ETF基金份额与指数覆盖情况 [page::1][page::2]

• 股票型ETF规模快速增长，已超主动管理基金份额。

- ETF跟踪的指数共351个，涵盖宽基45只、行业主题247只、策略风格59只。

• 不同指数收益差异显著，行业主题指数收益差距最大达15.20%。

AGRU深度学习模型因子构建与表现 [page::3][page::4][page::5][page::6]

• 基于GRU模型增加注意力机制（AGRU），提升因子IC均值和收益稳定性。

- 不同股票池测试显示，AGRU因子在沪深300、中证500、中证1000及全A均表现出较高的选股能力。

• 调整损失函数权重提升多空收益表现，因子多头年化超额收益在沪深300达21.97%，最大回撤-9.12%。

ETF指数因子构建及测试表现 [page::6][page::7][page::8]

• 个股AGRU因子聚合成指数因子，以月度和周度调仓测试，

- 月度调仓IC均值为7.80%，多头年化超额收益为4.92%；周度调仓IC均值虽下降至4.84%，但年化超额收益提升至8.59%，契合A股行业轮动快节奏。

• 限定行业主题指数表现更优，IC均值、超额收益均有提升。

ETF轮动策略效果与MMR相关性去重应用 [page::9][page::10][page::11]

• ETF轮动策略年化收益9.44%，超额收益7.94%，最大回撤-27.80%。

- 应用MMR算法降低指数相关性后，年化超额收益提升至8.43%，信息比率提高至0.99，超额最大回撤缩至-9.87%。

• 去除规模较小ETF后策略稳定性不减，超额收益达8.95%，信息比率提升至1.02。

限定持仓数量的ETF轮动策略表现 [page::13][page::14]

• 限定持仓5只ETF时，年化超额收益最高达12.34%，最大回撤-12.17%，夏普比率0.67。

- 持仓10只、15只ETF时，策略依然稳定，年化超额收益分别为8.75%和8.13%。

• 具体持仓偏好红利、金融板块与大盘风格，动态调整持仓涵盖热门行业。

| 年份 | 策略收益率 | 基准收益率 | 超额收益率 |
|------|------------|------------|------------|
| 2020 | 29.86% | 28.86% | 0.40% |
| 2021 | 4.63% | -3.52% | 7.28% |
| 2022 | -0.21% | -19.84% | 24.34% |
| 2023 | -8.67% | -9.14% | 0.50% |
| 2024 | 25.70% | 18.24% | 5.99% |
| 2025 | 6.70% | -1.88% | 8.74% |
[page::9][page::10][page::13][page::14]

量化策略核心总结 [page::0][page::3][page::6][page::8][page::10][page::13][page::14]

报告以AGRU深度学习模型构建个股因子，通过指数成分股权重聚合成指数层面因子，结合月度及周度调仓实现高效ETF轮动。策略适应A股快速行业轮动，结合MMR算法降低指数相关性，提升组合表现。限定持仓ETF数量的策略表现稳健，适合实际操作需求，风险控制合理。

【广发金工】基于AGRU因子聚合的ETF轮动策略——详尽深度分析报告

---

1. 元数据与概览（引言与报告概览）

• 报告标题： 基于AGRU因子聚合的ETF轮动策略

- 作者与机构： 安宁宁、陈原文、王小康，广发证券金融工程研究团队

• 发布日期： 2025年6月19日

- 主题： 应用深度学习AGRU模型构建选股因子，通过因子聚合实现ETF层面轮动投资策略，研究并验证策略的收益性与稳定性，同时使用MMR算法优化标的相关度，提高组合表现。

• 核心论点：

- ETF市场高速发展，单一ETF长期持有效果有限，利用截面因子组合和轮动策略可提升超额收益。
- AGRU模型引入注意力机制优化传统GRU模型，提升个股因子选股效果。
- 个股因子映射到指数层面，结合ETF标的实现轮动策略，采用周频调仓提升收益表现。
- 通过MMR算法实现组合内标的去相关，缓解集中风险。
- 限定持仓数量仍保持较高超额收益，提升策略实用性。

• 策略表现：

- 基于月度调仓的指数因子多头年化超额收益4.92%，周频调仓提升到8.59%。
- ETF轮动策略年化超额收益高达约8.4%-12.3%，夏普比率和信息比率表现稳健。
- 持仓数量限制情况下（5、10、15只ETF）仍有稳定收益且最大回撤控制合理。

