1. ETF市场发展及“预期共振”行业轮动模型概况 [page::3][page::4][page::5]

• 国内ETF数量和规模自2018年后爆发增长，股票型ETF占比较大。

- “预期共振”模型结合分析师预期共振、行业动量及景气度，构建稳定的行业轮动指标。

• 策略自2010年以来多头组合年化收益17.56%，2021年多头收益39.02%，显著超越基准。

2. ETF组合构建面临的细分行业及标的同质化问题 [page::6][page::7]

• 行业下细分主题及二级行业指数众多，部分细分同质化严重。

- 需设计策略有效筛选近似标的，降低持仓重复和风险。

3. 六种ETF轮动策略构建及回测表现 [page::8][page::9][page::10][page::11][page::12][page::13][page::14][page::15][page::16]

策略1-3：基于ETF跟踪指数的简单打分法与聚类打分法

| 策略 | 年化收益率 | 年化波动率 | 最大回撤 | 夏普比率 | 超额收益(相对基准) |
|----------------------|------------|------------|----------|----------|--------------------|
| 简单打分法 | 19.33% | 23.06% | 30.43% | 0.84 | 12.28% |
| 聚类打分法 | 17.90% | 21.54% | 33.33% | 0.83 | 10.82% |
| 聚类打分法（最小风险组合） | 17.58% | 21.07% | 32.33% | 0.83 | 10.45% |

• 聚类优化降低了持仓重复和风险，改善策略稳定性和最大回撤。

- 最小风险组合策略进一步减少回撤，提高信息比率。

策略4-5：基于一级行业指数得分构建的得分映射行业法

| 策略 | 年化收益率 | 年化波动率 | 最大回撤 | 夏普比率 | 超额收益(相对基准) |
|----------------------|------------|------------|----------|----------|--------------------|
| 得分映射行业法（单一） | 22.17% | 23.53% | 38.19% | 0.94 | 14.97% |
| 得分映射行业法（加权） | 20.98% | 23.02% | 38.32% | 0.91 | 13.86% |

• 映射策略收益更高，但波动率和最大回撤也较大。

- 加权映射法在收益稍低的基础上有效降低波动性。

策略6：行业权重优化法（以中证800为基准）

| 主要参数 | 年化收益率 | 年化波动率 | 最大回撤 | 夏普比率 | 超额收益(相对基准) |
|---------------|------------|------------|----------|----------|--------------------|
| p=0.15, M=2.5 | 13.81% | 20.42% | 31.58% | 0.68 | 7.03% |

• 引入行业权重跟踪误差控制，权衡收益与风险。

- 参数调整显示惩罚系数和最大超配限制影响跟踪误差及组合风险。

4. 策略整体比较及费用敏感性分析 [page::17]

| 策略 | 总收益率 | 年化收益率 | 年化波动率 | 最大回撤 | 夏普比率 | 多头超额收益(相对基准)|
|---------------------------|-----------|------------|------------|----------|----------|---------------------|
| 简单打分法 | 193.23% | 19.33% | 23.06% | 30.43% | 0.84 | 12.28% |
| 聚类打分法 | 172.50% | 17.90% | 21.54% | 33.33% | 0.83 | 10.82% |
| 聚类打分法（最小风险组合）| 168.04% | 17.58% | 21.07% | 32.33% | 0.83 | 10.45% |
| 得分映射行业法（单一） | 238.30% | 22.17% | 23.53% | 38.19% | 0.94 | 14.97% |
| 得分映射行业法（加权） | 218.89% | 20.98% | 23.02% | 38.32% | 0.91 | 13.86% |
| 行业权重优化法（中证800）| 119.81% | 13.81% | 20.42% | 31.58% | 0.68 | 7.03% |

• 策略收益均显著超越基准，得分映射行业法（单一）收益最高但波动最大。

- 聚类方法减少波动和最大回撤，提升策略稳定性。

• 行业权重优化法在控制跟踪误差和组合风险方面表现优异，适合风控约束严格者。

- 考虑交易费用影响，策略收益略有下滑，但整体稳定性和超额收益仍然突出。

5. 结论与风险提示 [page::18]

