2026年资产配置（三）：收益来源类别划分下的ETF策略

ETF 分类

作为在权益市场中投资较为方便的工具， ETF 产品的规模自 2019 年以来不断增加， 截至 2026 年 3 月 31 日1，上市 ETF 规模总额为 31773.00 亿。从规模占比上看，当前 权益 ETF 主要可分为行业（主题、行业）、宽基、风格（风格、策略）三类，而宽基中 如沪深 300、中证 1000 又包含了市值风格的区分，权益 ETF 的收益来源仍集中在 Beta 收益来源上：

一方面以 ETF 池子为轮动的重点仍在行业轮动和风格中的大小盘轮动，2023 年以 来非大小盘的风格占比逐步提高，也意味着有更多维度风格轮动的可能，需要对这 种差别进行捕捉；

另一方面 ETF 跟踪的指数较多，指数间的个股有重合，使得一些指数间 Beta 收益 来源较为相近，一些指数自身也可能兼具多个 Beta 收益来源。 这就需要对其跟踪的指数给出分类，对应到不同大类 Beta 收益来源的划分。

对于 ETF 跟踪的指数聚类来说：

样本点距离出发的聚类方式缺点为其确定最终结果的方式，由于指数样本池数量 较大，自下而上的识别方式成本较高，且因为不同 Beta 之间距离有较大差别，以 相同的空间距离统一划分时，会使得板块内子类别距离较近的板块（如金融）衍生 较少分支，而在子类别距离较远的板块（如消费）衍生较多分支。

类别中心点出发的聚类方式缺点在于无初始参数可直接确定，需要对聚类的标签、 个数有基本的逻辑判断。 因为 ETF 的收益来源为 Beta，所以在行业、风格的分类上有一套基本逻辑，故本文以 K-means 为例，展示 ETF 指数池的两步聚类过程——标签确定、类别确定。

以权重占比确定初始标签

指数的编制一般遵循一种固定规则筛选个股，指数成分股和某种风格或是彼此之间的重 合情况就是其 Beta 收益来源的直接体现，故本节先从个股成分股权重占比这一维度出 发，给出 K-means 聚类时所需的初始标签。

权重占比确定行业风格

ETF 池子为轮动的重点在行业轮动，一级行业为较为常见维度，但一些主题指数会适当 的扩大（将多个一级行业或一级行业下的子行业合并）、缩小（仅提取某个一级行业下的 子类行业）一级行业范围，故本文给出了下表的行业标签，并按照以下步骤依次筛选：

月度频率，得到每个指数在各申万一级行业上的个股权重占比，对个股第一一级行 业占比超过 50%、第二一级行业占比不高于 30%的指数，给出该一级行业的标签；

对余下的指数统计在各个初级行业上的个股权重占比，对个股第一初级行业占比 超过 50%、第二初级行业占比不高于 30%的指数，给出该初级行业的标签；

对余下的指数统计在各个大类行业上的个股权重占比，对个股第一大类行业占比 超过 50%、第二大类行业占比不高于 30%的指数，给出大类行业的标签，余下的 指数待定。

在行业维度无法给出指数的标签后，则考虑下表的风格标签，并按照以下步骤依次筛选：

对上述待定的指数，在月度频率下得到每个指数的市值暴露，并根据沪深 300、中 证 500、中证 1000 的历史平均暴露，对暴露稳定性强且处于一定区间的指数给出 所属市值标签；

对余下的指数，在月度频率下得到每个指数的价值暴露，并根据中证红利的历史平 均暴露，对暴露稳定性强且处于以上区间的指数给出价值标签，对暴露稳定性强且 处于以下区间的指数给出成长标签；

对余下的指数，得到每个指数在科创板、创业板上的个股权重占比，对占比超过 90% 的指数给出两个板块的对应标签，余下指数标签为空。

在本文报告选取的 ETF 指数池中，共 19 个指数没有被赋予标签，如下表所示，标签化 率为 95.25%，未标签化的的指数包含三类指数：

国企民企、板块类，个股按照企业性质、上市板块筛选，如上证名企、上证新兴、 深证成指、深证 100、民企 100、国企改革、福建 50、凤凰 50、SHS 大湾区；

交叉子类行业类，多个一级行业或其子类行业个股的合并，包括消费 80、中证环 保、全指工业、全指可选、消费 100、环保 50、CS 智消费、CS 车联网、新材料。