宏观量化框架回顾 [page::3]

• 将经济、流动性、信用三大宏观因子维度应用于大类资产、行业和风格因子，发现不同行业和因子对宏观因子敏感性存在明显差异。

- 周期行业对经济敏感强，TMT对流动性敏感，消费行业、成长因子对信用敏感，红利因子对信用敏感度低。

• 不同股票池中因子的宏观敏感性规律被系统总结，有助于基于宏观因子构建策略组合。

基于ETF跟踪指数的宏观敏感性测算 [page::4][page::5][page::6]

• 对行业主题ETF的跟踪指数进行经济、流动性、信用敏感性测算，以多项指标排名综合测算敏感度。

- 结果显示宏观敏感性分布符合行业及风格预期，Smart Beta ETF风格具代表性不足，风格较单一。

• 宽基、行业主题、Smart Beta ETF分开处理，分别构建组合。

宏观行业组合构建及表现 [page::6][page::7]

| 产品 | 年化收益 | 年化波动率 | 最大回撤 | 夏普率 |
|--------|---------|-----------|----------|--------|
| 沪深300-2019年起 | 4.87% | 19.15% | 42.17% | 0.25 |
| 宏观行业-2019年起 | 12.56% | 25.94% | 49.95% | 0.48 |

• 通过历史经济、流动性、信用得分筛选行业主题ETF，取规模最大的6只等权配置。

- 该组合2019年以来年化收益12.56%，显著跑赢沪深300但波动率与回撤较高。

• 行业主题ETF数量自2019年起逐步增加，目前筛选范围产量达到120条，产品充足。

宏观+动量行业组合策略 [page::7][page::8][page::9]

| 年份 | 沪深300 | 宏观行业 | 动量 |
|-------|---------|----------|-------|
| 2019 | 36.07% | 39.01% | 41.57% |
| 2020 | 27.21% | 59.55% | 53.01% |
| 2021 | -5.20% | 23.11% | 7.44% |

| 组合 | 年化收益 | 年化波动率 | 最大回撤 | 夏普率 |
|-------|---------|-----------|----------|--------|
| 沪深300 | 4.87% | 19.15% | 42.17% | 0.25 |
| 宏观行业 | 12.56% | 25.94% | 49.95% | 0.48 |
| 宏观+动量行业 | 12.79% | 23.15% | 43.25% | 0.55 |

• 宏观类策略偏左侧，动量策略在某些年份表现优异，两者结合提升了组合胜率和夏普率，同时降低了回撤。

- 将行业聚类分组，组内选择涨幅最高ETF进行组合，提升组合表现。

核心-卫星组合构建及表现 [page::9][page::10]

| 组合 | 年化收益 | 年化波动率 | 最大回撤 | 夏普率 |
|--------|---------|-----------|----------|--------|
| 沪深300-2019年起 | 4.87% | 19.15% | 42.17% | 0.25 |
| 核心卫星-2019年起 | 8.59% | 20.14% | 42.79% | 0.43 |

| 组合 | 跟踪误差-2019年起 | 信息比-2019年起 |
|--------|------------------|-----------|
| 宏观行业 | 15.29% | 0.68 |
| 宏观+动量行业 | 11.75% | 0.81 |
| 核心-卫星 | 6.57% | 0.57 |

• 核心-卫星组合以沪深300宽基为底仓，搭配宏观+动量行业组合和Smart Beta组合，权重为50%、30%、20%。

- 显著降低跟踪误差至7%以内，组合表现更加稳健且信息比保持在中上水平，是较优的ETF轮动组合方案。

宏观量化指标构成及最新经济周期预测 [page::11][page::12]

• 经济前瞻指标采集15个领先指标，利用ARIMA模型滚动标准化计算未来11个月经济周期走势，2024年4月经济处于弱周期震荡转折期。

- 流动性综合指标包含利率、货币投放、超储率，2024年3月流动性处于宽松到中性偏紧状态。

• 信用指标涵盖信用价格、信用总量和信用结构，当前信用环境整体偏中性至宽松。

详尽分析报告：《宏观量化方法下的ETF核心-卫星组合构建》

---

1. 元数据与报告概览

• 报告标题：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

- 作者及联系：沈思逸、邓虎，均为申万宏源证券分析师，联系方式详见报告首页。

• 发布机构：上海申银万国证券研究所有限公司（申万宏源研究）。

- 发布日期：2024年4月16日。

• 研究主题：基于宏观量化框架，结合经济、流动性、信用三大维度指标敏感性，测算ETF跟踪指数的宏观敏感性，进而构建ETF组合，特别是设计“核心+卫星”组合策略。

- 核心论点及结论：运用历史宏观指标与敏感性测算对宽基、行业主题及Smart Beta ETF的选择进行量化组合，基于宏观和动量指标分别构建组合，并融合成“核心-卫星”组合以平衡收益与跟踪误差。该方案以沪深300宽基ETF为核心仓位，融合行业主题和Smart Beta卫星组合，有效提升回报率和信息比，年化跟踪误差控制在7%以内，信息比逾0.5，显示出较优的风险调整后表现。