• 风险提示：

- 历史数据挖掘及模型回测结果存在市场政策变化、结构变迁的失效风险。
- 交易成本或市场行为变化可能导致策略无法复现历史表现。

总体而言，报告阐述了一套基于深度学习因子构建，映射指数，结合ETF标的实现的轮动策略框架，展示了优异的收益表现与风险调整能力，兼顾实际可操作性并揭示潜在风险。[page::0]

---

2. 逐节深度解读

2.1 研究背景（页1-2）

• ETF发展迅猛： 截至2025年6月，股票型ETF规模3.81万亿元，超越主动管理基金2.84万亿元，数量增至2031只，显示出ETF市场规模及品种爆炸式增长。

- ETF跟踪指数多样化且分化明显：
- 跟踪指数总计351个，分为宽基（45个）、行业主题（247个）、策略风格（59个）。
- 图2显示行业主题类指数占比最大，披露ETF覆盖全行业及策略。

• 指数收益差异显著：

- 2025年5月，不同指数收益波动范围广泛（全样本最大达8.09%，行业主题类最大差达到15.2%），显示截面收益率差异巨大，为轮动策略提供机会。

• 结论： ETF投资仅盯单一指数难以捕获行业/风格轮动机会，需采取截面轮动策略以期获得超额收益。[page::1, 2]

2.2 深度学习因子训练与构建（页2-6）

• 模型设计：

- 采用GRU（门控循环单元）模型基座，加注意力机制（AGRU），以更好捕获重要时间序列特征。
- 训练集滚动划分，最长覆盖2007-2023年，测试最新数据，检验模型稳定性。
- 输入特征为复权后的日K线数据（高、开、低、收、成交量及VWAP），确保数据完整性和时效性。

• AGRU模型效果提升：

- 表4显示AGRU在因子IC均值（14.42% vs 14.28%）、信息比率等指标均优于基础GRU模型，收益稳定性有所提升。
- 在沪深300股票池，AGRU多头年化超额收益率由15.96%提升至17.24%，夏普率也有所优化，体现对大盘股的精选能力增强。

• 损失函数权重调整：

- 通过对未来收益极端分层赋予不同权重，模型对多空头极端收益样本训练加强。
- 结果显示多头收益指标提升（年化超额收益率小幅增加），验证了权重调整的有效性。

• 因子在不同股票池表现：

- 表7和图4-7显示因子在全A、沪深300、中证500、中证1000各股票池均表现优异，IC均值多在12%-13%左右，高胜率（81%-92%），多头年化超额收益稳定超过15%，最大回撤控制合理在5%-9%区间。

• 结论： AGRU模型结合注意力机制及权重调整的创新提升了选股因子的预测能力和收益稳定性，是构建有效ETF轮动策略的坚实基础。[page::2,3,4,5,6]

2.3 ETF轮动策略构建（页6-9）

• 个股因子聚合指数层面：

- 通过指数成分股权重加权个股AGRU因子，获得指数层面因子值。
- 筛选A股指数（排除海外后缀指数）作为可投资指数。
- 有效ETF跟踪指数数量大幅增长，2025年已达到356只，丰富了投资组合选择。

• 指数因子策略回测：

- 月度调仓情况下，指数因子表现稳定但整体不及单个股票因子，IC均值约7.8%，多头年化超额收益约4.92%。
- 行业指数子集表现更好（IC 8.85%，年化超额收益6.20%）。
- 周度调仓条件下，行业指数因子IC略降（5.73%），年化超额收益升至9.57%，说明更快的调仓频率更能捕获A股快速轮动行情。

• ETF轮动策略具体构造：

- 选取指数因子排名顶端10%的指数构建组合。
- 加入交易成本假设（双边千一），采用周调仓。

• 策略表现：

- ETF轮动策略年化收益约9.44%，超额收益7.94%，最大回撤-27.8%，信息比率0.94，整体表现稳健。

• 结论： 个股因子有效映射到指数层面，ETF轮动策略设计结合适度的调仓频率可实现稳定超额回报，但指数层面的信息密度及噪声导致收益指标整体下降，需要进一步优化。[page::6,7,8,9]

