华泰证券,金融创新的领军者，助力中国资本市场腾飞

华泰证券股份有限公司（Huatai Securities Co., Ltd.）是中国的一家综合性证券公司，总部位于上海。该公司成立于1991年，是中国证监会批准的首批证券公司之一。华泰证券在提供证券经纪、投资银行、资产管理、期货、基金管理、国际业务等多个领域拥有广泛的服务。
以下是华泰证券的一些主要特点：
1. "业务范围广泛"：华泰证券不仅提供传统的证券经纪服务，还涉及投资银行、资产管理、期货、基金管理、国际业务等多个领域。
2. "技术创新"：华泰证券在金融科技领域有着深入的研究和应用，致力于为客户提供便捷、高效的金融服务。
3. "业绩优良"：华泰证券在业绩方面表现良好，多次获得行业奖项。
4. "合规经营"：华泰证券始终坚持合规经营，严格遵守中国证监会和行业监管要求。
5. "社会责任"：华泰证券积极参与社会公益活动，致力于推动社会和谐发展。
华泰证券在中国证券市场中具有重要地位，是众多投资者和机构投资者的首选合作伙伴。随着中国资本市场的发展，华泰证券将继续发挥自身优势，为客户提供更加优质的服务。

相关内容：

摘要

随着ETF产品种类不断丰富，ETF轮动策略的吸引力正在不断提高

ETF产品具有交易费用低、操作便捷、规则透明等优势，基于ETF构建的轮动组合已经具备越来越高的吸引力：首先ETF发布数量和规模快速增长，仅2021年新成立的ETF数量就超过了270只；其次是ETF产品交易费用低，相比于主动管理基金产品更适合高频调仓；最后ETF可以跟踪市场热点，覆盖绝大多数的宽基以及行业主题指数。本研究挑选了29只行业主题型ETF以及三只债券、黄金和货基ETF，按照资产配置和行业轮动的思路构建了绝对收益型的ETF组合。策略总体表现比较稳健，比如2015年至今5%目标波动版本策略可以达到12.12%的年化收益以及2.07的夏普比。

本文从自上而下的视角进行了绝对收益型ETF轮动策略的构建

本文从自上而下的视角给出了一套绝对收益型ETF轮动策略的构建方法：大类资产层面，采用“时序动量+风险预算分配+目标波动率控制”方式构建相对稳健的战略配置模型；权益资产层面，采用“景气度+资金流+拥挤度”的方式构建行业主题指数轮动模型，进一步增厚策略的收益。股债商品的均衡配置决定了整个ETF轮动组合的风险收益特征，而行业主题ETF间的轮动效果决定了组合博取收益的能力。

战略资产配置：基于时序动量的大类资产配置策略

战略配置层面需要构建股票、债券、黄金以及货币基金四类资产的配置模型。本研究基于“时序资产动量+风险预算分配+目标波动率控制”的思路进行策略构建。首先为了匹配时序动量的配置观点，我们采用了层次化预算分配方法进行风险预算调整。其次为了实现对组合波动率的控制，我们构建了二次优化方法对资产权重进行调整。最后为了降低动量策略的过拟合风险，我们引入CSCV框架进行回测过拟合检验，评估参数选取过程中的过拟合风险；此外我们会在多种条件下回测来寻找相对稳定的参数平台，尽量选取有代表性的动量指标来提高模型的鲁棒性。

战术资产配置：基于“景气度+资金流+拥挤度”的行业主题ETF轮动策略

战术配置层面主要通过行业主题ETF轮动来增厚模型收益。我们推荐采用“景气度+资金流+拥挤度”的方式进行策略构建。其中景气度是核心维度，主要基于财报以及一致预期数据挖掘行业内在的景气价值变化情况。资金流和拥挤度是辅助维度，通过监测ETF指数的资金流入流出情况以及拥挤状态进行权重调整。根据2017年至今的回测结果显示，三维度叠加的ETF轮动策略展现出稳定的回测效果，相对于沪深300的年化超额收益率在20%以上，超额收益最大回撤在-13%以下，月度调仓胜率超过65%。