• 主要投资提示：模型基于历史数据，未来宏观及市场环境大幅变化时可能失效；Smart Beta ETF表示风格有限，尚需丰富。

---

2. 逐节详解

2.1 宏观量化框架回顾

• 主要内容：

报告复盘此前资产配置和因子研究中的主要发现，依托经济、流动性、信用三个宏观维度，测算各行业及风格因子对宏观因子的敏感性差异。

• 行业层面发现：

- 传统周期行业（如煤炭、钢铁）对经济波动敏感较强。
- TMT板块对流动性非常敏感，但对经济敏感性较弱。
- 消费行业、地产后周期对信用环境较为敏感。

• 因子层面发现：

- 估值因子在经济复苏初期表现优异。
- 小市值因子受益于流动性宽松。
- 成长因子对信用环境尤为敏感，而红利因子抗信用风险较佳。

• 理论与数据支撑：以Wind和申万宏源数据为基础，通过历史行业、因子与宏观指标协同测试，归纳出敏感性规律，详见表1（不同股票池因子对宏观因子的敏感性）[page::3]。

此章节奠定了后面对ETF组合基于宏观敏感性构建的理论基础，体现行业和因子对宏观指标的不同响应，为风险配置提供科学依据。

---

2.2 基于ETF跟踪指数的宏观敏感性测算

• 核心思想：

之前敏感性研究基于行业指数和因子组合，现扩展到以ETF跟踪指数为资产基础，进行直接敏感性测算，分类涵盖宽基、行业主题、Smart Beta三类。

• 测算方法（以经济为例）：

1. 区分经济上行与下行的月份。
2. 计算指数收益在上行和下行时期的表现差异和收益正负频率。
3. 三项指标排序后综合评分（0-100分），分数越低表示敏感性越高。

• 结果解析（表2）：

- 经济敏感度最高的行业主题指数如煤炭、钢铁、能源等，符合周期行业特征。
- 流动性敏感度最高的指数多属于生物医药、信息技术领域（TMT），契合此前对行业敏感性的总结。
- 信用敏感度最高的指数包含消费电子、传媒等。

• Smart Beta指数测算（表3）：

- 红利、低波因子敏感度偏低，成长因子对信用更敏感。
- Smart Beta产品风格单一，代表性不足，未能全面反映风格多样性。

• 结论：我国ETF市场Smart Beta板块风格比较局限，行业主题ETF表现更符合传统敏感性逻辑，因此组合构建时需区别对待不同类别ETF[page::4,5,6]。

---

2.3 宏观量化方法下ETF组合的构建

3.1 宏观行业组合

• 方法：

筛选成立1年以上、规模超过2亿的行业主题ETF，根据月度宏观敏感性得分（经济、流动性、信用）加总排名，剔除流动性与信用背离时流动性得分，选出前6名ETF等权配置。

• 表现：

- 2013年至今，宏观行业组合年化收益9.41%、波动25.36%、最大回撤49.95%，夏普率0.37，表现明显优于沪深300。
- 2019年后收益提升至12.56%，波动提高，夏普率达0.48（表4）。

• 趋势（图1-2）：组合净值整体走高且优于沪深300，体现策略有效性。

- 指数池增长（图3）：行业主题ETF数量从2019年起显著增加至逾120只，丰富的产品选择提升组合表现[page::6,7]。

---

3.2 宏观 + 动量行业组合

• 背景：

宏观量化策略存在偏左侧选择，胜率不高，但赔率较大。动量策略能捕获趋势，提升实际收益稳定性。

• 方法：

先用聚类方法将行业主题ETF分为6组，每组选6个月内涨幅最高的ETF，等权配置，再与宏观组合等权合成。

• 历史收益对比（表6）：

- 宏观策略在2014、2020、2021年表现突出；动量策略在2015、2019、2023年表现良好。

• 组合表现（图4及表7）：宏观+动量组合自2019年起年化收益达12.79%，波动降至23.15%，最大回撤43.25%，夏普率0.55，较单独宏观策略各项指标均有所改善。
• 2024年4月组合示例（表8）：多元配置行业横跨军工、煤炭、医疗、通信、钢铁、能源等多个主题，体现策略多样化配置[page::8,9]。