2.4 MMR相关性去重与策略优化（页9-11）

• 问题提出： ETF标的间高度相关，部分集中在金融、红利等行业，导致组合风险集中。

- MMR算法介绍及调整：
- 最大边缘相关（MMR）算法平衡投资标的预测得分与成分相关性。
- 逐步筛选出协方差相关度较低但因子得分较高的ETF标的。

• MMR策略效果：

- 通过MMR调整后，策略年化超额收益提升至8.43%，信息比率升至0.99，超额最大回撤收窄到-9.87%，超额收益和稳定性均较原始等权十组提升。

• ETF可投资性分析：

- 大约半数ETF仅跟踪单一指数，规模有较大分布，最小ETF基金规模有时仅数百万元。
- 剔除规模小于1亿元ETF后，策略表现几乎无损，年化超额收益8.95%，信息比率突破1.0，表明策略兼具实际可操作性和容量。

• 结论： MMR算法有效平衡相关性和收益的权衡，优化组合多样性，强化策略稳定性。剔除规模小ETF操作层面合理，策略表现健康提升。[page::9,10,11]

2.5 固定持仓数量ETF策略测试（页12-14）

• 持仓数量控制：

- 针对ETF数量激增，测试5、10、15只ETF持仓策略。
- 投资策略调整MMR计算权重，进一步权衡因子得分与相关性。

• 不同持仓规模表现：

- 5只持仓：年化收益率13.91%，夏普0.67，年化超额收益12.34%，最大回撤-28.5%。
- 10只持仓：年化收益率10.18%，年化超额收益8.75%，最大回撤-26.38%。
- 15只持仓：年化收益率9.52%，年化超额8.13%，最大回撤-27.53%。
- 信息比率均有接近1及以上，超额回撤均控制在合理区间。

• 持仓风格及动态调整：

- 持仓偏好红利、金融板块及大盘风格。
- 能灵活捕捉行业热点变动如医药、动漫游戏等。
- 年度中超额回报稳定，2025年初已有约8.74%超额收益。

• 结论： 固定较少ETF持仓数量不会明显增加回撤，反而提升了组合操作性与流动性，适合作为实际投资方案。[page::12,13,14]

2.6 总结（页14-15）

• AGRU深度学习模型结合日频K线量价数据构建了强选股因子，多个股票池均展现优异收益性和稳定性，超额年化收益率从11%至22%不等，且最大回撤控制在较低水平。

- 个股因子经指数成分股权重映射，构造指数因子并应用于ETF轮动策略，周频调仓更适应A股快节奏行业轮动特点。

• 基于指数因子的ETF轮动策略年化超额收益达8.43%，信息比率接近1，且通过MMR去相关技术优化了组合多样性，提高回报稳定性和最大回撤表现。

- 持仓数量限制实验表明，持仓5-15只ETF均维持稳定超额收益且回撤受控，提升实际策略的可执行性。

• 风险提示涵盖模型依赖历史数据的局限性、市场政策风险、交易成本变动风险，用户应谨慎使用。

整体，报告系统阐释了基于AGRU因子的ETF轮动量化策略，从模型设计、因子构建、指数映射、策略设计到风险控制均有详尽数据支持，表现出色且兼具可操作性。[page::14,15]

---

3. 图表深度解读

图1：ETF基金与主动管理基金份额变化（亿元）[page::1]

• 蓝色柱代表主动管理权益基金份额，自2024年5月至2025年5月整体呈下降趋势，从约2.9万亿降至约2.55万亿元。

- 红色柱代表ETF基金份额，上升明显，从约2.1万亿元升至约2.94万亿元，且在2024年11月左右实现份额超过主动权益基金。

• 反映ETF崛起趋势，投资者青睐指数化产品。

图2：ETF跟踪指数类别统计[page::2]

• 行业主题指数数目最多（247个），远多于宽基（45个）和策略风格类（59个）。

- 显示ETF覆盖行业细分极为丰富，适合构建多元化轮动组合。

表1：各类型有ETF跟踪的权益指数典型代表[page::2]

• 宽基础例如沪深300、科创50，行业主题涵盖医疗、中证国防、机器人等热门行业，风格类涵盖红利低波、成长、ESG等多样风格。

- 为ETF轮动策略的截面覆盖提供了多角度标的。

表2：2025年5月各类型指数收益率分布[page::2]

• 宽基类指数收益波动相对较小，最大收益4.11%，最大亏损-3.5%。

- 行业主题类表现分化最为剧烈，最大波动范围超过15%。

• 风格类介于两者之间，总体说明行业主题轮动机会最显著。

图3：AGRU模型结构图[page::3]