终版配置策略：资产配置与行业主题轮动策略的有机结合

将资产配置与行业主题轮动策略结合的ETF轮动组合展示出了稳健的回测表现：从2015年至今3%、5%和7%三种目标波动版本策略的夏普比率分别可以达到2.10、1.87和1.69，年化收益率分别可以达到7.69%、11.32%和14.40%。如果将债券资产从十年国债ETF替换为城投债ETF，三种目标波动策略的夏普比率可以进一步提高到2.57、2.07和1.78，年化收益率分别可以提高到8.52%、12.12%和15.00%

风险提示：模型根据历史规律总结，历史规律可能失效；市场出现超预期波动，导致拥挤交易；报告中涉及到的具体行业、基金或股票不代表任何投资意见，请投资者谨慎、理性地看待。

正文

绝对收益型ETF轮动策略核心思路

随着ETF产品种类不断丰富，构建轮动策略的可行性不断提高

ETF产品因为交易费用低、操作便捷、规则透明等优点，已经成为市场上越来越重要的投资工具。从统计数据来看，截止到2021年全市场ETF产品已经超过600只，仅2021年内新成立的ETF数量就超过了270只。随着ETF产品规模不断增加、种类不断丰富，仅基于ETF构建的轮动组合也具有越来越强的吸引力：

首先ETF产品的手续费低、适应高频调仓，相比于主动基金能够实现月度乃至周度的快速调仓；其次是ETF种类不断丰富，从基础的股票债券以及货币ETF，再到不断扩充的商品期货ETF，可投资标的类型逐渐增加；最后是权益类ETF可以跟踪股票市场热点，能够覆盖绝大多数的宽基以及行业主题指数。

从ETF产品存续情况来看，构建绝对收益型的ETF组合需要面对两个关键问题：

1. 第一个是如何在资产类型不够丰富的情况下构建稳健的资产配置组合。从可投资标的来看，ETF产品主要存在股票、债券、黄金和货币基金四种资产，其他诸如豆粕、有色、能源化工ETF的规模普遍低于5亿，难以进行大规模配置。所以想要实现绝对收益型的ETF策略，需要构建有效的股债黄金资产配置模型。

2. 第二个是如何通过有效的轮动模型来增厚权益资产表现。ETF规模的快速增加，主要原因是近些年赛道投资的兴起，相关的行业主题型ETF已经成为权益投资的热门资产。如何采用有效的策略在不同赛道之间进行切换，将是ETF组合博取超额收益的关键。

自上而下的ETF轮动策略基本思路

本文将采取自上而下的方式进行绝对收益型ETF轮动策略构建：大类资产层面，采用“时序动量+风险预算分配+目标波动率控制”方式构建相对稳健的战略配置模型；权益资产层面，采用“景气度+资金流+拥挤度”的方式构建行业主题ETF轮动模型，进一步增厚策略收益。在策略构建过程中，本研究将主要解决三个核心问题：

1. 首先，如何构建适配于现有ETF资产类别的动量配置策略，并且有效降低过拟合风险。为了降低参数选取的过拟合概率，我们尽量采用具有经济学含义的指标参数，并且引入CSCV回测过拟合方法测算模型的过拟合风险，提高模型的鲁棒性。

2. 其次，如何在不加杠杆的情况下进行组合波动率控制，优化资产权重。我们会基于动量观点进行层次化风险预算分配，并在此基础上通过多次优化的方法求解满足目标波动率设定条件的资产权重。

3. 最后，如何基于ETF跟踪指数的成分股信息构建有效的行业主题策略。后文给出的主题行业ETF轮动策略主要从自下而上的角度构建，利用成分股信息计算指数的景气度、资金流以及拥挤度指标，根据微观数据的变化构建收益稳定的行业主题ETF轮动模型。

本研究给出的策略将立足现有的ETF产品类型，力求从尽量贴近实际交易的角度对策略进行分析。所以除了对传统资产配置和行业主题轮动策略的开发，我们还开展了ETF评价筛选工作，提高产品落地配置的效果。

后文将按照自上而下的顺序对整套框架的核心策略思路进行介绍，分别按照大类资产时序动量策略、基于景气度的行业主题ETF轮动策略、基于资金面以及拥挤度的轮动策略顺序进行介绍。

战略配置策略：基于时序动量的大类资产配置策略

资产配置策略基本思路

在战略配置层面我们基于“大类资产动量+风险预算分配+目标波动率控制”的核心思路进行资产权重的计算，具体过程如下：

1. 基准指数确定：分别选取沪深300、中债-国债总财富（7-10年）指数、伦敦金现、货币基金指数作为股、债、商品、货币的基准指数，每个基准资产都能找到可投资的ETF标的。大类资产配置策略有效性分析都基于基准指数进行。