---

3.3 核心-卫星组合

• 设计动因：

行业主题ETF波动较大，且行业轮动加快。以沪深300为核心底仓搭配卫星行业和Smart Beta ETF，形成风险更可控、表现更稳定的组合。

• 构建方式：

1. 宽基组合60%权重，其中40%为宏观敏感性评分最高的宽基ETF配置；
2. 30%权重为宏观+动量组合的行业主题ETF；
3. 20%权重为宏观敏感性最高的Smart BetaETF。

• 表现（图5-6及表9）：

- 2013年以来年化收益8.44%，波动23.05%，最大回撤46.77%，夏普率0.37。
- 2019年以来年化收益8.59%，波动20.14%，最大回撤42.79%，夏普率0.43。

• 跟踪误差与信息比（表10）：

- 核心-卫星组合跟踪误差最低（2019年起6.57%），信息比稳定（0.57），优于宏观及宏观+动量策略。

• 2024年4月核心-卫星组合构成示例（表11）：覆盖宽基ETF（沪深300、中证500、上证综指等）、行业主题ETF（军工、煤炭、通信设备等）及Smart BetaETF（韩交所半导体、红利低波等），合理分散资金，体现稳健配置思想[page::9,10,11]。

---

2.4 风险提示及声明

• 模型依赖历史数据，受限于数据长度和历史周期的代表性。

- 宏观与市场环境大幅变化可能导致模型失效。

• 报告强调投资需谨慎，且不做投资建议承担，仅供参考[page::0,12]。

---

2.5 附录部分详解重要数据指标

• 经济前瞻指标构成（表12）：涵盖货币供应（M2）、PMI及新订单、固定资产投资、消费品零售、汽车产销、钢产量、挖掘机产量、利润总额、贸易差额、金融机构新增贷款等15项领先指标，通过24个月滚动标准化和ARIMA模型进行周期预测，评估经济方向。

- 经济周期图示（图7）：显示2024年4月份的综合指标及其未来11个月的预测，辅助判断市场宏观走势。

• 流动性指标解构（表13、14）：利率、货币投放、超储率三大维度，综合反馈货币环境松紧，从多数据源信号加权判断。截止2024年3月，利率宽松，货币投放中性，超储率偏紧后的综合态势为宽松。

- 信用指标构成（表15）：涉及信用价格、总量、结构三类指标，反映信用环境变化，当前信用价格与总量指标显示部分收缩迹象，但结构性指标保持宽松信号。

这些细致宏微观指标支撑模型做出科学判断与合理配置，提高组合前瞻能力和风险管理能力[page::12,13,14]。

---

3. 图表深度解读

图1-2：宏观行业ETF组合净值（2013年以来及2019年以来）

• 图示红线（宏观行业组合）净值自起点稳步上升并显著优于蓝色的沪深300，显示宏观敏感性筛选选股及行业组合有效提高了组合收益。

- 2019年以来更集中的数据表现出行业ETF净值波动幅度提升，但整体收益优势明显。

图3：行业主题ETF数量变化

• 图中显示自2019年起行业主题ETF数量跃升至120支，表明市场产品丰富度提升，为量化选股及组合构建提供更多选项，促进策略有效性提高。

表4、7、9 - 10：组合表现与风险指标

• 各表综合展示年化收益率、波动率、最大回撤、夏普率、跟踪误差及信息比。

- 宏观+动量行业组合和核心-卫星组合均优于沪深300，权衡收益和波动及跟踪误差。

• 核心-卫星组合在保持较低跟踪误差的同时提供了较高信息比，表现出良好的风险调整后收益。

图4、5、6：宏观+动量及核心-卫星组合净值

• 净值曲线稳健上涨，远超沪深300，验证策略在不同时间周期的有效性及稳定性。

- 结合动量后波动有所下降，核心-卫星配置平滑了波动，加强了跟踪一致性。

表12-15及图7：宏观指标构成及周期预测

• 能清晰了解构成宏观框架的指标体系和如何利用ARIMA模型实现经济前瞻。

- 图7周期位置精准反映当前经济所在阶段，提高组合策略的前瞻判断能力。

---

4. 估值分析

该报告主要关注宏观量化行业/ETF的敏感性及组合构建，未直接涉及传统估值模型（如DCF、市盈率等）分析，估值侧重于“敏感性得分”作为定量筛选指标，基于历史宏观指标和旗下指数收益率数据构建排名逻辑，属于定量策略范畴，无明确估值估算。模型核心是宏观驱动因子的风险溢价分解，而非企业内在价值估值分析。

