股票行业/主题型ETF市场概况：近年来ETF市场蓬勃发展，自2010年以来，ETF产品数量逐年上涨。截止2023年3月，全市场ETF数量为629。其中，行业/主题ETF数量为376，覆盖了278个不同的指数。可见，目前已有数量众多的差异化ETF产品可供配置。（注：本文讨论的ETF均为股票行业/主题型ETF）

扩散指标ETF轮动可行性讨论：在基金投资策略系列研究第一篇《基于主动基金持仓的扩散指标行业轮动及改进》中，我们通过扩散指标进行中信一级行业轮动，检验了利用扩散指标进行行业轮动的长期有效性。我们认为利用扩散指标进行行业轮动主要有以下两种方式：方法一是以原始扩散指标行业轮动的行业组合结果来配置相应行业ETF组合进行轮动；方法二是依据指数成分股计算全市场ETF跟踪指数的扩散指标，通过ETF跟踪指数的扩散指标来选取“最优”行业/主题ETF进行配置。

方法1：依据行业轮动结果配置相应流动性最好的ETF：我们对ETF进行行业纯度约束后，依据跟踪指数的第一大持仓行业对全部行业/主题ETF打上行业标签，并根据中信一级扩散指标行业轮动结果筛选每个中信一级行业中流动性最好的ETF进行等权配置。自2018年12月28日至2023年4月7日，在筛选扩散指标排名前20%参数下，策略年化收益为25.46%，超可投资ETF等权以及沪深300年化收益分别为10.39%和16.24%，最大回撤为-35.81%，年化波动率为0.26，夏普比率为0.93，calmar为0.71。在筛选扩散指标排名前5的参数下，相同回测期内策略年化收益为27.98%，超可投资ETF等权以及沪深300年化收益分别为12.91%和18.49%，最大回撤为-35.81%，年化波动率为0.25，夏普比率为1.06，calmar为0.78。

方法2：依据ETF跟踪指数的扩散指标进行ETF轮动：我们对ETF流动性进行约束后，筛选每个跟踪标的指数中流动性最好的ETF，并根据指数成分及权重计算跟踪指数的扩散指标。对于第一大持仓中信一级行业相同的ETF，仅保留扩散指标最高的一个，将剩下的ETF按照跟踪标的指数扩散指标进行筛选。自2018年12月28日至2023年4月7日，在筛选踪标的指数扩散指标排名前20%参数下，策略年化收益为27.14%，超可投资ETF等权以及沪深300分别为12.07%和19.19%，自2023年以来，策略超可投资ETF等权以及沪深300收益分别为2.30%和6.78%。在筛选扩散指标排名前5的参数下，相同回测期内策略年化收益为25.29%，超可投资ETF等权以及沪深300年化收益分别为10.22%和17.34%，夏普比率为0.95，最大回撤为-38.13%。我们进一步尝试使用组合优化进行ETF筛选和赋权，回测期内组合优化策略年化收益为33.26%，超可投资ETF等权以及沪深300年化收益分别为18.19%和25.31%，回测期内每一年度相较于比较基准均有正超额收益，自2023年以来，策略超可投资ETF等权以及沪深300收益分别为2.15%和6.63%。

宏观经济变化风险；政策环境超预期变动风险，指数系统性下跌风险；模型失效风险。

1. 股票行业/主题型ETF市场概况

近年来ETF市场蓬勃发展， 自2010年以来，ETF产品数量逐年上涨。截止2023年3月，全市场ETF数量为629。

其中，行业/主题ETF数量同样逐年攀升。截止2018年底，全市场行业/主题ETF数量为41；2021年ETF数量增速最高，产品数量增量了189。截止2023年3月，全市场行业/主题ETF数量为376，覆盖了278个不同的指数。可见，目前已有数量众多的差异化ETF产品可供配置。

