ETF策略兵器谱系列之四：宏观量化方法下的ETF核心-卫星组合构建.docx

该【ETF策略兵器谱系列之四：宏观量化方法下的ETF核心-卫星组合构建 】是由【琥珀】上传分享，文档一共【14】页，该文档可以免费在线阅读，需要了解更多关于【ETF策略兵器谱系列之四：宏观量化方法下的ETF核心-卫星组合构建 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。目录宏观量化框架回顾 4基于ETF跟踪指数的宏观敏感性测算 5宏观量化方法下ETF组合的构建 7宏观行业组合 7宏观+动量行业组合 8核心-卫星组合 10风险提示及声明 125. 附录 12图表目录图1:宏观行业ETF组合2013年以来净值 7图2:宏观行业ETF组合2019年以来净值 7图3:纳入筛选范围的行业主题指数数量 8图4:宏观+动量行业ETF组合净值(2019年以来) 9图5:核心-卫星ETF组合2013年以来净值 11图6:核心-卫星ETF组合2019年以来净值 11图7::不同股票池风格因子对不同宏观因子的敏感性规律 4表2:宏观敏感程度最高/最低的行业主题指数 6表3:宏观敏感程度最高/最低的SmartBeta指数 6表4:宏观行业ETF组合表现 7表5:2024年4月宏观行业ETF组合结果 8表6:宏观、动量筛选行业指数策略的年度收益 9表7:宏观+动量行业ETF组合表现(2019年起) 9表8:2024年4月宏观+动量行业ETF组合结果 10表9:核心-卫星行业ETF组合表现 11表10:不同ETF组合跟踪误差与信息比 11表11:2024年4月核心-卫星ETF组合结果 12表12:经济前瞻指标构成 13表13:综合流动性指标细分项 14表14:当前流动性情况 14表15:综合信用指标构成 15宏观量化框架回顾在此前的资产配置系列报告和因子新视野系列报告中,我们将依托于经济、流动性、信用三大维度指标的敏感性测试方法应用于大类资产、行业和风格因子上,我们发现不同行业、风格对宏观因子的敏感性存在差异,主要的结论如下:在行业中:传统周期行业对经济的敏感性更强,食品饮料、TMT对经济敏感程度偏弱;TMT对流动性较为敏感,而食品饮料依然不敏感;地产后周期、消费对信用的敏感程度相对偏高。在因子上:估值因子对经济的敏感性最强,经济复苏初期在大盘股中体现为权重股的估值修复、在小盘股中体现为超跌股票的估值修复,盈利、质量等基本面因子在经济下行时表现更好;小市值因子受益于流动性的宽松,红利在利率上行时受影响较小;成长因子对以社融为代表的信用最为敏感,而红利、低波等防御属性因子对信用敏感程度低。在因子上,我们在不同股票池中得到的敏感性较强的因子规律大致如下:沪深300中证500中证1000全市场经济上行低估值、低波动率低估值、反转低估值低估值、反转经济下行盈利、质量盈利、质量成长盈利、质量流动性宽松大市值、反转小市值、反转小市值、反转小市值、反转流动性紧缩低流动性、小市值分红、大市值低波动率、大市值低波动率、分红信用扩张成长、大市值成长低波动率、质量质量、成长信用收缩低估值、低流动性、分红低估值、低波动率、分红反转、低估值 低估值、反转、分红表1:不同股票池风格因子对不同宏观因子的敏感性规律资料来源:,研究以上结论整体稳定性较强,也与逻辑较为符合,因此我们尝试根据行业、因子对宏观敏感性的得分排序与每期宏观指标给出的方向性观点构建了宏观行业配置、因子配置的相关组合。具体的计算方式为:每月末,根据历史的GDP同比变化方向、申万金工流动性综合指标、信用综合指标计算行业、因子的宏观敏感性;根据申万金工的经济前瞻指标、流动性综合指标、信用综合指标方向性观点及滚动计算的行业、因子敏感性调整宏观敏感性得分,然后加总得到各行业、因子每期的综合得分;若流动性与信用指标未发生背离,则将调整方向后的经济、流动性、信用得分直接加总得到综合分数,若发生背离,则仅将经济、信用得分加总得到综合分数。最终根据单项分数、综合分数选择满足条件的行业、因子进行配置即可。