全连接神经网络。模型的最终输出为3个概率，分别对应个股在未来截面日 上收益率的百分位，即后1/3、中1/3、前1/3，以表示跌、平、涨。最终以股票上涨 的概率作为因子进行选股。 在模型的实现细节上，采用Xavier、 Adam化器等技术对模型进行训练；采用训练数 据外的验证集对训练中的模型进行验证，以确定最优早停（Early Stopping）时点。 通过分别训练两个不同的模型，将包含过去20日价量数据的标准化图表，与未来5日、 20日的个股收益情况进行建模。在下文中，这以I{x}R{y}来表示，其中x为价量数据图 表的窗口大小，y为预测未来y日的收益情况，换仓周期与y保持一致。即I20R5表示 使用包含过去20日价量数据的标准化图表来预测未来5个交易日的收益情况。

（三）特征可视化

在完成卷积神经网络的训练后，标准化价量数据图表对模型进行输入，分别对模型 中的4个卷积神经网络结构的输出在特征维度随机抽取9张特征图进行可视化。 从特征可视化结果来看，卷积层1和卷积层2作为低维度特征提取器，其关注到了整 幅标准化价量数据图表中的信息，均同时涵盖了k线图、移动平均线、交易量以及 MACD信息。 而卷积层3和卷积层4作为高维度特征提取器，其对图表中代表不同信息的不同部位 的关注点开始发生分化，有的特征图重点捕捉k线图、移动平均线中的信息，而有的 特征图则重点捕捉交易量以及MACD中的信息。与此同时，也有的特征图关注到了 全局信息。 由此可见，训练后的卷积神经网络能对标准化的价量数据图表进行有效的特征提取， 识别出其中的价格以及交易量形态走势信息，从而与未来的股价走势进行建模，实 现对未来股价的预测。

实证分析

（一）数据说明

由个股汇总到指数，再映射ETF的逻辑，我们将选股因子应用到ETF轮动。考虑到 ETF产品的流动性，对ETF产品作规模和成交额等基本要求。另外，个股因子只涉及 境内A股市场，对跟踪海外和沪港深等指数的ETF作剔除处理。

（二）因子实证表现

周频ETF轮动模式下，回测区间内，因子的IC均值为5.6%,IC胜率为56%，多空年化 收益为17.7%，多空波动率为17.8%，多头年化收益为16.9%。分档表现方面，5分组 模式下多头组超额收益相对明显，其他几组区分度相对不够突出。 观察持有5只ETF的组合策略，扣除双边千一费用后，2020年以来实现约24.1%的年 化收益，相比于万得偏股混基金指数的超额收益约16.3%，该组合2025年实现了约 90%的绝对收益。

（三）持仓特征

观察该组合的历史持仓，总体行业或风格主题暴露相对突出。多头组合的ETF组合 中，大部分持仓为行业主题型ETF，或者Smart Beta类ETF。但持仓行业或主题暴露 并非长期不变，如当前的持仓在军工、化工等方向暴露较多，2025年11月前后在红 利风格方面暴露较多，当年8月在科技主题暴露较多。