• GRU序列模型作为核心，增加Attention机制（Attn）并进行特征加权突出重要性，提升预测精准度。

- 结构紧凑体现深度学习时间序列建模思路。

表4：AGRU与GRU模型因子效果对比[page::3]

• 因子IC均值由14.28%升至14.42%，信息比率提升，资金收益率提升率有限但稳定性改善明显。

- 说明注意力机制有利于聚焦关键因子维度。

图4-7：AGRU因子各股票池净值走势[page::5,6]

• 各股票池中多头组合净值稳步上升，显著超越成分股等权重基准，期间虽有回撤但总体表现坚实。

- 尤其沪深300和全A表现更为突出，符合大盘股显著的因子有效性。

图8-9：ETF轮动策略构建流程及指数数增长趋势[page::6]

• 流程简明直观，个股Alpha因子聚合成指数指标，经筛选后投资适配ETF。

- 2015年至2025年间，有效指数数量从100余只增长到356只，标的空间显著拓展。

表8-9及图10-13：指数因子月度和周度调仓回测指标及净值走势[page::7,8]

• 月频调仓IC约7.8%，绩效平稳但不及个股因子，周频调仓IC略下降（4.84%），但年化超额收益由4.92%提升至8.59%，说明灵活调整有利收益。

- 净值图显示多头组合持续优异超额表现，尤其周度调整策略曲线更平滑，波动回撤控制较好。

表10及图14：ETF轮动策略主要指标及净值[page::9]

• 年化收益9.44%，夏普0.5，最大回撤-27.8%。

- 曲线反映策略超额收益长期维持，偶有波动调整，整体符合中长期稳健投资要求。

表11及分析：2025年5月持仓偏行业集中[page::9]

• 多数持仓集中于金融及红利相关指数，存在较高行业相关风险。

- 提出使用MMR算法降低行业集中风险。

表12：MMR算法示例[page::10]

• 通过最大边缘相关的迭代选择过程，将高相关度标的剔除，保证组合多样性。

- 算法示例简明，体现理论指导和实用算法结合。

表13及图15：经MMR调整策略表现提升[page::10,11]

• 超额收益从7.94%升级至8.43%，信息比率从0.94升至0.99，最大回撤明显改善。

- 净值走势更平滑，体现相关性去重技术实用价值。

图16-17：ETF产品数量及规模分布分析[page::11]

• 近半指数仅对应1只ETF，易形成流动性瓶颈风险。

- ETF规模中位数波动稳定在3亿元，部分较小规模存在，提示策略需剔除体量不足产品。

表14及图18：排除规模较小ETF后策略回测指标[page::12]

• 主要指标无显著变化，策略稳健性提升，信息比率升至1.02，适应实际交易要求。

表15及图19：不同固定持仓数量策略表现[page::13]

• 持仓5只ETF年化超额收益最高（12.34%），10只、15只情况逐级略有下降，但 Sharpe及最大回撤指标均健康。

- 超额净值表现明显，市场占优风格捕获能力突出。

表16-18：持仓分年度表现及具体组合列表[page::13,14]

• 策略在2020-2025年均保持正超额收益，2025年迄今达到8.74%。

- 组合风格持续以银行、红利为主，且灵活覆盖热点行业变化。

• 持仓组合动态清晰，体现模型对市场节奏的响应能力。

---

4. 估值分析

本报告侧重于策略设计与回测绩效，并未直接包含传统估值方法（如DCF、市盈率等）内容。但报告通过因子预测收益、回测超额收益和风险指标，实质上体现了对投资标的“相对价值”的动态评估。因子本质是基于深度学习和历史数据的预期收益估计，映射成指数层面后用于轮动调仓，间接实现“估值”功能。

