2025年金融工程深度：如何从行业轮动信号构建ETF组合

一、研究背景及结论

证监会近期就《公开募集证券投资基金销售费用管理规定》公开征求意见，文件中对不再针对收取销售服 务费的份额做单独规定。此前，对于收取销售服务费的份额（C 类份额），仅要求对持续持有期少于 30 日的 投资人收取不低于 0.5%的赎回费，并将上述赎回费全额计入基金财产；此次征求意见稿统一将持有期要求增 加，对于投资者原先通过 C 类份额进行灵活短期投资的行为将产生较大影响。例如，银行、保险、FOF 和投顾 等机构投资者进行阶段性的战术资产配置，或者个人投资者通过短期纯债基金进行流动性管理，都将可能受到 一定的制约。 与此同时，对于交易型开放式指数基金（ETF）、同业存单基金、货币市场基金，基金管理人可以根据产 品投资运作特点另行约定赎回费收取标准。这意味着 ETF 投资的高效率和灵活性的优势将进一步放大，如果 规定最终落实，可能带来各类投资者组合结构的调整，进一步加强 ETF 在组合中的配置权重。因此，新规发 布后， FOF 组合未来或将以 ETF 为主要投资标的，将推进 ETF 类 FOF 产品的进一步发展。 以 2025 年中报看，我国目前以 ETF 为全部基金持仓的 FOF 共 15 只，规模共 15.94 亿元。这些全部以 ETF 为持仓的 FOF 成立时间均较晚，尚处于发展起步阶段，而随着赎回费率的改革带来的比较优势，该类品种未 来数量和规模都有望继续增长。

就构造一个 ETF 组合的方法而言，有大类资产配置、风格轮动、行业轮动和多因子选股等，在如何将行 业轮动信号落地至 ETF 组合并贴合实盘化交易的道路上，我们在行业轮动模型样本外跟踪的同时一直进行探 索，并对比了多种行业轮动信号落地 ETF 组合的优劣。本篇报告是我们过去对行业轮动信号落地至 ETF 组合 的方法进行梳理对比，并研究行业轮动模型的实盘化可能。 报告中我们会根据行业轮动信号模拟 ETF 组合的成交，我们假设在每个月的第一个交易日收盘前可以获 取行业轮动信号，从我们过往的样本外更新流程来看，当月第一天收盘前更新出当月行业轮动信号的执行率相 当高，因此这个假设实现上并不具备很大难度；因此我们会以每个月第一个交易日的收盘价结算组合持仓。在 下文中，我们会不断提到跟踪误差的概念，这里的跟踪误差指的是策略相对于行业轮动组合的超额年化标准差，因为本文主要讨论的是行业轮动组合如何落地至 ETF，因此在 ETF 策略本身的收益、回撤等绩效表现上我们 不会做更多讨论，更多讨论 ETF 策略相对于行业轮动策略之间的误差。 我们讨论了多种行业轮动信号落地 ETF的方法，发现规划求解多步骤构造行业轮动 ETF组合扩展性最强， 可结合实际资金用量和多日切片交易进行月频 ETF行业轮动，进行对行业轮动信号的跟踪误差控制。将策略 作为子策略用于全球资产配置 ETF组合，用行业轮动 ETF组合代替原有的 A 股组合，5 亿资金量下策略费后 年化收益 6.54%，夏普比 2.49，Calmar 比 2.78，同时成交冲击中位仅为 0.4%，实盘可行性极高。

二、行业轮动模型简介

中信建投金融工程及基金研究团队长期在行业轮动领域耕耘，我们的行业轮动体系月频轮动，子模块主要 涵盖宏观、财务、分析师预期、ETF 份额变动，公募基金/优选基金仓位动量、事件动量维度。

截至 2025 年 8 月底，多维复合策略 2012 年以来多头年化收益 28.6%、年化超额行业等权 20.0%、策略 2019 年以来子维度数据完整，同期策略年化超额行业等权 40.9%、月度胜率 75%，空头超额年化-3.9%、月度 胜率 66%。2024 年 10 月 31 日样本外以来策略累计收益率为 43.2%、超额行业等权 24.9%。