2. 时序动量计算：基于时序动量的方式构建资产配置策略，即每个资产单独根据动量模型给出月度配置观点。

3. 风险预算分配：对选中资产的风险预算等权分配，将未被选中资产的风险预算置为零。不过为了兼顾组合波动控制要求，我们会规定每个调仓截面必须有进攻资产（股票或是商品）被选中，所以当动量模型同时看空股票和商品时，我们会将股票和商品的观点强制调整为看多。

4. 组合优化求解：采用二次优化方法进行最终资产权重求解，第一次优化的目的是求解满足风险预算分配的资产组合权重，第二次优化的目的是对资产权重微调以进行目标波动率控制。

5. 指标参数筛选：结合组合对称交叉验证（CSCV）框架进行回测过拟合检验，评估参数选取过程中的过拟合风险。我们会在多种条件下测试，寻找相对稳定的参数平台，并尽量选取有代表性的动量指标以及参数。

问题一：为什么时序动量优于截面动量？

趋势追踪策略主要有时序动量与截面动量两种形式。时序动量策略是指在调仓日只要触发了资产的买入信号就会配置；截面策略则是在调仓日筛选动量排名靠前的资产进行配置。

在报告《行业配置策略：趋势追踪视角》（2020-09-01）中，我们提取了实际资产的收益率、波动率以及相关系数矩阵，采用几何布朗运动模型生成虚拟价格序列测算相关系数对于趋势追踪策略回测结果的影响。

计算结果显示：截面策略的表现随着资产间相关系数的增大而有所提升，而时序策略的表现随着资产间相关系数的增大而出现下降。相关性大的资产间收益率差异较小，更适合通过截面动量的方式对资产进行相对比较；而相关性小的资产独立性更强，适合通过时序动量策略独立判断各资产买入信号。

本篇报告中，我们选取的大类资产指数完全独立，不存在关联性，更适合通过时序动量的方式构建策略。

问题二：资产间预算如何分配？

大类资产间的风险预算主要按照风险平价的原则进行分配，在时序动量选中的大类资产间风险预算等权分配，未选中的资产预算分配为0。

不过我们为了保证最终的资产组合目标波动率可控，需要对原始的时序动量观点进行修正，每个调仓截面上需要保证至少有一个进攻资产被选中。所以在分配预算时，如果股票和商品的配置观点都是看空，我们就强制将其调整为看多。

强制规定一定选中进攻资产的原因也比较直观：我们将策略年化波动率目标设置在3%-7%之间，而沪深300和黄金年化波动率一般大于10%，债券和货基波动率一般小于3%。所以至少有一个进攻资产被选中时才能保证资产组合的波动率达到3%以上水平。

问题三：如何在不增加杠杆的基础上进行目标波动率控制？

ETF组合为纯多头组合，需要在资产权重不超过100%的情况下进行组合波动率控制。后文中在计算时，我们考虑3%、5%、7%三种波动率形式。在设定好目标波动率情况下，将采用以下流程进行组合风险控制：

加入二次优化方法可以对风险平价组合进行波动率调整。从回测结果上来看，目前策略可以有效实现目标波动率设定。未进行二次优化的风险平价组合，在不加杠杆的情况下难以将波动率提高到5%以上水平

问题四：如何降低组合的过拟合风险？

我们引入组合对称交叉验证（CSCV）框架计算策略的过拟合概率，筛选过拟合风险较小的指标提高策略的可靠性。华泰金工人工智能系列报告（《基于CSCV框架的回测过拟合概率》，2019-6-17）对于CSCV框架做出详尽介绍。简单来说此方法通过对历史收益率序列打乱重排，进行测试集和训练集的划分计算指标的过拟合概率，过拟合概率低于50%的指标可以判定为过拟合风险较小。