同时，策略采用信息比率、最大回撤、换手率等风险调整指标严格检验投资组合质量，反映了策略在收益风险平衡的动态“估值”考量。

---

5. 风险因素评估

报告明确列出三类风险：

1. 市场政策及环境变化风险： 量化因子和策略构建基于历史市场数据，宏观政策或市场结构突变可能使历史规律失效。

2. 模型预测准确性局限： 基于模型的结论并非对未来的完全准确镜像，任何模型预测皆存在误差。

1. 交易成本及市场行为改变风险： 实际交易中若成本增加、市场流动性恶化，将削弱策略收益甚至导致亏损。

此外，ETF产品规模与流动性是策略容量的关键因素，规模小ETF剔除后策略表现更稳健，提示在实操中需重视ETF选取的合规性和流动性风险。

报告未详述杠杆、极端市场风险及黑天鹅事件影响，但在一般风险控制框架内，风险揭示充分。

---

6. 批判性视角与细微差别

• 模型依赖历史数据与深度学习黑箱特性： AGRU模型虽性能优异，但属复杂非线性模型，因子解释性和稳健性尚待更多实证验证。

- 调仓频率选择权衡： 报告指出周频调仓收益提升，但未详述交易成本的上涨幅度及策略超频率调仓的市场适应性，实际操作时需权衡。

• ETF标的选择策略： 默认选择最大规模及流动性最佳ETF，未详尽评估ETF本身跟踪误差及管理费影响，可能影响策略净表现。

- MMR算法权重参数未详列： 欲平衡相关性与收益，λ参数调节关键，具体选择细节及敏感性分析欠缺，留待后续深入研究。

• 最大回撤水平相对较高： 尤其是持仓较少时，最大回撤最高接近28%，需结合投资者风险承受能力谨慎对待。

总体而言，报告保守客观，没有过度强调模型万能，风险揭示得体，但实操细节及稳定性需要进一步验证。

---

7. 结论性综合

本报告由广发证券顶尖金融工程研究团队悉心打造，提出并证实了一套基于AGRU深度学习模型构建的ETF轮动策略框架，具体如下：

• 因子挖掘与映射： 通过AGRU模型对日K线量价数据挖掘选股因子，加入注意力机制和损失函数权重调整提升因子预测和多空收益能力，因子在沪深300、中证500和中证1000股票池均表现出15%-22%的年化超额收益率，且最大回撤相对较小。

- 指数层因子及ETF投资构建： 将个股因子加权聚合到指数层面，使用月度及周度调仓解析行业快速轮动动能，周度调仓策略年化超额收益率提升至8.6%-9.6%，突出周频调仓适应市场节奏优势。

• ETF轮动策略设计与优化： 以沪深300全收益指数为基准，选取因子前10%指数，利用MMR算法调节标的相关度，有效降低行业及风格集中度，收获年化超额收益8.4%，信息比率接近1，超额最大回撤-9.9%。

- 持仓数量限制测试： 固定投资5只、10只及15只ETF，策略依然保持良好超额收益（5只高达12.3%），且最大回撤在合理范围内，显著提升策略操作落地性。

• 风险提示与合规考量： 充分揭示模型基于历史数据存在失效风险，交易成本变化风险，及ETF基金流动性和规模限制，强调策略需谨慎应用。

- 图表支撑充分： 富含基金份额趋势、指数覆盖面分类、因子收益对比、净值涨跌图、MMR示范及持仓明细等，充分展现数据逻辑及策略步步验证过程。

综上，报告不仅展现了深度学习+因子轮动在ETF投资领域的强大潜力，也体现了高度的实证严谨性与投资落地思考，具有引领A股ETF智能轮动投资的示范价值。[page::全篇]

---

参考图片链接

• 图1 ETF与主动基金份额变化

• 图2 ETF跟踪指数类别统计

• 图3 AGRU模型结构

• 图4-7 AGRU因子净值走势（沪深300、中证500、中证1000、全A）

• 图8-9 ETF轮动策略构建流程与有效指数数增长

• 图10-13 指数因子净值走势与月周调仓比较

• 图14 ETF轮动策略净值走势

• 图15 ETF轮动策略净值走势（MMR调整）

• 图16-17 ETF数量分布及规模走势

• 图18 ETF轮动策略净值走势（MMR调整，剔除小规模ETF）

• 图19 固定持仓数ETF轮动策略超额净值走势

---

结语

本报告深度揭示了利用先进深度学习模型构建选股因子，并映射指数实现ETF轮动的有效路径，结合合理算法优化及风险控制机制，形成一套适合中国A股市场ETF投资环境的高效量化轮动策略。策略基于详实数据和严谨方法论，兼顾市场动态特征和实际可操作性，为机构及量化投资者提供了明确指引和极具价值的投资参考。

---

[全文内容均基于报告原文，引用页码后缀形式标注]

报告