三、ETF 组合构建方法对比

3.1 打分法构建 ETF 组合

3.1.1 方法简介

本节我们介绍一种基于打分法的行业轮动 ETF 组合构造。在多数月份，多维度行业轮动给出的其实是 28 个行业的综合打分，打分法将每个行业的得分根据 ETF 在行业的配置进行加权计算最后得到 ETF 的总得分。 在总得分的基础上，我们根据 ETF 过去几个月的走势相似度计算 ETF 之间的余弦距离。我们设置一个空组合， 向组合中按照 ETF 得分从高到低依次添加标的，我们要求组合中的标的两两之间余弦距离高过设定阈值，在 组合的数量达到 5 个时，停止向组合中添加标的，或者无法再向组合中添加标的时循环也会终止。 我们注意到，如果当月在主动权益配置平均较小行业上有很高的行业打分，这种打分在最后的组合构建中 并不会体现出优势。举例说明：如果 A 基金持有排名第 6 行业 i30%，排名第 1 行业 j10%；B 基金持有排名第 6 行业 i20%，第 1 行业 j20%。如果行业的得分拉不开差距，排名第 1 行业的得分是 10 分，排名第 6 行业得分 9 分，那么基金 A 的得分是 3.9 分，而基金 B 的得分是 3.8 分，此时打分法倾向于选出 A 基金，这样做的后果 是组合会高配行业 i 低配行业 j，但在我们的打分体系中，得分第 1 的行业 i 理应享有更高的优先级，最后通过 得分调整反而在整体组合中对排名第 6 的行业 j 给了更多权重，这会影响这个组合的构造目的。 因此为了修正，我们修改行业得分的加权，通过幂函数进行调整，提升排名靠前的行业得分，加大排名靠 前行业和靠后行业之间的得分极差，以此来让组合更倾向于选出得分较高的行业。

我们以 0.3 距离阈值、组合数量 5 只、不做 ETF 规模剔除进行组合测试，组合年化收益 21.2%，年化跟踪 误差 7.96%，可以看到打分法 ETF 组合对行业轮动净值组合长期无法跑赢。

3.1.2 结果讨论

我们测试了多组参数观察不同参数下打分法的稳定性，在距离阈值上，距离越放松，策略平均收益越高， 而在跟踪误差上没有明显的单调性。

组合中标的数量我们测试了从 4 个到 8 个，结果显示组合个数越少，策略收益越高，而组合中标的数量少 的同时，策略的跟踪误差也会显著提升，策略整体的数量在 6 个时，组合的跟踪误差最小。

我们同样测试了对标的的规模限制，加入规模限制后，1 亿的规模限制不会对策略的收益产生太大影响， 但会影响策略的跟踪误差，当策略的规模限制提升至 2 亿后，跟踪误差也会提升到较高水平。

因此，我们认为打分法对行业轮动的整体跟踪效果并不稳定，我们当然可以选出一组参数，让组合相对行 业轮动有显著超额，例如下图的参数组（阈值 0.7，标的数量 4，规模限制 2 亿），策略在 2021 年 9 月前相对 行业轮动净值有显著超额，但在之后这种超额发生显著下跌。

以 2021 年 6 月的持仓为例来说明打分法实际落地的组合行业暴露和我们最初希望构造的组合实际上存在 差异。6 月的行业打分前五名为国防军工、电子、基础化工、纺织服装和电力设备及新能源。

而从 ETF 组合所配置军工 ETF、半导体 ETF、科技 ETF 和新能源车 ETF 的最终的暴露来看，组合在电子 的暴露为 33%，国防军工、新能源、医药和基础化工的暴露分别为 24%、15%、7%和 5%，由于纺织服装的 ETF 持仓配置较少，因此通过打分法也很难选到对应的 ETF。组合最终暴露实际上在电子和国防军工上均形成 事实超配，6 月行业平均涨幅 1.51%，电子涨幅 14.36%，国防军工涨幅 5.08%，而替补纺织服装入选的医药和 纺织服装尽管收益差异不大，均为 2.5%左右，但原始行业轮动组合中纺织服装占比为 20%，ETF 中给予医药 暴露仅有 6.8%。这种强势行业的高权重，弱势行业的剔除与低权重导致 ETF 组合即便抛去中证指数和中信行 业指数的差异，也存在较大偏离，而这种偏离在历史上相对不可控。

