本报告基于多维度指标构建ETF组合,通过K-Means模型对市场上259个A股指数聚类,选出35只代表性ETF指数,构建组合。核心策略以盈利、动量、分析师预期三大类因子评价指数得分,月度调仓,回测显示组合收益显著优于沪深300指数且控制行业偏离有助于风险控制。此外,报告分析了Wind偏股基金指数的优秀表现及其难以复制的原因,并用Lasso回归模型拟合ETF组合模拟偏股基金指数,验证拟合效果良好,支持ETF策略在基金指数复制中的应用 。
| 行业偏离度(%) | 3 | 5 | 8 | 10 | 15 | 沪深300 |
|---|---|---|---|---|---|---|
| 总收益率 | 28.53% | 26.08% | 19.17% | 19.84% | 21.71% | -7.28% |
| 年化收益率 | 7.96% | 7.33% | 5.50% | 5.68% | 6.18% | -2.28% |
| 年化波动率 | 24.60% | 24.69% | 24.74% | 24.90% | 25.23% | 19.94% |
| 最大回撤 | -36.66% | -37.03% | -37.58% | -37.65% | -35.24% | -39.59% |
| 年化夏普比率 | 0.43 | 0.41 | 0.34 | 0.35 | 0.36 | -0.02 |
| 指数 | 总收益率 | 年化收益率 | 年化波动率 | 最大回撤 | 年化夏普比率 |
|---|---|---|---|---|---|
| Wind偏股基金指数 | 895.18% | 13.79% | 21.66% | -56.63% | 0.71 |
| 沪深300 | 292.55% | 7.99% | 26.09% | -72.30% | 0.43 |
| 中证500 | 509.68% | 10.70% | 29.56% | -72.42% | 0.49 |
| 中证1000 | 561.40% | 11.20% | 30.64% | -72.51% | 0.50 |
| 指标 | 控行业偏离组合 | 未控行业偏离组合 | Wind偏股基金指数 |
|---|---|---|---|
| 总收益率 | 30.96% | 30.87% | 28.35% |
| 年化收益率 | 8.58% | 8.56% | 7.91% |
| 年化波动率 | 24.49% | 24.01% | 19.43% |
| 最大回撤 | -36.56% | -36.93% | -30.19% |
| 年化夏普比率 | 0.46 | 0.46 | 0.49 |
| 指数代码 | 指数名称 | 系数 |
|---|---|---|
| 000300.SH | 沪深300 | 0.01 |
| 000852.SH | 中证1000 | 0.30 |
| 000688.SH | 科创50 | 0.06 |
| 399330.SZ | 深证100 | 0.30 |
| 399987.SZ | 中证酒 | 0.04 |
| 931151.CSI | 光伏产业 | 0.06 |
报告指出,截至2023年6月14日,A股市场拥有737只股票ETF,总规模约1.46万亿元。鉴于市场上ETF数量众多且存在同质化现象(多只ETF对应同一行业/主题指数),采取有效聚类方法非常关键。传统方法基于CAPM模型剥离超额收益并计算相关系数判断主题相似性,但该方法难以确定相关系数阈值。
申万宏源研究所创新采用基于2019年12月31日至今的月度收益率的K-Means聚类算法,将259个A股指数(剔除沪港深、QDII指数)划分为35个类别(k=35)。该非层次聚类依赖最小化样本间的距离(相似性度量)进行赋类,结合ETF基金规模及成立时间甄选出每组的代表ETF。代表性ETF列表具体揭示了覆盖宽基、金融地产、消费、医疗、周期、先进制造和科技等领域的标的,如著名的沪深300ETF(510300.OF),中证500ETF(510500.OF),创业板50ETF等。
基于2020年1月1日起的回测,结合盈利(单季度ROE、净利润同比增长)、动量(过去一个月涨跌幅、夏普比率)和分析师预期(三年净利润同比)三个因子等权加权计算指数得分体系(详见图1,指标打分体系),报告每月选取得分最高的10只ETF等权构建组合。实证显示:
此外,相较原指数组合,聚类优化后的组合在各项指标普遍表现更优,表明聚类筛选提升了组合有效性(图2与表2详述)。
报告进一步探讨了将组合的行业权重相对于沪深300基准控制在±3%的约束条件下的优化组合构建,数学模型为凸优化以最大化组合得分(α)的线性组合,限制行业偏离度和个股最大权重(w):
maxαTws.t.It≤H(w−wb)≤Ih,0≤w≤h,1Tw=1其中,H为ETF行业分布矩阵,w为组合权重,w_b为基准权重,I_t 和 I_h为行业偏离度上下界。
针对3%的最大行业偏离限制,2019/12/31至2023/5/31回测结果显示:
报告对比多种行业偏离度(3%、5%、8%、10%、15%)发现3%为最佳折中点(见表4),进一步体现风险收益权衡。
2023年6月的具体ETF配置名单(表5)反映了组合广泛涵盖医疗、科技、消费、新能源等热点产业,且权重分布合理,最高权重不超过20%。
Wind偏股混合型基金指数是市场重要的万得基金投资类型指数之一。基金类型定义基于权益类资产配置比例,样本包括所有符合规则的偏股混合基金,截至2023年6月15日累计3710只基金(含A、C份额分别计入),指数基点始于2003年12月31日,采用成份基金等权重计算复权净值(公式详见文本),考虑分红再投资。
Wind偏股基金指数自2005年至2023年06月15日表现卓越:
图4与表6清晰展示指数长期稳健的优势表现,表7进一步支持其在偏股基金中的排名稳定,主要维持在45-55分位之间,自2021年起位于45分位左右,体现其具有代表性和相对优势。
相比中证股票基金指数、中证主动股票基金指数和中证偏股基金指数,Wind偏股基金指数同样展现出业绩领先地位:
说明Wind指数不仅在绝对收益上表现优秀,且在风险调整后维持较为高效的投资表现。
报告细致解析Wind偏股基金指数复制难点:
上述三点从规模结构、权重调整机制和数据合并角度说明了指数表现优异但复制成本和技术门槛高。
通过季报持仓数据统计,2023Q1 Wind偏股基金偏重食品饮料(19.01%)、电力设备(13.32%)、医药生物(11.65%)。2023Q1较上一季加仓较多行业为计算机、食品饮料、通信,减仓则以电力设备、银行和军工为主(图8)。显示基金行业配置与市场行情及投资经理判断高度相关,行业变动反映策略偏好与风险管理。
参考行业加权和限制方案,在基于季度季报数据并延迟1个月采用行业权重滞后方法的回测中:
这一结果表明,在多因子量化及行业控制下,ETF组合理论上可以略跑赢Wind偏股基金指数的收益,但风险调整后的表现仍有不足,说明后者风险管理、组合稳定性略胜一筹。
为更精准复制Wind偏股基金指数,报告采用Lasso回归模型进行多因子组合系数挖掘:
该方法增加了指标间选择与降维,减少共线性影响,是风险控制和拟合效果兼顾的数学工具。
2023年3月31日的系数显示沪深300占比极低(0.01),中证1000和深证100贡献最大(均为0.30),体现规模和风格的匹配度。
本报告针对ETF组合构建与比较,未涉及传统股票估值模型如DCF或市盈率估值。核心方法为多因子评分与行业约束的组合优化,及基于历史回报和风险指标的绩效比较。Lasso回归中用到的正则化参数alpha经BIC准则调节,用以防止过拟合。
报告末专门列出风险提示:
这些风险提示体现了研究的审慎性,提醒用户关注模型和市场本身的内在不确定性。
总体而言,报告提供的是一套较为翔实且系统的ETF多因子优化及模拟方案,兼顾收益提升与风险控制,但现实执行时需关注流动性及交易成本等限制。
本报告对中国A股市场ETF组合构建方法做了全面细致阐述。通过K-Means聚类算法筛选出的35只代表性ETF结合多因子指标打分,实现了优于沪深300等宽基指数的超额收益,并且在行业偏离度控制下组合更趋稳健。报告系统比较了Wind偏股基金指数的业绩优势及其难以被普通投资者复制的原因—尤其是其规模分布、等权重日复权及份额合并方式的特殊性。
基于季度基金持仓数据,结合行业偏离约束条件,ETF组合可实现轻微超越Wind指数的收益,但风险调整收益仍落后,表明真正全面复制基金指数仍有一定难度。使用Lasso回归进行风险敞口分解,以确定各ETF对Wind指数收益的贡献,取得较好的拟合效果,为投资者提供了量化模拟偏股基金指数的可行路径。
图表系统地支持了上述分析,表明优化聚类后的ETF组合表现优越,行业限制在3%时效果最佳,Wind偏股基金的表现优于其他主流指数和股票基金指数,且其行业持仓反映了基金经理的市场判断。
综上所述,报告立场明确:通过聚类筛选、指标打分和行业约束构建的ETF组合优化策略,能够有效提升主动选基的被动投资工具表现,但复制约束指数等高级指数仍面临历史加权方式、份额重复计入等结构性难题。投资者应权衡收益、风险与交易成本,结合自身偏好审慎部署ETF组合。
以上分析依据报告内容及图表数据完成,涵盖了报告的结构、关键论点、数据指标、模型工具及风险提示,期限清晰,保障后续内容溯源需求,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15]。
ETF策略研究系列报告之二:ETF组合构建再优化.pdf