2. 扩散指标ETF轮动可行性讨论

在基金投资策略系列研究第一篇《基于主动基金持仓的扩散指标行业轮动及改进》中，我们通过扩散指标进行中信一级行业轮动，检验了利用扩散指标进行行业轮动的长期有效性。

从上表可以看出，扩散指标中信一级行业轮动策略长期优于中信一级行业等权，自2010年12月31日至2023年3月11日，年化超额收益约5%。

在扩散指标长期有效的前提下，我们尝试利用扩散指标对ETF进行轮动，实现更可直接投资的策略。那么，如何利用扩散指标进行ETF轮动？我们认为主要有以下两种方式：

方法1：在扩散指标中信一级行业长期有效的前提下，可以以原始扩散指标行业轮动的行业组合结果来配置相应行业ETF组合进行轮动。

方法2：从扩散指标行业轮动的本质出发，依据指数成分股计算全市场ETF跟踪指数的扩散指标，通过ETF跟踪指数的扩散指标来选取“最优”行业/主题ETF进行配置。

以上两种方式的差异主要在于扩散指标的信息来源和ETF间的比较维度。下面，本报告将逐一进行检验。

3. 方法1：依据行业轮动结果配置相应流动性最好的ETF

3.1. 方法介绍

（1）构建初始ETF基金池：以wind股票型ETF中的全部行业ETF和主题ETF（剔除宏观主题ETF）作为初始ETF基金池。

（2）ETF中信一级行业判定：对于每期的初始ETF，按照如下方式进行ETF行业判定和行业纯度筛选：

① 根据跟踪标的指数的成分及权重。按中信一级行业统计ETF第一大行业持仓及其权重；

② 行业纯度约束：只保留第一大中信一级行业持仓占比超60%的ETF；

③ 给每支ETF按照第一大持仓行业打上行业标签；

④ 若某个行业存在多个ETF，则只保留过去20天平均成交量最大的ETF。

（3）ETF行业轮动：

① 计算每一期的中信一级行业指数扩散指标；

② 对于有ETF的行业，每期筛选扩散指标最高的前N%（向上取整）或Top N的行业对应的ETF进行等权配置；

③ 暂不考虑交易成本。

3.2. 回测结果

3.2.1. 筛选扩散指标前20%中信一级行业对应ETF策略回测结果

自2018年12月28日至2023年4月7日，筛选扩散指标前20%ETF策略回测结果如下。

筛选扩散指标前20%中信一级行业ETF策略累计风险收益情况如下表。回测期内，策略年化收益率为25.46%，显著高于可投资ETF等权以及沪深300年化收益。策略最大回撤为-35.81%，年化波动率0.26，夏普比率为0.93，calmar为0.71，风险收益比远超可投资ETF等权以及沪深300。

筛选扩散指标前20%ETF策略分年度风险收益情况如下表。策略在大部分年份均能获得超额收益，自2023年以来，策略累计收益为10.01%，低于可投资ETF等权组合0.97%，超沪深300组合3.51%。  

回测期内，策略的绝对胜率为54.92%，相对可投资ETF等权胜率为50.87%，相对沪深300胜率为52.70%，均超50%。

筛选扩散指标前20%中信一级行业ETF策略每期ETF数量如下图。每期持仓ETF个数在2~5个之间，近一年持仓ETF为5个。

筛选扩散指标前20%中信一级行业ETF策略每期持仓ETF简称统计如下表。

3.2.2. 筛选扩散指标排名前5中信一级行业对应ETF策略回测结果

自2018年12月28日至2023年4月7日，筛选扩散指标排名前5中信一级行业对应ETF策略回测结果如下。

筛选扩散指标排名前5中信一级行业对应ETF策略累计风险收益情况如下表。回测期内，策略年化收益率为27.98%，显著高于可投资ETF等权以及沪深300年化收益，超额收益分别为12.91%和18.49%。策略最大回撤为-35.81%，年化波动率为0.25，夏普比率为1.06，calmar为0.78。

筛选扩散指标排名前5中信一级行业对应ETF策略分年度风险收益情况如下表。除2023年策略分年度累计收益率略低于可投资ETF等权收益，其余年份策略均能稳定获得超额收益。自2023年以来，累计收益为10.01%，略低于可投资ETF等权0.97%，超沪深300收益为3.51%。

回测期内，筛选扩散指标排名前5中信一级行业对应ETF策略绝对胜率为54.44%，相对可投资ETF等权胜率为53.09%，相对沪深300胜率为53.96%，均超50%，盈亏比约为1。