3.2 持仓对比法构建 ETF 组合

3.2.1 持仓对比：行业占比最高 ETF

我们尝试基于持仓对比的办法：每一期选中行业后，对所有 ETF 进行持仓对比，对每个行业都选取在该 行业占比最高的 ETF 进行配置，每一期行业轮动策略选中 5 个行业对应的 ETF 等权配置，注意到每期选取行 业对应 ETF 时可能会出现重复，例如信号给出煤炭和石油石化，但选取的 ETF 可能是同一品种，这时我们会 将选取的相同的 ETF 权重相加，此时对于煤炭和石油石化都选中的 ETF 给 40%（20%*2）的权重。

3.2.2 持仓对比：划定阈值等权/加权

我们新加入阈值的设定，对于每个行业，选择所有在该行业持仓占比超过阈值的 ETF，阈值的选取范围为 50%~90%；对于所有行业内纳入备选的 ETF，我们采用等权分配和规模加权分配的方式进行比较：等权分配 即为在对应行业中平均分配入选的 ETF，加权分配我们按照最新季报披露的规模在这些 ETF 中分配该行业的 权重。我们加入备选模式：如果某个行业没有 ETF 达到持仓阈值，则回退到原始策略，选择持仓占比最高的 ETF。

3.2.3 持仓对比：划定阈值规模/成交最高

我们按照成交量和规模进行选取，对于每个行业，同样选择所有在该行业持仓占比超过阈值的 ETF，对于 所有行业内纳入备选的 ETF，我们采用成交量选取和规模选取的方式进行比较，在每个行业的备选 ETF 中， 选择过去 5 日平均成交量最大的 ETF 或者规模最大的 ETF。

结果显示，在组合收益和跟踪误差权衡间，设定行业持仓阈值在 70%比较合适，此时跟踪误差相对较小， 而具体选取规模最大的 ETF还是成交量最大的 ETF之间并没有显著差异，选取规模/成交量最大的单只 ETF 要稍好于用超过阈值的所有可选 ETF进行加权。

3.3 基于规划求解的多步骤行业轮动 ETF 组合

3.3.1 方法简介

我们在本节提出以规划求解的思路构造行业轮动 ETF，目标因子规划求解法将最终基金组合在各个行业的 暴露尽量控制相等，同时使得组合整体目标因子最大。 在基金池的选择上，我们选取成立超过 6 个月的 ETF，使用该限制主要取决于目标因子的构造，后面我们 会根据目标因子构造的不同而调整成立时间的阈值。 具体步骤上，首先计算基金池中各基金在行业上的暴露以及 ETF 对应的因子。在规划求解中，将因子最大作为目标函数。

3.3.2 结果讨论

整体规划求解策略分为三层，第一层我们使用规划求解，但是规划求解在某些情况下可能会无解，尽管我 们将约束条件层层放松，但在最为宽松的条件下，由于行业选择和 ETF 市场的结构性不匹配也会导致无解情 形的发生。这种情况下我们使用超过行业占比 70%，成交量最大的 ETF 构造方式进行组合构造。同样的，如 果不存在行业占比超 70%的基金，我们会使用最朴素的寻找最大持仓占比 ETF 进行配置。

可以看到，Alpha 因子能够一定程度上体现子行业动量的效应，尽管这种效应在 6 个月回看期计算并不明 显，而跟踪误差因子能够保留较小的相对行业轮动（中信一级行业指数）的跟踪误差，折溢价相对而言并没有 显著的体现出强度，不管是在收益还是跟踪误差上均不强。

我们对可能影响收益的参数进行了测试，可以看到参数对于收益的影响并不明显，1 个月的行业内动量和 12 个月的行业内动量效果较好，在最终收益的加成上并不高，20 日的折溢价平均比 1 日和 5 日的折溢价平均 更好，这和我们之前研究的结论类似。

四、实盘可行性分析

4.1 成交冲击及资金容量测试

我们在之前的章节中讨论了几种行业轮动落地至 ETF 的方案，但在实际操作过程中，我们会发现多数策 略的实盘操作空间并不大。 我们假设每次调仓时资金为 1 亿，按照调仓日资金在每个品种的交易比例（包括买入和卖出）分配每只 ETF 实际承受的成交额，然后我们用 ETF 实际承受的成交额除以该 ETF 当日真实成交金额算作当日的成交冲 击，类似木桶短板效应类似，冲击中影响最大的实际上是 ETF 成交金额最少，但组合在该品种交易金额相对 最大的情况，因此我们计算每个调仓日成交冲击最大值序列算作该策略的成交冲击情况。如果当月选中了完全 没有成交的 ETF，那么用 9999 来代替缺省值。行业轮动策略从 2024 年 10 月开始样本外跟踪，我们主要查看 对应时间段的成交可行性。

可以看到，不管是占比最高，还是设定阈值，都无法消除选中小规模基金带来的冲击，相较而言比较有效 的是直接剔除 2 亿以下规模的 ETF，剔除规模后，成交中位冲击依然达到 90%。 使用规划求解方式构造 ETF 组合的好处便在于可以将成交因素加入模型，我们将成交约束加入规划求解： 假设每次投入的资金量为 M，组合配置单只 ETF 的权重是 P，那么要求投入在组合内标的 ETF 的金额 MP 不 超过该 ETF 过去 10 日最小交易额的 20%。如果是非规划求解完成 ETF 组合的填充，那么我们要求筛选后的 ETF 过去 10 日的最小交易金额不小于 M，在此基础上，如果存在在行业配置超过 70%的 ETF，我们选取成交 最高的品种，如果不存在，我们选取在该行业占比最高的品种。

我们以目标因子为跟踪误差的规划求解方式为例，测试在不同资金水平下，策略的资金冲击以及效果。

通过分析成交占比超过 20%的明细，我们发现在资金规模较小时，在农业等行业 ETF 的冲击可能会较大， 当策略资金较大时，策略倾向于选择宽基类 ETF，此时尽管成交占比较高但实际可购买标的较多，交易成本整 体可控。 策略随着使用资金量从 1000 万上涨至 5 亿时，策略冲击逐渐提升，1000 万资金量时，成交冲击中位约为 12%，而资金量上涨至 5 亿时，成交冲击中位数上涨至 15%。

由于我们针对成交对策略落地的随着资金量上升，策略的收益在 5000 万级别受到了冲击，其余资金级别 下年化收益影响在±4%，而随着资金量上涨，跟踪误差逐渐提升。在 5 亿规模时，跟踪误差接近 10%。 我们将 ETF 组合构造的方式分为三层，使用数字 1、2、3 来表示构造的方式，1 表示规划求解，2 表示设 定成交量阈值和持仓行业占比阈值后以最高成交，3 表示设定成交量阈值以最高持仓占比构造，资金量在 1000 万时，多数时间段均以规划求解构造，随着资金量提升，5 亿资金量时，均使用设定成交量阈值最高持仓占比 成交，说明同时满足过去 10 日最小成交量 5 亿同时具备单一行业属性的 ETF 几乎不存在。因此，跟踪误差也随着资金量的上升而逐步上升，随着资金量的逐渐抬升，后续均会以数字 3 对应的构造方式进行组合构建，在 跟踪误差的控制上也会逐渐变弱。 需要注意的是，1000 万和 5000 万的构造均以规划求解为主，体现了规划求解方法的容量极限，而从 1 亿 资金量开始规划求解已经无法完成，均以持仓对比完成。

4.2 多日切片交易优化

我们假设在成交时采用切片成交的方法，每次调仓使用 N 日完成，即将原来每次调仓所使用的资金降为 1/N，而每次投入在组合内标的 ETF 的金额 MP 改为不超过该 ETF 过去 10 日最小交易额的 10%*N。我们以 2 亿资金为例，测试 N 为 3 或者 5，策略的收益并未受太大影响，但跟踪误差显著提升。

在成交冲击上，2 亿的成交冲击显著减小，3 日切片中位数从 16%下降至 4.6%，5 日切片中位数下降至 3.4%。

4.3 成交费率影响

我们假设成交成本为双边万四，滑点千分之五，以 2 亿资金量，3 天切片成交为例。策略 2024（10 月后） 年双边换手 5.55 倍，2025 年（截止 8 月）双边换手 8.76。交易费率对策略年化收益影响约为 4.25%。

4.4 作为配置中权益策略替代效果

通过以上研究，我们发现实盘假设下，行业轮动 ETF 组合面临策略规模有限的问题，解决这个问题的方 法之一是将其看作子策略，通过资产配置发挥其权益进攻属性。 我们引用报告《基金配置系列：基于宏观状态识别的多资产配置 ETF 组合》中的结论，每个月配置黄金、 债券、美股、港股和 A 股，我们将 A 股权重替换为 5000 万资金量、3 日切片交易的行业轮动 ETF 组合，我们 使用出于简便考虑，黄金、债券、美股、港股分别按照如下对应配置。为了展示策略作为子策略的效果，我们 回测从 2018 年开始，此时所有 ETF 品种均成立。

我们测试了 1%、3%、5%、10%、15%和 20%目标波动率的组合，行业轮动 ETF 均以切片成交，大类资 产类 ETF 不进行切片成交，同样假设双边万四，滑点千五的设置进行扣费回测。

扣费后，目标波动率为 3%的组合下策略能够实现 2.78 的 Calmar 比和 2.49 的夏普比。在实际可成交性上， 以 3%目标波动率为例，假设整体组合资金量为 5 亿，整体成交冲击中位约为 0.7%，在 2021 年前，会因为 10 年国债 ETF 的成交额不足而导致冲击较高，中位冲击为 1.5%，并且有成交额超过 ETF 限定成交额的情况发生， 这种情况可以通过切片和寻找替代债券类 ETF 进行解决，但势必对策略收益造成影响。2021 年后，冲击下降， 中位冲击为 0.04%，不存在冲击大于 1 的月份，实盘可行性较高。

结合以上研究我们发现，行业轮动 ETF组合资金容量越高，整体对行业轮动信号的跟踪误差就越大，以 5000 万规模作为资产配置子策略可以支撑整体策略扣费后依然有较好收益和超过 5 亿的规模容量。

五、结论

本文从《公开募集证券投资基金销售费用管理规定》中赎回费率相关条款会影响未来 FOF 业务在 ETF 产 品的投资比重开始，结合团队过去在行业轮动领域的研究，对行业轮动信号如何构造 ETF 组合展开了讨论研 究。包括基于打分法、持仓对比法和规划求解法的组合构建策略，并进一步结合实盘交易约束进行了可行性分 析。 打分法虽在一定程度上可实现行业轮动信号的传递，但其跟踪误差较大，参数敏感性高，组合行业暴露易 偏离目标配置，稳定性较差，不适合作为实盘策略的主流方法。持仓对比法通过直接匹配行业与 ETF 持仓， 在控制跟踪误差方面表现更优，但在实盘中易受小规模 ETF 流动性限制，成交冲击显著，进行调整和规模限 制后能够有明显改善。规划求解法通过优化标的和中信行业指数的跟踪误差，在 ETF 策略和行业轮动策略的 跟踪误差以及拓展性上有显著优势。 我们基于规划求解法和调整的持仓对比法构造了多层次的 ETF 构造方案，结合成交约束与多日切片成交 方式，可有效降低单日冲击，提升策略的可执行性。尤其是在 2 亿资金规模下，采用 3 日或 5 日切片可在对策 略收益不进行较大影响的情况下将成交冲击中位数降至 5%以下，显著提升策略的实盘适用性。基于双边万四 和滑点千五的费率假设下，策略 3 日切片交易每年扣费影响为 4.25%。 在 5 亿资金量测算的目标波动率为 3%的全球资产配置 ETF 组合中，用行业轮动 ETF 组合代替原有的 A 股 组合，策略费后年化收益 6.54%，夏普比 2.49，Calmar 比 2.78，实盘可行性极高。 综合来看，ETF 作为机构投资者投资的重要工具，伴随着我国公募基金市场法律法规的完善和投资者教育 的进步，未来依然具有较大发展潜力，利用 ETF 进行行业轮动在收益和实盘可操作性上均有较好前景。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）