• ETF行业轮动策略基于“预期共振”模型展现长期有效性和较好稳定性。

- 基于ETF标的指数和一级行业指数两大视角构建的多种策略均表现良好，适合不同风险偏好投资者。

• 行业权重优化策略有效在收益与波动风险间取得平衡。

- 模型基于历史数据，市场环境变化可能导致模型失效，投资需谨慎。

专题报告《基于ETF的行业轮动策略实践》详尽分析报告

---

一、元数据与概览

• 报告标题：基于ETF的行业轮动策略实践

- 作者：任瞳、周靖明

• 发布机构：招商证券股份有限公司

- 发布日期：2022年4月27日

• 研究主题：A股市场行业轮动现象，结合ETF工具构建行业轮动策略，投资方法和策略测试。

核心论点与目标

报告围绕如何利用行业ETF构建可操作的行业轮动投资策略展开，提出六种基于ETF配置的投资方案（前三种基于ETF跟踪的标的指数，后三种基于一级行业指数）。总的来看，所有策略均表现出显著的超额收益，体现了行业轮动结合ETF投资的可行性。策略对比显示：

• 以ETF跟踪标的指数为视角的策略收益整体低于以行业指数为视角的策略；

- 但前者收益稳定性更强，尤其聚类策略提升稳定性明显；

• 行业指数视角中，单一得分映射ETF策略收益最高，加权策略波动率较低，权重优化法在有基准约束时表现稳健。

报告最后强调模型基于历史数据，存在因市场环境变化导致模型失效的风险，并不构成投资建议。[page::0]

---

二、逐章深度解读

1. 前言

报告开篇介绍ETF市场发展与行业轮动背景。数据显示，截至2022年2月底，国内ETF基金676只，资产规模超1.4万亿元，发型和规模均于2018年前后进入爆发期。ETF的品种丰富及投资者结构（个人与机构市值比例2.3:1），投资者收益数据表明ETF提升了投资者盈利概率。

行业ETF作为被动投资的重要工具，与日益显著的行业轮动现象结合，成为捕捉市场机会的有效途径。报告旨在通过主动的行业轮动策略实践，基于ETF构建投资组合，在行业轮动背景下实现超额收益。[page::3]

图1展示国内ETF数量与规模长期增长，从2018年开始明显加速，支撑ETF行业发展的良好基础。

---

2. 构建投资策略

2.1 “预期共振”行业轮动策略

• 概述：基于2021年8月启动的“预期共振”模型，淡化个股绝对预期水平波动，核心在于行业内分析师预期调整的共振效应，结合行业动量和景气度指标交叉验证，形成行业轮动得分指标。详细构建依据参考“蓝海启航”系列研究[page::4]。
• 收益回顾：

- 自2010年以来多头组合年化收益17.56%，夏普0.64。
- 2021年多头收益39.02%，彼时空头5.88%，基准12.33%。
- 2022年截止2月，多头1.69%，空头-8.58%，基准-5.07%。

图3显示“预期共振”多头策略与基准对比，表现稳健明显优胜。表1、2提供全样本与近期收益统计，夏普比率和最大回撤均优于基准，体现策略实用价值。[page::5]

---

2.2 ETF组合构建的难点

面对市场中行业ETF细分粒度与同质化问题：

• 市场43个覆盖中信一级行业的ETF与103个细分二级或主题指数ETF并存。细分指数表现有时与一级行业不符，单纯映射易错失机会。

- 同一细分主题下存在多只类似ETF，必须解决同质化筛选问题。

图4、5分别展示新能源、电力设备、医药及有色金属、证券主题下多种指数层级和同类指数，说明ETF市场的复杂性。

为此，报告提出两类策略视角：

• ETF跟踪标的指数视角：直接基于标的指数成分股数据打分，运用聚类方法去重筛选。

- 一级行业指数视角：通过行业得分筛选行业，在行业内采用排序或加权映射ETF，形成两种策略路径。

该部分揭示了构建行业ETF组合的关键问题及思路框架。[page::6][page::7]

---

2.3 策略测试

2.3.1 测试范围说明

• 回撤时间2016年至今，因2016年前行业ETF种类受限及数据缺失。

- 以ETF标的指数作为回测测试对象（替代ETF基金），兼顾测试广度和未来可执行性。

• 本文测试结果估计略低于实际ETF组合，因为ETF有打新及分红带来的超额回报。

- 除策略6基准不同外，其他策略均使用行业聚类后等权组合为比较基准。[page::7]