策略每期持仓ETF简称如下表。可以看出策略的持仓选择具有一定的延续性，同一个ETF往往持有数月，策略年均双边换手率 为6.98，相对不高。

3.2.3. 敏感性分析

不同ETF数量参数下分年度收益情况如图所示，总体来看，不同参数下策略年化收益较为平稳。

4. 方法2：依据ETF跟踪指数的扩散指标进行ETF轮动

4.1. 方法介绍

策略初始ETF基金池为：以wind股票型ETF中的全部行业ETF和主题ETF（剔除宏观主题ETF）作为初始ETF基金池。具体策略如下：

（1）每月底筛选过去20天成交量均值大于50万的行业/主题ETF；

（2）对于跟踪标的指数相同的ETF，只保留过去20天成交量最高的一个；

（3） 计算每个行业/主题ETF跟踪标的的扩散指标；

（4） 根据跟踪标的指数统计中信一级行业持仓及权重，对于第一大持仓中信一级行业相同的ETF，仅保留扩散指标最高的一个；

（5） 按照行业/主题ETF跟踪标的的扩散指标，等权配置扩散指标最高的前n%或top N个基金；

（6） 暂不考虑交易成本。

4.2. 回测结果

4.2.1. 筛选跟踪标的指数扩散指标前20%ETF策略

自2018年12月28日至2023年4月7日，筛选跟踪标的指数扩散指标前20%ETF策略回测结果如下。

筛选跟踪标的指数扩散指标前20%ETF策略累计风险收益情况如下表。回测期内，策略年化收益率为27.14%，超可投资ETF等权以及沪深300分别为12.07%和19.19%。策略最大回撤为-38.47%，年化波动率0.26，夏普比率为0.98，calmar为0.71，收益风险比高于比较基准。

选扩散指标前20%ETF策略分年度风险收益情况如下表。策略在大部分年份均能获得超额收益，自2023年以来，策略累计收益为13.28%，超可投资ETF等权组合2.30%，超沪深300组合6.78%。

回测期内，策略的绝对胜率为54.25%，相对可投资ETF等权胜率为52.61%，相对沪深300胜率为54.15%，均超50%。

筛选扩散指标前20%ETF策略每期ETF数量如下图。总体变化趋势和近年来行业/主题ETF数量持续增长趋势相符。

筛选扩散指标前20%ETF策略每期持仓行业统计如下表。Top1行业持仓占比呈逐年递减态势。

4.2.2. 筛选跟踪标的指数扩散指标排名前5 ETF策略

自2018年12月28日至2023年4月7日，筛选跟踪标的指数扩散指标排名前5 ETF回测结果如下。

筛选跟踪标的指数扩散指标排名前5 ETF策略累计风险收益情况如下表。回测期内，策略年化收益率为25.29%，显著高于可投资ETF等权以及沪深300年化收益。策略最大回撤为-38.13%，大于可投资ETF等权，略微小于沪深300，年化波动率0.25大于可投资ETF等权以及沪深300，策略的风险和波动相对而言较大，但其夏普比率为0.95，calmar为0.66，远超可投资ETF等权以及沪深300。

筛选扩散指标排名前5的ETF策略分年度风险收益情况如下表。在绝大多数年份策略均能获得正的超额收益，2020年累计收益超可投资ETF等权组合32.17%，超沪深300组合40.74%。自2023年以来，累计收益为13.28%。

回测期内，筛选扩散指标排名前5的ETF策略绝对胜率为53.67%，相对可投资ETF等权胜率为54.73%，相对沪深300胜率为56.95%，均超50%。

以跟踪指数成分及权重进行统计，筛选扩散指标排名前5的ETF策略每期持仓行业统计如下表。

4.2.3. 依据跟踪标的指数扩散指标组合优化筛选ETF策略

对ETF跟踪标的的扩散指标可以视为对相应ETF的打分，因此，在上述策略的基础上，我们不采用筛选前N个ETF进行等权配置，而是采用如下方式进行组合优化筛选ETF：

其中，Fj为ETFj的得分，即ETF跟踪标的指数的扩散指标，wi,j为ETFj在行业j上的持仓权重，wi为最终组合中的ETFj权重。目标函数为ETF组合扩散指标加权得分最高。第一个约束条件为ETF组合权重之和为1；第二个约束条件为ETF组合整体在行业j上的暴露不超过20%；最后一个条件对单个ETF权重的下限做了限制。

我们在每一调仓日期使用上述优化模型对每个ETF权重进行配置，并对优化结果的ETF权重进行0.1%的阶段，即只取权重大于0.1%的ETF并重新进行权重归一化。不考虑交易成本，自2018年12月28日至2023年4月7日，策略回测结果如下：

组合优化筛选ETF策略风险收益情况如下表。回测期内，策略年化收益率为33.26%，超可投资ETF等权以及沪深300年化收益分别为18.19%和25.31%。策略最大回撤为-42.07%，年化波动率0.26，夏普比率为1.24，calmar为0.79。