在动量指标的参数设定过程中，我们会尽量采用具有经济学含义的参数进行相关计算。比如时间窗口尽量选取20日（1个月）、40日（2个月）、60日（3个月）等常用参数。

在遍历参数之后，我们也会尽量选取具有参数平台的指标。希望寻找到一些普遍效果较好的参数，捕捉到数据背后的规律。

趋势追踪指标的汇总与梳理

下表给出本文整理的37个趋势追踪指标，主要从基础数据选取、滤波计算方式、均线计算次数和信号生成方式四个角度对这些指标进行归类：

1. 基础数据选取：趋势追踪指标基础数据分为收盘价或收益率两种类型。选用收盘价或是收益率来构建策略实质上就是选择利用价格自身还是利用价格变动趋势构建策略。

2. 滤波计算方式：滤波本质上是对原始序列进行平滑处理，常见方法的有移动平均（MA）、指数平均（EMA）、加权平均（WMA）等，还有更为复杂的回归分析（REG）等方式。

3. 均线计算次数：较为常见的是直接采用原始信号或是对信号进行一次平均或两次平均的计算。求取均线使得短期波动信息被滤去，平均次数越多，数据越平滑。

4. 信号生成方式：经过处理后的数据需要转化成买入和卖出信号，比较典型的三种信号生成方式是：与零比较、快慢线比较以及正负收益比较。

所有整理的趋势追踪指标都可以给出时间序列层面的资产买入或者卖出信号，指标具体的计算方式以及信号生成方式在附录中给出。

对于趋势追踪指标来说，时间窗口的选取对于最终生成信号也存在重要影响。以不同时间窗口长度的EMA信号为例，在趋势信号图上可以看到随着时间窗口长度变化，价格权重分配发生显著改变。为了尽可能减少过度调参带来的过拟合风险，在后文的计算中我们对于各指标的调参范围做出详细规定，尽量将时间窗口等参数设置为具有经济学含义的值：

1. 对于单参数的指标，我们设定了20日 (1个月)、40日(2个月)、60日(3个月)、120日 (120日)四种不同长度的窗口期。

2. 对于涉及具有多个时间窗口的指标，我们将其中短期时间窗口参数范围设定为20、40和60日，将长期时间窗口参数范围设定为60、120和250日，其中长期时间窗口长度需要大于短期时间窗口，舍弃长短窗口同为60日的参数组合

3. 部分指标含有阈值的设定，比如统计过去20天中收益为正的天数比例是否大于某个阈值，对于阈值类的参数我们设定0.4、0.5和0.6三个备选参数。

趋势追踪指标评价筛选以及最终策略结果

我们分别在3%、5%以及7%目标波动率条件下进行趋势追踪策略的批量测试。每个趋势追踪指标都在参数空间内进行遍历，筛选回测夏普比例最高的参数并保留PBO概率小于50%的指标。回测区间为2015年1月-2022年1月，月度调仓，手续费为双边千1。

回测结果显示，趋势追踪策略整体表现较好，在不同条件下都能找到10个以上通过检验的趋势追踪指标，而且大部分指标夏普比率都高于风险平价策略。只是不同目标波动率水平条件下趋势追踪指标的表现有一定差异，有些指标只在个别条件下有效，可能是因为对部分回测资产的以来较为严重。综合比较来看，以下三个指标在不同条件下都有较好表现：

1. INVVOL：当短期窗口的波动率倒数大于长期窗口的波动率倒数时看多，反之看空

2. THRESAVG：当近期收盘价站在均线上的天数占比高于规定比例时看多，反之看空

3. TMA：当最新收盘价上穿TMA均线时看多，反之看空

将多个趋势追踪指标信号进行叠加，可以提高信号的稳定性。当INVVOL、THRESAVG、TMA三个指标有任意两个触发时，我们就对相应资产给出买入判断。复合指标本质上也是追涨杀跌的趋势追踪策略，其收益很难战胜表现最好的单个趋势追踪指标。不过多指标复合提高信号稳定性，复合指标的胜率一般高于单一指标。

战术资产配置：“景气度+资金流+拥挤度”配置策略

“景气度+资金流+拥挤度”ETF轮动策略

战术配置层面主要通过权益类ETF轮动来增厚模型收益。我们以行业主题型ETF作为配置标的，借助于行业轮动策略的思路，自下而上的基于ETF指数成分股信息构建配置策略。

结合我们在行业轮动策略上的测试经验，本文推荐采用“景气度+资金流+拥挤度”的方式进行行业主题型ETF轮动策略的构建。其中景气度是核心维度，主要基于财报以及一致预期数据挖掘行业内在的景气价值变化情况。资金流和拥挤度是交易型指标，通过监测每个ETF指数的资金流入流出情况以及拥挤状态进行ETF权重调整。