---

2.3.3 六种ETF组合策略详解及回测表现

策略1：简单打分法

• 以标的指数得分，选前20%等权配置。

- 年化收益19.33%，夏普比率0.84，超额收益12.28%。

• 图6展示策略体现超额收益趋势。表3、4详细统计每年均获得正超额收益，波动率和回撤适中。[page::8][page::9]

策略2：聚类打分法

• 对ETF标的指数按收益相关性(阈值0.8)聚类，计算中心点得分，等权头部20%。

- 年化收益17.90%，超额收益10.82%。

• 波动率和最大回撤较简单打分法有所降低。

- 图7、表5、6确认较稳健表现。[page::9][page::10]

策略3：聚类打分法（最小风险组合）

• 在聚类基础上，基于均值-方差模型求最小风险组合权重。

- 年化收益17.58%，超额收益10.45%，波动率和最大回撤进一步优化。

• 图8、表7、8展示策略的收益和风险改善效果。[page::10][page::11]

---

2.3.2 行业指数视角三种策略

策略4：得分映射行业法（单一）

• 选得分前五行业，行业内配置得分最高的ETF等权。

- 年化收益22.17%，夏普率0.94，超额14.97%。

• 具较高收益但波动和回撤较大，属于偏激进风格。

- 见图9，表9、10。

策略5：得分映射行业法（加权）

• 同策略4选行业，但以ETF跟踪指数得分加权形成行业细分组合，五个行业细分组合等权合成。

- 年化收益20.98%，夏普0.91，波动和最大回撤均较单一略优。

• 图10，表11、12体现稳定性优势。[page::11][page::12][page::13]

策略6：行业权重优化法

• 在中证800基准上引入行业权重偏离惩罚项，通过参数(p:惩罚系数, M:最大超配比例)限制行业权重偏离，控制跟踪误差。

- 设置权重上限15%，通过求解约束下目标函数最大化行业得分与权重偏离项的差额。

• 参数测试显示p=0.15、M=2.5下策略表现平衡：跟踪误差较小，最大回撤较低，信息比率高。

- 实际表现年化收益13.81%，超额7.03%，夏普0.68，波动和回撤均较优。

• 图11，表13-17详细展示参数敏感性及策略回测结果。[page::14][page::15][page::16]

---

2.4 策略对比与交易费用敏感性

• 策略对比见表18，行业指数视角策略总收益和超额收益显著高于ETF标的指数视角。

- 不过ETF标的视角策略在年化波动率、最大回撤上表现更佳，尤其聚类后的最小风险组合策略。

• 行业权重优化法在控制基准跟踪误差的前提下，兼顾了收益与稳定性，夏普率虽稍低，但信息比率最高。
• 交易费用敏感性（表19）显示，即便在千分之三的双边交易成本下，所有策略均保持良好年化收益，夏普比率小降但仍在合理范围。

- 说明策略在实际交易环境下仍具备可操作性和较强抗成本能力。[page::17]

---

三、图表深度解读

图1：ETF数量和资产规模历史走势

展示了2010年至2022年2月间ETF基金数量（柱状图）和规模（折线图）增长趋势。可以看出：

• 2018年以来ETF发展进入快速增量期，基金数量和净资产规模均爆发增长，特别是股票型ETF覆盖263个基准指数，增强行业ETF投资基础。

- 此数据支持报告后续构建的ETF组合策略有坚实的市场基础。[page::3]

---

图2：“预期共振”模型示意

用视觉元素展示指标包括“分析师预期”、“动量”、“景气度”三大核心因子，强调分析师预期的核心作用及与动量、景气度的共振机制，共同推动行业轮动得分的形成。[page::4]

---

图3：“预期共振”行业轮动策略历史业绩

• 横坐标为时间（2010-2022年），纵坐标为相对基准的表现。

- 多头组合显著跑赢基准，夏普比率伴随上升，表现稳健。

• 空头组合表现弱势体现对冲价值。

- 该图直观透露策略稳定产生超额回报的能力。[page::5]

---

图4 & 图5：行业与主题下ETF跟踪指数展示

两张流程图揭示行业及其细分主题中包含的大量ETF跟踪指数名称及归类，表明在同一个行业主题下存在多个细分标的及指数的同质化问题，体现策略中需聚类及筛除重复的必要。[page::6][page::7]

---

图6-图11 & 各策略收益统计表

• 各策略的业绩曲线图（图6-11）均展示出明显跑赢基准的趋势。

- 简单打分法收益最高但波动大，聚类法策略收益稍低但波动控制更好。

• 行业指数视角策略（得分映射单一和加权）收益和夏普比率全面领先，权重优化法调整风险，实现稳健性与收益的平衡。

- 详细各年收益数据及风险指标辅以表格佐证，充分揭示策略间利弊，支持文本论断。[page::8至16]

---

四、估值分析

报告未涉及公司或资产个别估值分析，主要聚焦策略收益表现与风险控制，使用均值方差模型中的最小风险组合作为策略构建工具，辅以聚类方法提高组合多样性与稳定性。

行业权重优化法中引入的目标函数体现了收益与行业偏离基准跟踪误差的平衡，惩罚系数p和超配系数M构成主要的参数灵敏度，模型以约束优化框架形式求解。该方法属于典型的组合优化问题，参数调节体现了风险偏好管理。

---

五、风险因素评估

报告明确风险提示：

• 模型和结论均基于历史数据分析及实证实验，存在环境变动导致模型失效的风险。

- 行业轮动策略本身依赖于市场结构及分析师预期的稳定性，一旦出现政策、宏观经济或市场行为的根本变化，策略效果难以保证。

• 报告不构成具体投资建议，投资者需理解策略局限及市场不确定性，自行决策。

报告未提供具体缓解措施，着重提醒风险意识。[page::0][page::18]

---

六、批判性视角与细微差别

• 回测时间较短（2016年至今），行业ETF的发展和市场结构不断变化，未来策略表现可能面临新的挑战。

- 报告多策略并列介绍，相互补充，但个别策略如简单打分法未显著解决标的指数同质化问题，可能导致组合集中。

• 行业权重优化法虽风险控制好，但收益指标低于无约束策略，表现出稳健性与收益的权衡抉择。

- 报告未明确策略在极端市场条件下的表现，需投资者结合实际应用环境审慎采用。

• 因为模型强调分析师预期数据，若分析师预期普遍失效或数据质量下降，策略有效性将受损。

- 研究团队成员背景资深，量化方法严谨，但对未来市场结构及政策影响评价不足。

整体观点稳健，策略方法多样、数据详实，结论充分基于数据支撑，具备良好参考价值。

---

七、结论性综合

本报告系统地开发和测试了基于ETF的行业轮动投资策略，在A股市场ETF快速发展和行业轮动显著的背景下，针对行业ETF的策略设计体现出创新点：

• 提出“预期共振”行业轮动指标作为核心驱动力，结合分析师预期、动量与景气度有效捕捉行业趋势。

- 通过两大视角（ETF跟踪指数和一级行业指数）提出六种策略，分别解决了ETF标的同质化、细分行业多样性及行业轮动信号映射的难点。

• 回测结果显示所有策略均显著优于基准，且存在收益与风险的权衡优化空间；聚类和最小风险组合方法提升了组合风险控制能力，而一级行业映射策略获取高收益但波动（风险）更大。

- 行业权重优化法引入基准约束，平衡收益和跟踪误差，在控制风险的前提下保持合理超额收益。

• 交易费用考虑显示策略仍具较强实操潜力。

报告充分利用了丰富的ETF市场数据和量化模型方法，为投资者实践行业轮动FEF策略提供了系统的实施方案和理论基础。但模型基于历史数据，风险依然存在，投资者需结合实际风险管理和市场判断。

---

附：关键图表示例

• 图1：ETF数量与规模历史增长趋势

• 图3：“预期共振”行业轮动策略历史业绩

• 图6：简单打分法历史收益表现

• 图9：得分映射行业法（单一）历史收益表现

• 图11：行业权重优化法历史收益表现

---

总结

报告通过多层次、多维度的ETF行业轮动投资策略设计与验证，提供了一套系统且实用的策略框架和方法论，对量化投资者把握A股行业轮动趋势、合理利用ETF进行资产配置具有重要的理论与实践价值。投资者需注意策略基于历史数据的局限，结合实际操作审慎应用。

---

（全文剖析涵盖全部主要章节、策略和图表，严格引用页码保障论断可溯源）[page::0,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18]

报告