基于ETF跟踪指数的宏观敏感性测算此前我们的测算主要基于一级行业指数和因子多空收益/IC,最终实现的是行业指数组合和选股组合的收益,而若我们希望建立ETF组合,可以直接以ETF跟踪的指数为底层资产,重新进行敏感性的测算。由于此前在行业、因子上的结论略有差异,针对ETF我们也进行宽基、行业主题、SmartBeta的区分后分别进行测算。以行业主题指数为例,我们根据申万金工的ETF分类数据库,筛选所有分类为“行业主题”ETF的股票产品,每月末筛选出所有单产品规模在2亿以上、成立时间1年以上的产品跟踪的指数,然后对所有指数进行宏观敏感性的测算。以经济为例,将2009年以来所有月份区分为GDP同比上行、下行的月份,然后计算:不同经济状况下的月均指数收益差:经济上行时收益越高、经济下行时收益越低,指数对经济变化越敏感;经济上行时收益为正的频率:经济上行时收益为正的频率越高,指数受益于经济的程度越高;经济下行时收益为负的频率:经济下行时收益为负的次数越多,指数受经济影响程度越高。对于所有使用的底层指数,我们对其按照3个指标从高到低进行排序,然后将3项排序加总后折算至0~100之间,总分越低的指数代表综合排名越靠前,其对经济的敏感程度就越高。以2024年3月的测算结果为例,对经济、流动性、信用敏感程度最高/最低的5条行业主题指数如下:经济流动性信用1800能源生物医药消费电子2中证煤炭全指信息中证传媒最高3上证资源5G通信TMT504中证钢铁中证500信息I)5绿色电力中证军工SHS互联网1中华半导体芯片结构调整疫苗生物25G通信浙江国资中证机床最低3芯片产业国企一带一路SEEE碳中和4I)长江保护结构调整5人工智能CS长三角新能源车表2:宏观敏感程度最高/最低的行业主题指数资料来源:,研究可以看到,以上结果基本和我们此前在行业指数上的测试吻合:传统周期对经济敏感,TMT对流动性敏感、对经济不敏感,消费对信用相对敏感,TMT也仍然敏感。此外,由于除了行业指数,测算中也包含了国企、ESG等相关的主题指数,我们也看到了国企、ESG相关主题对流动性和信用的低敏感性。在流动性和信用的敏感性差异上,TMT中更偏消费的部分对信用更敏感。同样的,我们筛选所有分类为“SmartBeta”ETF的股票产品对应的跟踪指数,计算得到宏观敏感程度最高/最低的3条指数如下:经济流动性信用1红利低波100创价值500质量最高2红利指数300成长创成长3中证红利中证红利红利质量1创价值红利低波红利低波100最低2创成长深证红利中证红利3红利质量深证F120红利低波资料来源:Wind,申万宏源研究表3:宏观敏感程度最高/最低的SmartBeta指数以上结论中,部分结果和我们此前在因子多空收益/IC上的测算结果较为一致:红利对流动性、信用敏感程度偏弱,成长对信用敏感;而在经济的敏感性上,由于我国目前SmartBeta产品跟踪的指数中纯价值的指数较少,红利反而排名更靠前,而在不敏感的指数中,TMT、消费占比高的创业板指数更多体现了行业主题、宽基指数的敏感性特征。从这一结果上也可以看到,目前我国的SmartBetaETF体现出的风格属性与我们直接使用因子得到的结果存在一定的出入,这一方面说明我国SmartBeta相对还较为单一,另一方面也说明现有的SmartBeta对风格的代表性略偏弱,作为轮动配置工具的特征略显不足。由于在不同类型指数池中的结果存在一定差异,我们在后续的组合构建中也将宽基、行业主题、SmartBetaETF分开处理,分别构建行业组合以及控制不同类别比例的核心-卫星组合。宏观量化方法下ETF组合的构建本部分中,我们具体根据上述宏观敏感性测算方法来构建ETF组合,除了宏观指标,我们同时也考虑加入动量指标来进行互补。宏观行业组合首先,我们按照第二部分中的方法,针对所有标记为“行业主题”的ETF,选择成立时间1年以上、当期规模2亿以上的产品跟踪的行业主题指数,每个月根据历史数据计算经济、流动性、信用的敏感性得分,然后根据最新的经济、流动性、信用判断指标调整得分方向后进行加总,若流动性与信用明显背离则去除流动性得分,最终得到排名前6的行业主题指数,然后取对应规模最大的ETF进行等权配置。