行业主题ETF评价筛选

为了提高策略效果，我们希望选取的每个ETF持有行业尽量集中，最终选取的ETF之间重合的行业尽可能少。

我们首先计算所有ETF持有行业的比重，按照最大持股比例将ETF划分为科技、消费、医药、金融、周期、高端制造六个板块。ETF指数的持仓比例按照2021年半年报进行统计，2021年下半年上市的ETF按照跟踪指数成分股信息进行计算，成分股比例按照流通市值占比进行估算。接下来在六个板块内分别筛选持有行业集中、收益较高的跟踪指数以及相应ETF标的，具体步骤如下：

1. 步骤一：选取流动性有保证的ETF。剔除2021Q4最新规模在2亿元以下的ETF。

2. 步骤二：选取持有行业集中度较高的ETF跟踪指数。每个板块内会计算ETF在二级子行业的持仓比例，然后逐个行业选取持股比例最高ETF跟踪指数。医药行业按照三级子行业计算。

3. 步骤三：对于持有行业较为相似的指数，按照近五年收益进行筛选，优先选取收益较高的跟踪指数。

4. 步骤四：最后确定ETF标的，在同一跟踪指数下选取规模最大的ETF。

基于景气度的ETF轮动策略

景气度指标主要用于分析市场的繁荣程度，对景气度的定量刻画能够帮助我们构建稳健的ETF轮动策略。景气度轮动策略的具体构建细节请参考报告《行业配置策略：景气度视角》（2020-11-05）。本文将进行三类景气度指标的构建：

1． 定期业绩指标：基于个股正式财报构建，通过整体法将个股数据合成行业指标。正式财报覆盖所有上市公司，包含信息量非常丰富。

2． 业绩类预期指标：基于个股业绩类一致预期数据计算，筛选有分析师覆盖的个股一致预期数据，通过汇总成分股数据变化情况来分析行业景气度变化情况。

3． 关注度类指标：基于关注度类一致预期数据计算，通过市场关注度的变化判断ETF跟踪指数景气度是否改善。

景气度指标构建方法

在景气度指标构建过程中，直接比较业绩指标或是一致预期指标的数值大小很难保证不同ETF跟踪指数间可比口径统一。而且不同ETF指数间差异较大，业绩弹性存在较大差异，难以直接对比。所以每个指数只关注边际变化。

为此我们将景气度指标形式简化，所有的景气度指标数值被限定为1、-1和0三种形式，分别表示看多、看空和无观点三种观点状态。

如果指数业绩或是一致预期指标增长时我们会给出看多观点，反之看空。以销售毛利率指标为例：只要某个指数销售毛利率环比上涨，就可以将其景气度状态置为1，表示看多；反之如果指数整体毛利率下降，就可以将其状态置为-1，表示看空；环比持平或是数据缺失的情况可以记为0。

构建单项景气度指标后，我们可以将多个单项景气度打分进行加总，构建复合景气度指标。每个单项指标相当于从特定角度对ETF跟踪指数进行打分，进行复合的过程就相当于将不同角度的打分进行累加。最终构建的ETF跟踪指数复合指标包含了多个维度的信息：

1. 首先，复合指标可以给出单个指数景气度变化情况，定量描述指数所处的景气状态。

2. 其次，对不同指数景气度进行横向对比，优先配置高景气的ETF跟踪指数。

景气度指标筛选

单指标回测时将所有看多的跟踪指数买入，计算相对于所有ETF跟踪指数等权组合的超额收益。以2015年1月-2020年12月作为样本内，以2021年1月-2022年1月作为样本外进行回测。总计71个指标中有24个在样本内外年化超额收益在1%以上。

我们将筛选的景气度指标按照年化超额收益率进行排序，优先纳入收益较高单项指标进行复合，并选取复合景气度最大的5个ETF跟踪指数构建多头组合，从回测结果来看，纳入的有效指标越多，最后的策略的超额收益以及胜率往往也越高。纳入8个指标时回测收益和胜率都达到局部高位，之后纳入的指标回测效果相对较弱，策略表现出现下滑。

景气度指标复合

将单行业的景气度指标进行叠加，可以得到回测收益更高的复合景气度指标。我们筛选了8景气度指标纳入复合景气度计算，下表是最近半年ETF跟踪指数的景气度变化情况。2022年1月末最新观点推荐的是煤炭、酒、化工、稀有金属和半导体ETF。

按照景气度得分别选取排名前五和后五的ETF指数构建多头和空头策略。在2015年1月至2022年1月期间，多头5只ETF的年化超额收益率在16%以上，空头年化超额收益率在13%以上，多空头组合的胜率均接近70%。

基于资金流的ETF轮动策略

资金流向是ETF配置策略中的重要环节，一方面资金流是股市涨跌的重要驱动力，持续的资金流入是股价上涨的核心推动力；另一方面资金流向指标包含了不同市场参与者的观点，可以作为窗口观察外资和杠杆资金等“聪明钱”的动向。资金流策略具体构建细节请参考报告《行业配置策略：资金流向视角》（2021-11-05）。

资金流指标构建方法

我们以个股层面能够获取的资金流向数据为基础，将资金数据按照成分股归属汇总到ETF跟踪指数层面进行计算，具体选取的指标主要分以下两个维度：在市场交易方面，主要关注北向资金以及融资资金变化情况；在产业资本方面，主要关注定增、回购、限售解禁、大股东增减持对于指数涨跌的影响。

对于原始的资金流数据，我们可以通过归一化处理或是同比环比变换来构建资金流向指标。资金流指标的有效性也总体遵循“资金流入带动行业指数上涨”的原则进行检验。对于北向和融资资金，我们采用分层回测的方式进行有效性判断，对于产业资本则采用阈值回测的方式判断有效性。

1. 分层回测：根据资金流向指标相对强弱，将所有行业划分成1-5组进行回测。观察不同资金流入程度下的行业组合表现是否有分化。

2. 阈值回测：阈值回测会考虑资金流强度超过或是低于历史阈值时组合的超额收益是否明显。在测算时基于所有ETF指数资金流历史数据的90%、70%、50%分位点等作为阈值设定。

资金流指标筛选

我们以2017年7月-2020年12月作为样本内、以2021年1月-2022年1月作为样本外，对北向资金以及两融资金相关指标进行回测分析。下表给出了样本内和样本外指标多空收益变化情况（多空收益表示分层回测中第一组和第五组年化收益之差）。

回测结果显示，资金流指标在ETF指数轮动过程中表现相对一般，大部分指标在样本内和样本外回测表现差距较大。仅有四个指标在样本内外可以保持0%以上的多空收益水平。

从详细分层结果来看，筛选出的四个回测指标中
margin_net_buy_amount_M_orig和north_

holdings_float_M_yoy分层效果最为明显，其余两个指标回测效果一般。

从产业资本指标回测结果来看，只有限售解禁指标回测效果较好，
AShareFreeFloatCalendar_listdt_next_float_M表示未来一个月将解禁的股票预估市值占比情况，当未来一段时间解禁股票市值较高时，对于指数价格存在一定的压制作用。其余的产业资本指标没有展现出清晰的配置逻辑。

资金流指标复合

将回测表现较好的三个资金流向指标进行简单复合，可以得到行业资金流复合指标，具体方式为：

1. 计算北向资金和两融指标的得分，将
margin_net_buy_amount_M_orig和
north_holdings_float_M_yoy两个指标按数值大小把指数分五层，分层1到分层5分别对应资金流入程度由高到低的五组指数组合，从分层1到分层5ICI2、1、0、-1、-2分。

2.计算限售解禁指标得分，按照
AShareFreeFloatCalendar_listdt_next_float_M指标当前所处的分位数进行打分。在每个月末调仓截面上，汇总截止到目前所有ETF跟踪指数的限售解禁指标数值，计算在历史上的分位。当最新的限售解禁指标数据大于50%历史分位时记-1分、大于70%分位数时记-2分，小于50%分位数计0分。

3.将三个指标得分叠加，得到复合的资金流指标。

从回测结果上来看，资金流指标整体表现比较一般。很多北向资金和两融指标在2021年出现失效现象，我们选择的两个指标也在2021年下半年出现回调。总体上资金流指标在月度频率上表现还是不够稳定，更适合进行周频等快速的调仓。

基于拥挤度控制ETF轮动组合风险

拥挤度是我们判断ETF配置信号的第三个维度，通过捕捉指数交易过热状态来提示下行风险，主要目的是降低组合波动率和最大回撤。指标的详细构建以及检验方法可以参考前期报告《行业配置策略：拥挤度视角》（2020-11-27）。

拥挤度指标构建方法

拥挤度指标主要关注以下几个维度：

1) 动量：动量是最直观的拥挤度指标，动量处于历史高位时意味着市场价格上涨过快，拥挤概率较高。我们采用ETF跟踪指数相对于沪深300的超额收益动量以及超额收益净值乖离度进行计算。

2) 流动性：流动性指标处于历史高位意味着大额资金进场，市场交易过热。我们采用过去一段时间平均换手率或是最新换手率乖离度衡量拥挤风险。

3) 量价相关性：量价相关系数可以用于判断是否存在量价背离，价格趋势是否反转。

4) 波动性：一般情况下波动越大的指数拥挤度越高，可以采用超额收益波动率进行计算。

5) 截面成交占比：观察截面上单个指数成交水平在全市场占比情况。观察指数成交额在全市场占比，或是看指数换手和全市场整体换手的比值。

上述所有指标都计算过去五年的滚动分位数，除了量价相关系数外，其余指标的含义都是分位数越高拥挤状态越严重。

拥挤度指标筛选

拥挤度指标的检验方式比较复杂，常规的回测方式效果一般。我们对于拥挤状态的理解是：拥挤是市场下跌的充分不必要条件，即高拥挤时指数下跌概率应该上升，低拥挤时则无需考虑。所以对拥挤度指标进行检验的思路是把测试场景尽量局限在拥挤度较高的位置，观察指数是否出现高于平时常规状态下的风险。

第一个检验方法是门限回归分析。我们以拥挤度指标作为自变量，以未来20日指数的最大回撤作为因变量构建回归方程，在此基础上调节自变量的门限值（从50%变化到95%）观察方程回归系数和显著性水平变化情况。具体通过两个指标进行有效性判别：

1. K值相关系数：回归系数需要随着门限值增大呈逐渐变小的趋势。我们计算门限值和回归系数之间的相关系数进行定量判别，K至相关系数需要小于-0.7。

2. 回归系数显著为负比例：回归系数需显著为负，我们要求在90%以上情况下的门限值设定下回归系数显著为负，显著性水平设定为0.1%。

第二个检验方法是负向回测分析。每月末统计最近10日拥挤度指标最大值，判断是否拥挤（即是否超过规定阈值），买入处于拥挤状态的指数观察是否有负向收益。我们将处于拥挤状态的判断阈值设置为五个档位：60%/70%/80%/90%/95%，要求阈值越高情况下策略回测收益越低。

从统计结果上来看，在ETF跟踪指数的测试体系中，效果比较显著的主要是成交额截面占比（section_amount）、换手率（turn）以及波动率类指标（vol）。与换手和波动率相关的指标在行业指数体系下也有较好表现，是我们判断拥挤风险的核心指标。与价格相关的指标整体表现一般，除exclose_bias_40和normal_momentum_5外其他指标高拥挤情况下回测收益反而出现正值，可能是因为本文中计算ETF跟踪指数的超额收益参照基准为沪深300，沪深300本身有一定的行业偏向性，用来计算超额收益存在偏差。

拥挤度指标复合

拥挤度指标的复合方式也比较简单，为了减少参数选取的影响，我们通过对三组指标进行分组打分来构建最终的复合指标：

1. 指数最近N日成交额之和在全市场占比：section_amount_5, section_amount_10, section_amount_20,section_amount_40, section_amount_60。

2. 指数最近N日换手率平均值：turn_5、turn_10、turn_20、turn_40、turn_60。

3. 指数最近N日波动率：vol_10、vol_20、vol_40、vol_60。

对任意一组指标来说，如果组内有半数指标触发（滚动五年分位数大于95%），我们就将这组指标整体计为1，表示拥挤。所以一共三组指标，我们给出的拥挤度得分最高为3，最低为0。拥挤度得分越高，ETF跟踪指数的交易过热程度也越高。

“景气度+资金面+拥挤度”ETF轮动策略

景气度、资金流和拥挤度是三个较为有效的ETF轮动策略构建维度。不过从回测结果上来看，景气度策略的表现更加稳定，资金流和拥挤度策略的表现相对弱一些。可能原因在于我们选中的ETF往往是热门赛道，适合通过高景气的思路进行配置。在最终的策略构建时，我们采用“景气度为主，资金面和拥挤度为辅”的方案：

1. 首先，基于景气度模型确定核心仓位，通过每月调仓截面上景气度最高的五个ETF跟踪指数等权分配确定基础仓位。

2. 其次，在景气度指标基础上，根据资金流情况进行持仓权重调整。我们将资金流指标排在前五位的指数记做资金流入状态，后五位记做流出状态。对于资金流入程度较高的ETF跟踪指数仓位翻倍；对于资金处于流出程度较高的ETF跟踪指数仓位降低50%。

3. 最后，基于拥挤度指标确定最终的指数权重，对于拥挤度处于2以上的指数，仓位降低50%，对于拥挤度处于3以上的指数仓位清零。我们在做拥挤度判断时，取每月末最后十个交易日的最大拥挤度数值进行判断。

从回测结果来看，景气度策略的回测效果相对比较稳定，2017年至今相对于沪深300的年化超额收益率可以达到17%以上；相同时间区间下资金流策略的年化超额收益率为9.57%，明显弱于景气度策略。景气度和资金面叠加之后策略收益略有提升，回测区间年化收益率为25.09%。资金面指标对于策略的提升效果较弱。

拥挤度指标回测效果比较好，最后叠加了拥挤度指标的策略年化超额收益在20%以上，策略的最大回撤也有小幅降低。拥挤度策略主要在2019年之后生效，背后原因可能在于2019年后的市场行业轮动速度所有加快，通过拥挤度对短期过热状态的监测能够降低风险。

绝对收益型ETF轮动策略

资产配置和行业主题ETF轮动策略相结合

回顾全文，我们提出的自上而下ETF轮动策略框架结构比较清晰，战略层面基于“时序动量+目标波动率控制”方法确定股债商品的基本仓位，战术层面基于“景气度+资金面+拥挤度”方法对行业主题型ETF进行轮动以增厚收益。两部分策略的复合过程也比较简单，直接将战略层面沪深300的配置权重替换为行业主题ETF组合，实现战略和战术配置叠加。

从回测结果来看，股债商品均衡配置决定了整个ETF轮动组合的风险收益特征，而行业主题ETF间轮动效果则决定整个组合博取收益的能力。策略基准风险收益特征可能需要通过资产池的丰富来改善（比如纳入豆粕或能化ETF），短期能提升的空间有限。如果想要获取收益上的大幅提升，就比较依赖行业主题轮动策略对权益资产的增强。

终版策略回测效果

图表68-图表73给出了不同波控水平下的策略回测结果，我们还对所有资产的跟踪指数与ETF净值进行拼接，构建更贴近实际交易的ETF跟踪组合。债券、黄金和货基的ETF投资标的在图表6中列出，权益ETF投资标的在图表33中列出。回测区间统一设定为2015年1月至2022年1月，手续费设置为双边千一。

从回测结果来看，整个策略的回测效果较好，从2015年至今3%、5%和7%目标波动版本策略的夏普比率分别可以达到2.10、1.87和1.69，年化收益率分别可以达到7.69%、11.32%和14.40%。在不加杠杆的情况下，波动率水平越高的策略股票资产权重也越高，行业主题轮动策略带来的增强效果也更加明显。

对于所有风险平价类策略来说，债券指数的选择对组合夏普比率影响具有决定性左右。图表68-图表73中给出的资产组合中债券投资标的为夏普比相对较低的十年国债ETF，如果替换为城投债或是信用债ETF策略会有进一步提升。

比如我们将底层债券资产从十年国债ETF（511260.SH）替换为城投债ETF（511220.SH）后，三种目标波动策略的夏普比可以从2.10、1.87和1.69分别提高到2.57、2.07和1.78，年化收益率可以从7.69%、11.32%和14.40%提高到8.52%、12.12%和15.00%。

风险提示

1. 模型根据历史规律总结，历史规律可能失效。

2. 市场出现超预期波动，导致拥挤交易。

3. 报告中涉及到的行业、基金或股票不代表任何投资意见，请投资者谨慎、理性地看待。