---

5. 风险因素评估

• 数据局限性：模型基于历史数据，数据长度及周期代表性有限，可能导致预测能力受限。

- 环境变化风险：当宏观环境及市场状态发生重大变化时，模型敏感性及组合筛选可能失效。

• Smart Beta局限：现有Smart Beta ETF单一风格，代表性不足，可能降低组合多样性和风险分散效果。

- 行业轮动加速：行业主题ETF近年波动增加且轮动速度加快，收益波动性令配置难度加大。

报告未显式提出具体缓解方案，但通过构建核心-卫星组合设计试图兼顾风险与收益，使用宽基ETF作为核心降低波动，结合卫星策略增强收益，并保持跟踪误差在合理范围内，体现一定缓解思路。风险提示覆盖模型固有限制，呼吁审慎使用[page::0,12]。

---

6. 批判性视角与细节注意

• 模型假设依赖历史数据周期，对异常宏观冲击缺乏弹性，可能导致短期失效。

- Smart Beta ETF偏离因子代表性，反映当前市场相关产品不足，活跃度和风格多样性亟需改善。

• 行业主题ETF数量激增虽丰富产品，却可能带来分散效应减弱及流动性风险。

- 模型对流动性和信用指标背离处理较为简化，仅剔除流动性得分，实际影响可能更复杂。

• 报告数据多以等权配置为主，未深入探讨资金权重优化，存在进一步提升空间。

- 未提供组合换仓成本及税费影响分析，在实际操作中需关注持仓调整所带来的交易成本。

整体看，报告结构严谨，数据详实，分析较为系统客观，但关于模型稳健性、实用性边界及实际执行层面细节尚有待补充和完善。

---

7. 结论性综合

本文通过深刻解读基于宏观经济、流动性和信用三维度敏感性的量化方法，构建了多个ETF组合策略，重点包括宏观行业组合、宏观+动量组合及核心-卫星组合，分别围绕提高胜率、收益和波动控制进行设计。

• 通过表1展示行业及因子对宏观变量的差异性响应，识别出周期、成长、估值及流动性敏感的核心行业/风格因子。

- 基于ETF跟踪的指数宏观敏感性测算，结合行业宽基、主题及Smart Beta不同资产池，发现Smart Beta风格较为单一，行业主题ETF则能较好反映已知行业敏感特征。

• 图1至图6及表4、7、9等数据充分证实以宏观敏感度为核心的组合表现显著优于沪深300，夏普率提升明显，尤其是宏观+动量结合带来更高风险调整收益。

- 核心-卫星策略进一步将宽基ETF作为底仓，控制组合波动和跟踪误差，使年化跟踪误差维持在7%以内，信息比保持0.5以上，为投资者提供更平衡的配置方案。

• 宏观经济前瞻指标（表12，图7）及流动性、信用指标（表13-15）构成系统方法论底层，为敏感性测算和方向调整提供数据支撑。

总体来看，报告在ETF量化轮动配置领域提供了一套科学、系统的实操框架，适合具有中长期视角的机构及量化投资者参考。
风险提示中强调模型依赖历史数据有效性有局限，建议配合多策略、多模型进行风险管理。

---

总结重点

• “宏观敏感性得分”作为核心选股维度，结合行业主题、多因子和ETF类别实现精细化配置。

- 宏观+动量策略组合提升策略胜率及夏普率，优化回撤表现。

• 核心-卫星结构以宽基ETF为核心，卫星策略覆盖行业主题和Smart Beta，达到风险与收益平衡。

- ETF行业主题数量与产品丰富度持续增长，策略有效性获得增强支撑。

• 模型基于科学的宏观指标体系（经济、流动性、信用）构建，具备系统方法论基础。

- 风险提示和法律声明完整，体现专业审慎的研究合规态度。

本报告为有效连接宏观指标与ETF量化策略的典范，助力投资者从宏观层面理解并构建动态可调节的ETF组合。

---

参考图表示例

宏观行业ETF组合2013年以来净值走势示例：



报告整体所有引用均基于[page::0-15]。

报告