量化专题报告：ETF的聚类优选与热点趋势策略构建.pdf

量化专题报告：ETF的聚类优选与热点趋势策略构建。国内 ETF 市场处于快速发展阶段，规模增加、机构持仓占比提高。国内 ETF 市场自 2018 年开始繁荣发展，当前总规模接近 4 万亿元，与美国市场相比，后 续发力点可能在资产配置组合、创新型 ETF、主动管理向 ETF 的转型等。从持有 人角度来看，机构为主要投资者，其中公募 FOF 减少了对主动权益型基金的持 仓，且增配 ETF，其主要原因除 ETF 的工具属性外，还有对于主动基金超额收益 的讨论。

主动基金与 ETF 的业绩差异来自哪里？主动权益型基金在行业配置上赚钱， 在风格偏离上不占优，选股 alpha 稳定性较弱。其中，主动基金的风格偏离主要 由于其长期追求成长性，导致在波动率、流动性和低估性风格上的长期负收益， 且近年由于个股成长性与动量出现了一定程度的背离，在 Beta 和动量风格上的 超额收益明显放缓。此外，基金的行业配置在一定程度上依赖于市场中的行业主 线，即更容易通过集中配置获取定价权或趋势投资等方式，获得超额收益。与 ETF 相比，主动基金的超额收益一定程度上依赖于市场行业主线或成长行情，整体稳 定性相对较弱。

针对国内 ETF 跟踪指数降维的问题，报告提出“聚类-评价-趋势”三层框 架：从类型来看，当前 ETF 覆盖范围广，非货币 ETF 跟踪指数超 400 个，其中 行业 ETF 的跟踪指数接近 250 个，在一定程度上增加了投资选择的复杂度，我 们将通过聚类和优选的方式解决这一问题。

聚类分析：根据成分股相似度对 ETF 跟踪的指数进行分类。根据指数各期 成分股及其权重，采用 k-means++每半年度将各类指数按照成分股相似度划分 成若干个区间，划分结果基本符合投资概念或板块的相似度要求。其中，kmeans++通过概率化选择初始质心，确保质心之间尽量分散，覆盖不同数据分 布区域，效果明显优于传统 k-means 聚类方法。

多维评价：从指数的基本面和业绩、ETF 的费率和流动性角度进行评价和优 选。在聚类基础上，根据估值贡献影响、集中度、盈利能力、成长性的同类比较 打分剔除基本面相对较弱的指数，在剩余指数中选择长短期夏普比率更高的前 50%，对于无法获得成分数据的指数则仅根据夏普比较；此外，考虑交易成本、 流动性、跟踪紧密度，进而选出跟踪同一指数的产品中成本更低、流动性更强的 前 1-2 只产品，完成对各类 ETF 进行初步筛选。

热点趋势：通过最高价与最低价形态判断，选择当前趋势更强的 ETF 产品 构建组合。根据 K 线的最高价与最低价的上涨或下跌形态，先选出最高价与最低 价同时为上涨形态的 ETF；进一步根据最高价与最低价近 20 日回归系数的相对 陡峭程度，构建支撑阻力因子，并选择因子多头组中近 5 日换手率/近 20 日换手 率最高，即短期市场关注度明显提升的 10 只 ETF 构建风险平价组合。组合 2016 年以来年化收益 14.46%，年化波动 14.44%，年化夏普 1.0，相对于沪深 300 指 数的年化超额 12.56%，在择时和资产配置上较为准确。