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.docxVIP

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 12

5. 附录 12

5.1申万金工宏观量化指标构成 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：根据ARIMA模型外推得到2024年4月及之后11个月的前瞻综合指标.13

表1：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

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

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，