策略分年度风险收益情况如下表。在回测期间内所有年份策略均能稳定获得正的超额收益，自2023年以来，累计收益为13.13%，超可投资ETF等权和沪深300收益分别为2.15%和6.63%。

回测期内，策略绝对胜率为57.05%，相对可投资ETF等权胜率为53.67%，相对沪深300胜率为56.85%，相较于筛选扩散指标排名前5的ETF策略，在盈亏比相差不大的情况下，绝对胜率和相对胜率均有所提升。

回测期内，组合优化筛选ETF策略每期ETF数量如下图。在大多数时间，组合优化模型每期选择4或5只ETF，少部分时间筛选3只ETF。

根据跟踪标的指数成分及权重统计的策略每期前四大持仓行业统计如下表。在行业暴露约束下，top1、 top2行业持仓占比始终为20%。最新一期持有的前四大行业分别为消费者服务、传媒、计算机、通信、交通运输。

4.2.4. 不同ETF数量参数敏感性分析

不同ETF数量参数下策略分年度收益情况如下图。在不同参数下，策略收益有所波动，但整体上回测期内均可获得超额收益。相较而言，使用组合优化方法年化收益最高，且回测期内每年相较于可投资ETF等权和沪深300均可获得正超额收益。

使用方法1和方法2筛选topN个ETF的年化收益比较如下。整体上，两个方法年化收益均在24%~29%，方法2的年化收益随ETF个数的增加而减少，说明方法2下的ETF排名更能体现下期收益情况。

5. 小结

本篇文章以扩散指标行业轮动策略为基础构建ETF轮动策略，分别尝试了以原始中信一级行业扩散指标行业轮动的结果配置相应行业ETF的方法（方法1）和依据ETF跟踪指数的扩散指标选取“最优”行业/主题ETF进行配置的方法（方法2）。

自2018年12月28日至2023年4月7日，方法1在筛选扩散指标排名前20%的参数下策略年化收益为25.46%，超可投资ETF等权以及沪深300年化收益分别为10.39%和16.24%；在筛选扩散指标排名前5的参数下，策略年化收益为27.98%，超可投资ETF等权以及沪深300年化收益分别为12.91%和18.49%。方法2在筛选跟踪标的指数扩散指标排名前20%的参数下，年化收益为27.14%，超可投资ETF等权以及沪深300分别为12.07%和19.19%；在筛选跟踪标的指数扩散指标排名前5的参数下，年化收益为25.29%，超可投资ETF等权以及沪深300年化收益分别为10.22%和17.34%；进一步使用组合优化进行ETF筛选和赋权后，策略年化收益为33.26%，自2023年以来，策略超可投资ETF等权以及沪深300收益分别为2.15%和6.63%。

6. 风险提示

宏观经济变化风险；政策环境超预期变动风险；指数系统性下跌风险；模型失效风险。

证券研究报告：《基于扩散指标的行业主题ETF轮动策略—基金投资策略系列研究之四》

对外发布时间：2023年4月21日

分析师：肖承志

资格编号：S0120521080003

邮箱：xiaocz＠tebon.com.cn

报告发布机构：德邦证券股份有限公司

（已获中国证监会许可的证券投资咨询业务资格）

肖承志，同济大学应用数学本科、硕士，现任德邦证券研究所首席金融工程分析师。具有6年证券研究经历，曾就职于东北证券研究所担任首席金融工程分析师。致力于市场择时、资产配置、量化与基本面选股。撰写独家深度“扩散指标择时”系列报告；擅长各类择时与机器学习模型，对隐马尔可夫模型有深入研究；在因子选股领域撰写多篇因子改进报告，市场独家见解。

林宸星，美国威斯康星大学计量经济学硕士，上海财经大学本科，主要负责大类资产配置、中低频策略开发、FOF策略开发、基金研究、基金经理调研和数据爬虫等工作，2021年9月加入德邦证券。

吴金超，清华大学硕士，南开大学本科，主要负责指数择时、行业轮动、基本面量化选股等工作，曾任职于华为技术有限公司、东北证券、广发证券，2021年11月加入德邦证券。

路景仪，上海财经大学金融专业硕士，吉林大学本科，主要负责基金研究、基金经理调研等工作，2022年6月加入德邦证券。

王治舜，香港中文大学金融科技硕士，电子科技大学金融+计算机双学士，主要负责量化金融、因子选股等工作，2023年1月加入德邦证券。