按照该方法得到的组合历史表现情况如下:图1:宏观行业ETF组合2013年以来净值 图2:宏观行业ETF组合2019年以来净值资料来源:,研究, 资料来源:,研究,-%%%-%%%-%%%-%%%:宏观行业ETF组合表现资料来源:,研究,,我国行业主题产品数量相对较少,直到2018年末纳入筛选范围的行业主题指数数量也不到20条,直到2019年开始逐渐增多,目前已达到120条:图3:纳入筛选范围的行业主题指数数量资料来源:,研究组合在可选产品数量提升后效果也有明显提升。2024年3月末给出的2024年4月的组合如下:表5::,研究宏观+动量行业组合根据我们此前的分析与跟踪,我们发现宏观类配置策略主要存在偏左侧的特点,胜率偏低而赔率较高,从上面部分的净值我们也能看到这一特点。因此,我们尝试将宏观与动量的方法进行结合,两种方法各自筛选后直接合并。在使用动量方法时,为了避免同行业主题的高相关指数集中入选,我们先使用聚类方法将行业主题分为6个不同的组,然后每组选择过去6个月涨幅最高的1只产品进行等权配置。在使用指数进行测算时,我们发现宏观方法和动量方法能够形成一定的互补,2014、2020、2021年宏观方法进攻性更突出,而2015、2019、2023动量方法相对突出,两者战胜沪深300的年份有所差异:沪深300宏观行业动量2013-%-%-%%%%%%%2016-%-%-%%%%2018-%-%-%%%%%%%2021-%%%2022-%-%-%2023-%-%-%表6:宏观、动量筛选行业指数策略的年度收益资料来源:,研究我们将两者选择的行业等权结合后构建ETF组合,历史表现如下:图4:宏观+动量行业ETF组合净值(2019年以来)资料来源:,研究宏观+%%%:宏观+动量行业ETF组合表现(2019年起)年化收益 % %%% %%:,研究,,但回撤有所下降、夏普率有所提升。2024年3月末给出的2024年4月的组合如下:表8:2024年4月宏观+%%%%%%%%%%华泰柏瑞中证韩交所中韩半导体ETF资料来源:,研究核心-卫星组合行业主题ETF整体存在波动偏高的情况,且近两年行业轮动速度加快,收益难以把握。若我们使用行业ETF组合来对标沪深300,会发现组合偏离较为明显。在此前针对海外ModelPortfolio的研究中,我们发现宽基+SmartBeta+行业ETF的组合是海外投顾最常用的权益ETF组合模式,这一模式保证了宽基构成底仓,避免组合大幅偏离市场核心宽基表现。因此,我们尝试设计以沪深300为底仓的“核心-卫星”组合。在构建组合时,我们使用第二部分的宏观敏感性测算方法分别对国内宽基、行业主题和SmartBetaETF三个ETF跟踪指数池进行测算,分别构建3个股票组合:1)宽基组合:60%为沪深300,剩下40%按宏观敏感性得分,选最高的3只等权配置;2)行业组合:+动量行业组合;3)SmartBeta组合:选宏观敏感性得分最高的3只等权配置。每期得到3个组合的选择后,我们按照50%、30%、20%的权重对3个组合进行加权,得到最终的核心+卫星组合,历史表现如下:图5:核心-卫星ETF组合2013年以来净值 图6:核心-卫星ETF组合2019年以来净值 资料来源:,研究, 资料来源:,研究,:核心-卫星行业ETF组合表现年化收益年化波动率最大回撤夏普率沪深300-%%%-%%%-%%%-%%%:,研究,、信息比率,也能够发现,核心-卫星组合对沪深300的跟踪相对紧密,年化跟踪误差在7%以内,信息比也相对较为稳定:跟踪误差-2013年起信息比-2013年起跟踪误差-2019年起信息比-2019年起宏观行业宏观+%%%%:不同ETF组合跟踪误差与信息比核心-%%:,研究,,核心-卫星组合提供了不错的选择。2024年3月末给出的2024年4月的组合如下: