【广发金工|基金研究】基于场内基金的权益指数轮动及多资产配置策略:基金产品专题研究系列之四十一
（以下内容从广发证券《【广发金工|基金研究】基于场内基金的权益指数轮动及多资产配置策略:基金产品专题研究系列之四十一》研报附件原文摘录）
摘 要 基于场内基金的权益指数轮动及多资产配置策略： 随着A股市场权益指数基金的快速发展，当前可通过场内基金进行投资的指数类别逐渐丰富，通过场内基金实现指数轮动策略的可行性也逐渐提高。本文中，我们从权益指数的轮动出发，从多个维度出发定量构建指数指标，以此构建权益指数轮动策略，并通过场内基金实现权益指数轮动策略；进一步地，我们结合大类资产配置模型，通过场内基金实现多资产配置策略。 从多维度定量指标出发构建权益指数轮动策略： 我们筛选出当前存在被动产品跟踪的权益指数，并基于成分股明细以及指数价格数据分别构建历史基本面、资金流、一致预期、宏观、动量、风格等6个维度的指标，并测试单个指标及多个指标共同筛选指数的效果。从回测结果来看，历史上多指标指数组合超额收益明显，分档单调性显著。进一步地，对于相同类型的指数，我们同样可以通过该方法从中进行优选。 通过场内基金实现权益指数轮动策略： 当前A股市场场内基金主要为ETF、LOF，其中ETF的流动性整体来看相对较好。我们根据规模、流动性、存续时间等条件筛选场内基金，并将这些产品的跟踪指数作为可投资指数；而后，我们对于各个可投资指数多维度定量构建指标，并筛选综合得分在前20%的指数；最终，我们在选择这些指数的对应场内基金标的构建组合，同时限制组合中同类产品的数量上限。历史上来看，场内基金权益指数轮动组合相对于可投资指数整体获得了较为明显的超额收益，且收益表现对于参数的敏感性相对较低。 通过场内基金实现多资产配置策略： 结合大类资产配置模型以及权益指数轮动模型，我们通过场内基金实现多资产配置策略。大类资产配置模型方面，我们主要从两个视角：宏观视角、技术视角出发对于各个大类资产进行以月度为频率的定量打分，并根据得分进行资产配置权重的动态调整。具体策略上，我们对应于不同的风险水平设定不同的权益配置比例中枢，并以场内基金权益指数轮动组合作为组合中权益资产的具体配置标的。从回测结果来看，历史上不同风险水平的场内基金多资产组合均获得了较为可观的收益，同时整体风险相对可控。 正 文 一、基于场内基金的权益指数轮动及多资产配置策略 1.1 权益指数基金以及权益指数统计 近年来，A股市场权益指数基金市场迎来了快速发展，总规模从2016Q4的0.32万亿元上升至2021Q4的1.50万亿元。(本文中的权益指数基金为：被动指数型基金、指数增强型基金，不包含非权益基金、QDII基金以及ETF联接基金。) 从指数的具体类型来看，此处我们将A股市场当前存在产品跟踪的权益指数进行分类，具体分为：宽基指数、行业指数、主题指数以及SmartBeta指数，对于行业指数以及主题指数，我们将进一步根据其行业主题的类型进行分类。从统计结果来看，截至2021Q4，当前宽基指数、行业指数、主题指数、SmartBeta指数分别有62只、59只、207只、70只。 在行业指数、主题指数中，我们进一步将指数分为：TMT、消费、周期、制造、大金融、医药、新能源、军工等具体行业主题。从统计结果来看，截至2021Q4，当前存在产品跟踪的行业主题权益指数中，TMT、消费、医药指数的数量相对较多。 1.2 从权益指数轮动出发，通过场内基金构建指数轮动策略 本文中，我们从6个维度出发构建指数轮动策略，分别为：历史基本面、资金流、一致预期、宏观、动量以及风格。对于不同的考察维度，我们将根据不同的数据出发构建具体指标，并测试不同指标在指数筛选问题上的有效性以及指标之间的相关性，最终根据多个指标的综合结果构建指数轮动策略。在此基础上，我们通过场内基金(ETF、LOF)实现指数轮动策略的具体落地。 具体来看，首先我们筛选出当前存在被动产品跟踪的权益指数，并基于指数成分股明细以及指数价格数据分别计算历史基本面、资金流、一致预期、宏观、动量、风格等6个维度的指标；而后，我们测试单个指标筛选指数的效果，并结合指标之间的相关性，构建多指标指数轮动策略；最后，我们基于跟踪产品的规模、流动性、存续时间等因素，筛选当前可通过场内基金进行投资的指数标的，通过对应场内基金构建权益指数轮动策略。进一步地，我们将结合大类资产配置的模型，通过场内基金构建多资产配置策略。 二、从多维度定量指标出发构建权益指数轮动策略 2.1 指数指标的构建以及测试方法 本章中，我们筛选出当前存在被动产品跟踪的权益指数，并基于指数成分股明细以及指数价格数据分别计算历史基本面、资金流、一致预期、宏观、动量、风格等6个维度的指标，并测试单个指标及多个指标共同筛选指数的效果。此处，我们剔除部分无法获得成分股明细数据的指数，以及不以A股作为主要组成部分的指数。 在具体的测试中，我们以2013.1-2021.12作为测算区间，以月度作为换仓频率，在每个月末的换仓时点根据单个指数指标将所有指数分为10档，第1档及第10档分别为多头组合及空头组合，滚动计算单指标指数组合的业绩表现。组合收益计算中，我们将采用指数对应的全收益指数进行计算，如果无对应全收益指数，则我们采用原始的价格指数进行测算。 2.2 历史基本面指标：ROETTM环比变化、净利润增速TTM 本节中，我们分别测试两个历史基本面指标——ROETTM环比变化及净利润增速TTM指标的有效性。此处，我们定义ROETTM环比变化指标为： 其中指数的ROETTM数据根据加权整体法进行计算，tq为最新已公布定期报告的季度报告期时点，t为最新月度时点。 从回测的结果来看，ROETTM环比变化指标具有较好的指数筛选效果。在回测区间内，多头组合的累计收益率为321.65%，同期整体平均以及空头组合的累计收益率分别为156.58%、76.97%。 此处，我们定义净利润增速TTM指标为： 其中，tq为最新已公布定期报告的季度报告期时点，t为最新月度时点，Wit为个股在指数中的权重。 从回测的结果来看，净利润增速TTM指标同样具有较好的指数筛选效果。在回测区间内，多头组合的累计收益率为441.36%，同期整体平均以及空头组合的累计收益率分别为156.58%、18.54%。 2.3 资金流指标：主动资金流入市值比 本节中，我们测试资金流指标——主动资金流入市值比的有效性，研究主动净买入额对于指数业绩表现的影响。此处，我们定义主动资金流入市值比指标为： 其中，主动流入资金额仅统计大单及超大单的数据，t为最新月度时点，Wit为个股在指数中的权重。 从回测的结果来看，主动资金流入市值比指标具有较好的指数筛选效果。在回测区间内，多头组合的累计收益率为560.74%，同期整体平均以及空头组合的累计收益率分别为156.58%、64.72%。 2.4 一致预期指标：一致预期利润增速 本节中，我们测试一致预期指标——一致预期利润增速的有效性。在具体指标构建的问题上，我们分3步进行：首先，我们在每个月末时点回溯历史6个月中的所有机构对于单只个股所发布的盈利预测；而后，如果历史6个月中有3家及以上数量的机构对于某只个股进行预测，则我们将所有机构的盈利预测取平均，反之则不考虑该个股的盈利预测数据；最后，如果某个指数的成分股中，考虑盈利预测数据的成分股的权重之和超过90%，则我们根据盈利预测计算该指数的一致预期指标。 在预测年度的问题上，随着预测年度年报的发布的临近，预测数据所提供的信息增量往往会有所下降。基于此，我们尝试对于月份进行切分，提高预测信息中所包含的信息增量：在T年的4-12月，我们计算T年的一致预期利润与T-1年年报公布利润的增幅，即FY1利润增速；而在T年的1-3月，我们计算T年的一致预期利润与T-2年年报公布利润的增幅，即FY2利润增速。 举例来看，在2021年5月，我们计算2021年的一致预期利润与2020年年报公布利润的增幅，即FY1利润增速；而在2022年1月，我们则计算2022年的一致预期利润与2020年年报公布利润的增幅，即FY2利润增速。 此处，我们定义一致预期利润增速指标为： 其中，ty为最新已公布的年报时点，t为最新月度时点，Wit为个股在指数中的权重。 从回测的结果来看，一致预期利润增速指标具有较好的指数筛选效果。在回测区间内，多头组合的累计收益率为313.10%，同期整体平均以及空头组合的累计收益率分别为156.58%、95.22%。 2.5 宏观指标：工业企业利润增速 本节中，我们测试宏观指标——工业企业利润增速指标的有效性。此处我们借助国家统计局月度公布的分行业工业企业利润累计数据，该数据覆盖约40余个工业细分行业。由于该数据覆盖的证监会行业仅限于工业企业，部分行业可能无法找到对应的利润数据。 在具体指标构建的问题上，首先我们考虑工业企业利润发布的1月时滞，并将累计数据进行差分，得到每月的工业企业利润数据；而后，我们计算每个工业细分行业t-11月至t月的累计利润相比于t-12至t-1个月累计利润的增幅；最后，如果某个指数的成分股中，属于证监会工业细分行业的成分股的权重之和超过50%，则我们计算该指数的工业企业利润增速指标。 此处，我们定义指数的工业企业利润增速指标为： 其中，t为最新月度时点，W_(i,t)为个股在指数中的权重。 从回测的结果来看，工业企业利润增速指标具有较好的指数筛选效果。在回测区间内，多头组合的累计收益率为292.18%，同期整体平均以及空头组合的累计收益率分别为156.58%、48.82%。 2.6 动量指标：风格剥离超额收益信息比 本节中，我们测试动量指标——风格剥离超额收益信息比的有效性。在具体指标构建的问题上，我们根据指数历史6个月的日频涨跌幅数据，采用参考Sharpe于1992年提出的回归模型，通过净值回归来剥离风格。具体模型形式如下： 其中，Rit为单个指数的日频涨跌幅；F1t,F2t,F3t,F4t分别为大盘价值、大盘成长、小盘价值、小盘成长指数的日频涨跌幅；βi1,βi2,βi3,βi4为回归系数，此处代表指数在对应风格上的暴露水平；εit为回归残差，代表指数的日频风格剥离超额收益。 此处，我们定义指数的风格剥离超额收益信息比指标为： 其中，t为最新月度时点。 从回测的结果来看，风格剥离超额收益信息比指标具有较好的指数筛选效果。在回测区间内，多头组合的累计收益率为301.95%，同期整体平均以及空头组合的累计收益率分别为156.58%、51.22%。 2.7 风格指标：指数风格匹配度 本节中，我们测试风格指标——指数风格匹配度的有效性。在具体指标构建的问题上，我们首先从市场风格的判断出发，并进一步结合指数自身的风格特征，筛选与市场风格较为匹配的指数。 在市场风格判断的问题上，本文中我们分别选择国证成长以及国证价值指数代表成长、价值风格的整体情况。从历史上来看，在货币信贷扩张的阶段内，成长风格往往比较较好，反之价值风格有望获得超额收益。 此处我们以国证成长、国证价值指数构建月度调仓的风格组合，并以国证成长*50%+国证价值*50%作为风格组合基准。如果最新货币信贷指标环比向上，则下1个自然月全部配置成长指数；反之则下1个自然月全部配置价值指数。 从历史回测结果来看，基于社融存量同比、M1同比、M2同比-M1同比等3个货币信贷指标的风格组合长期获得了较为稳定的超额收益；在考虑该3个指标均为向上或者向下才触发信号的情况下，风格组合超额收益的稳定性进一步有所提升。 在风格判断的基础上，我们进一步研究各个指数自身的风格特征情况。此处我们从指数的成分股出发，根据成分股的风格得分，结合其在指数中的权重加权计算得到指数的风格得分。具体来看，对于价值风格，我们取成分股的账面净值/市值、盈利ttm/市值以及经营性现金流ttm/市值；对于成长风格，我们取成分股的ROEttm、近3年主营业务收入增长率平均值，以及近3年归母扣非净利润增长率平均值。最终，我们综合考虑3个货币信贷指标的变化方向，并结合指数的风格得分构建指数风格匹配度指标。 此处，我们定义指数的指数风格匹配度指标为： 其中，t为最新月度时点。 从回测的结果来看，指数风格匹配度指标具有较好的指数筛选效果。在回测区间内，多头组合的累计收益率为727.24%，同期整体平均以及空头组合的累计收益率分别为156.58%、-16.14%。 2.8 多指标权益指数组合 本节中，我们基于2.1-2.7节的测试方法以及测试结果，尝试根据多个指标的整体情况进行构建权益指数轮动策略。从各个指数指标的相关性来看，除了历史基本面中的ROETTM环比变化、净利润增速TTM指标的相关性较高，其余指标之间两两的相关性均处于相对较低的水平。基于此，在指标加权的问题上，我们给与ROETTM环比变化、净利润增速TTM这2个指标共计1/6的权重，并分别给予其它5个指标各自1/6的权重。在具体指数得分的计算上，我们根据不同指标进行排序，分别给予0-1之间的得分，并根据对应指标的权重加权求和。 从多指标权益指数轮动组合的回测结果来看，综合考虑多个指标的权益指数轮动策略获得了较为可观的收益。在回测区间内，多头组合的累计收益率为915.52%，同期整体平均以及空头组合的累计收益率分别为156.58%、-10.11%。从组合的分档累计收益的情况来看，不同分档组合的业绩表现同样呈现出较为明显的单调性。 进一步地，对于不同类型的指数，我们同样通过多指标的综合结果在同一类型的指数之中进行优选。考虑到不同类型指数的数量以及存续时间，此处我们以2015.12-2021.12作为回测区间，以月度作为调仓频率，分5档进行测算。从回测的结果来看，在回测区间内，不同类型指数的多头组合均跑赢同期同类指数整体平均以及空头组合的表现，一定程度上说明根据多指标进行指数的筛选同样能够帮助我们在同类指数中筛选出未来表现较好的指数。 三、通过场内基金实现权益指数轮动策略 3.1 A股市场场内权益基金整体情况 本节中，我们统计A股市场场内基金——ETF、LOF的规模、产品线及流动性的整体情况。从规模上来看，近年来ETF的规模上市速度相对较快，LOF的发展则相对有限。(此处剔除非权益基金、QDII基金以及主动投资LOF。) 截至2021Q4，当前ETF的跟踪指数主要为宽基指数以及行业主题指数，两者合计总规模均为9000亿；当前LOF的跟踪指数主要为行业主题指数。具体来看，宽基指数ETF中，跟踪沪深300、中证500、上证50指数的规模位居前3；行业主题指数ETF中，跟踪大金融、TMT、新能源相关指数的规模位居前3；SmartBeta指数ETF中，跟踪红利相关指数的规模相对较大。 场内基金流动性方面，我们分别统计ETF、LOF在2021年全年的日均成交额情况。从统计结果来看，ETF方面，日均成交额在1亿以上的ETF共有41只，0.5亿-1亿的ETF共有18只，0.1亿-0.5亿的ETF共有71只，整体流动性水平分化较大；LOF方面，仅有两只LOF的日均成交额在0.1亿以上，整体流行性水平较为有限。 3.2 基于场内基金构建权益指数轮动组合 本节中，我们通过规模、流动性、存续时间满足一定条件的场内基金，实现第二章中构建的多指标指数轮动策略。具体来看，首先我们筛选满足一定条件的场内产品，并将这些产品的跟踪指数作为可投资指数；而后，我们根据第二章中的方法，计算各个可投资指数的指标，并筛选综合得分在前20%的指数；最终，我们在选择这些指数的对应场内基金标的构建组合，同时对于组合中基金数量的上限，相同宽基指数、同类行业主题、SmartBeta指数所对应的产品数量进行约束。 此处，我们在每个月度换仓时点要求场内基金的最新规模大于3亿、近1月日均成交额大于0.1亿、存续时间大于90天、且不为转型基金，并约束组合中最大基金数量为8只，相同宽基指数、同类行业主题、SmartBeta指数所对应的产品数量最多为1只。 从回测的结果来看，在2013.12-2021.12的回测区间内，场内基金多头组合的累计收益率为543.55%，同期可投资指数整体平均以及空头组合的累计收益率分别为142.08%、53.96%。分年度来看，除2016年以外，场内基金多头组合在回测区间内的其余年份中军跑赢了同期可投资指数的整体表现。 此处，我们通过场内基金筛选中对于规模、流动性的考察阈值，以及最终组合中持仓基金数量的上限，研究不同阈值对于组合业绩表现的敏感性。从统计的结果来看，整体上组合业绩对于规模阈值、持仓基金数量上限的阈值并不敏感，而对于场内基金流动性的阈值可能相对较为敏感。整体来看，由于A股市场当前场内基金的流动性仍然相对有限，提高对于流动性的要求可能会大幅降低可投资标的的数量，进而削弱组合的业绩表现。 四、通过场内基金实现多资产配置策略 4.1 基于宏观指标、技术指标的动态大类资产配置 本章中，我们结合大类资产配置模型以及权益指数轮动模型，通过场内基金实现多资产配置策略。大类资产配置模型方面，我们主要从两个视角：宏观视角、技术视角出发对于各个大类资产进行以月度为频率的定量打分，并根据得分进行资产配置权重的动态调整。 在具体资产配置策略的构建中，我们采用万得全A指数代表权益资产，采用当前流动性较好的ETF所跟踪的上证10年期国债指数、中证短融指数来分别代表债券资产、货币资产。此处我们将基准组合设置为(万得全A*50%+上证10年期国债*50%)，在每个月月末的换仓时点，我们基于宏观指标和技术指标的最新信号计算各个大类资产的得分，按以下方法调整组合的权重： 其中，t为最新月度时点。 从资产配置组合回测的结果来看，在2013.12-2021.12的回测区间内，基于宏观指标以及技术指标的资产配置组合的累计收益率为175.08%，同期基准组合的累计收益率分别为105.44%。分年度来看，基于宏观指标以及技术指标的资产配置组合在不同年份均跑赢同期基准组合的表现。 4.2 结合大类资产配置模型，构建场内基金多资产组合 本节中，我们结合大类资产配置以及权益指数的轮动模型。在每个月末换仓时点，首先我们根据不同风险水平，分别设定权益中枢为30%、50%、70%(即基准股债比为3：7、5：5、7：3)，对应权益调整范围为中枢上下浮动20%；而后，我们根据4.1中的方法，基于宏观指标和技术指标的最新信号，计算不同风险水平下各个大类资产的配置权重；最后，我们采用3.2中的场内基金权益指数组合来代替权益部分的仓位，而在债券、货币部分仍然采用上证10年期国债指数以及中证短融指数进行计算。 从回测的结果来看，在2013.12-2021.12的回测区间内，对应权益中枢为30%、50%、70%的组合的累计收益率分别为232.52%、352.65%、500.19%。2021年全年，3个组合的累计收益率分别为9.19%、13.20%、17.19%。 进一步地，我们对于不同风险水平下场内基金多资产组合的业绩进行归因，将其相对于基准的超额收益分解为大类资产配置收益以及权益指数轮动收益。此处，我们以月度作为归因的频率，并将不同月度的归因结果采用Carino方法进行加总。 从场内基金多资产组合业绩归因的结果来看，权益中枢为30%、50%、70%的多资产组合的收益来源主要为权益指数轮动，而大类资产配置则分别贡献了69%至106%不等的收益。从大类资产配置、权益指数轮动两者月度收益贡献的相关性来看，对应不同的风险水平，两者之间的相关系数均处于较低水平。 风险提示：本文仅在合理的假设范围讨论，文中数据均为历史数据，基于模型得到的相关结论并不能完全准确的刻画现实环境以及预测未来。 详细研究内容请参见广发金工专题报告 《基于场内基金的权益指数轮动及多资产配置策略：基金产品专题研究系列之四十一》 法律声明： 本微信号推送内容仅供广发证券股份有限公司（下称“广发证券”）客户参考，其他的任何读者在订阅本微信号前，请自行评估接收相关推送内容的适当性，广发证券不会因订阅本微信号的行为或者收到、阅读本微信号推送内容而视相关人员为客户。 完整的投资观点应以广发证券研究所发布的完整报告为准。完整报告所载资料的来源及观点的出处皆被广发证券认为可靠，但广发证券不对其准确性或完整性做出任何保证，报告内容亦仅供参考。 在任何情况下，本微信号所推送信息或所表述的意见并不构成对任何人的投资建议。除非法律法规有明确规定，在任何情况下广发证券不对因使用本微信号的内容而引致的任何损失承担任何责任。读者不应以本微信号推送内容取代其独立判断或仅根据本微信号推送内容做出决策。 本微信号推送内容仅反映广发证券研究人员于发出完整报告当日的判断，可随时更改且不予通告。 本微信号及其推送内容的版权归广发证券所有，广发证券对本微信号及其推送内容保留一切法律权利。未经广发证券事先书面许可，任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用，否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。
摘 要 基于场内基金的权益指数轮动及多资产配置策略： 随着A股市场权益指数基金的快速发展，当前可通过场内基金进行投资的指数类别逐渐丰富，通过场内基金实现指数轮动策略的可行性也逐渐提高。本文中，我们从权益指数的轮动出发，从多个维度出发定量构建指数指标，以此构建权益指数轮动策略，并通过场内基金实现权益指数轮动策略；进一步地，我们结合大类资产配置模型，通过场内基金实现多资产配置策略。 从多维度定量指标出发构建权益指数轮动策略： 我们筛选出当前存在被动产品跟踪的权益指数，并基于成分股明细以及指数价格数据分别构建历史基本面、资金流、一致预期、宏观、动量、风格等6个维度的指标，并测试单个指标及多个指标共同筛选指数的效果。从回测结果来看，历史上多指标指数组合超额收益明显，分档单调性显著。进一步地，对于相同类型的指数，我们同样可以通过该方法从中进行优选。 通过场内基金实现权益指数轮动策略： 当前A股市场场内基金主要为ETF、LOF，其中ETF的流动性整体来看相对较好。我们根据规模、流动性、存续时间等条件筛选场内基金，并将这些产品的跟踪指数作为可投资指数；而后，我们对于各个可投资指数多维度定量构建指标，并筛选综合得分在前20%的指数；最终，我们在选择这些指数的对应场内基金标的构建组合，同时限制组合中同类产品的数量上限。历史上来看，场内基金权益指数轮动组合相对于可投资指数整体获得了较为明显的超额收益，且收益表现对于参数的敏感性相对较低。 通过场内基金实现多资产配置策略： 结合大类资产配置模型以及权益指数轮动模型，我们通过场内基金实现多资产配置策略。大类资产配置模型方面，我们主要从两个视角：宏观视角、技术视角出发对于各个大类资产进行以月度为频率的定量打分，并根据得分进行资产配置权重的动态调整。具体策略上，我们对应于不同的风险水平设定不同的权益配置比例中枢，并以场内基金权益指数轮动组合作为组合中权益资产的具体配置标的。从回测结果来看，历史上不同风险水平的场内基金多资产组合均获得了较为可观的收益，同时整体风险相对可控。 正 文 一、基于场内基金的权益指数轮动及多资产配置策略 1.1 权益指数基金以及权益指数统计 近年来，A股市场权益指数基金市场迎来了快速发展，总规模从2016Q4的0.32万亿元上升至2021Q4的1.50万亿元。(本文中的权益指数基金为：被动指数型基金、指数增强型基金，不包含非权益基金、QDII基金以及ETF联接基金。) 从指数的具体类型来看，此处我们将A股市场当前存在产品跟踪的权益指数进行分类，具体分为：宽基指数、行业指数、主题指数以及SmartBeta指数，对于行业指数以及主题指数，我们将进一步根据其行业主题的类型进行分类。从统计结果来看，截至2021Q4，当前宽基指数、行业指数、主题指数、SmartBeta指数分别有62只、59只、207只、70只。 在行业指数、主题指数中，我们进一步将指数分为：TMT、消费、周期、制造、大金融、医药、新能源、军工等具体行业主题。从统计结果来看，截至2021Q4，当前存在产品跟踪的行业主题权益指数中，TMT、消费、医药指数的数量相对较多。 1.2 从权益指数轮动出发，通过场内基金构建指数轮动策略 本文中，我们从6个维度出发构建指数轮动策略，分别为：历史基本面、资金流、一致预期、宏观、动量以及风格。对于不同的考察维度，我们将根据不同的数据出发构建具体指标，并测试不同指标在指数筛选问题上的有效性以及指标之间的相关性，最终根据多个指标的综合结果构建指数轮动策略。在此基础上，我们通过场内基金(ETF、LOF)实现指数轮动策略的具体落地。 具体来看，首先我们筛选出当前存在被动产品跟踪的权益指数，并基于指数成分股明细以及指数价格数据分别计算历史基本面、资金流、一致预期、宏观、动量、风格等6个维度的指标；而后，我们测试单个指标筛选指数的效果，并结合指标之间的相关性，构建多指标指数轮动策略；最后，我们基于跟踪产品的规模、流动性、存续时间等因素，筛选当前可通过场内基金进行投资的指数标的，通过对应场内基金构建权益指数轮动策略。进一步地，我们将结合大类资产配置的模型，通过场内基金构建多资产配置策略。 二、从多维度定量指标出发构建权益指数轮动策略 2.1 指数指标的构建以及测试方法 本章中，我们筛选出当前存在被动产品跟踪的权益指数，并基于指数成分股明细以及指数价格数据分别计算历史基本面、资金流、一致预期、宏观、动量、风格等6个维度的指标，并测试单个指标及多个指标共同筛选指数的效果。此处，我们剔除部分无法获得成分股明细数据的指数，以及不以A股作为主要组成部分的指数。 在具体的测试中，我们以2013.1-2021.12作为测算区间，以月度作为换仓频率，在每个月末的换仓时点根据单个指数指标将所有指数分为10档，第1档及第10档分别为多头组合及空头组合，滚动计算单指标指数组合的业绩表现。组合收益计算中，我们将采用指数对应的全收益指数进行计算，如果无对应全收益指数，则我们采用原始的价格指数进行测算。 2.2 历史基本面指标：ROETTM环比变化、净利润增速TTM 本节中，我们分别测试两个历史基本面指标——ROETTM环比变化及净利润增速TTM指标的有效性。此处，我们定义ROETTM环比变化指标为： 其中指数的ROETTM数据根据加权整体法进行计算，tq为最新已公布定期报告的季度报告期时点，t为最新月度时点。 从回测的结果来看，ROETTM环比变化指标具有较好的指数筛选效果。在回测区间内，多头组合的累计收益率为321.65%，同期整体平均以及空头组合的累计收益率分别为156.58%、76.97%。 此处，我们定义净利润增速TTM指标为： 其中，tq为最新已公布定期报告的季度报告期时点，t为最新月度时点，Wit为个股在指数中的权重。 从回测的结果来看，净利润增速TTM指标同样具有较好的指数筛选效果。在回测区间内，多头组合的累计收益率为441.36%，同期整体平均以及空头组合的累计收益率分别为156.58%、18.54%。 2.3 资金流指标：主动资金流入市值比 本节中，我们测试资金流指标——主动资金流入市值比的有效性，研究主动净买入额对于指数业绩表现的影响。此处，我们定义主动资金流入市值比指标为： 其中，主动流入资金额仅统计大单及超大单的数据，t为最新月度时点，Wit为个股在指数中的权重。 从回测的结果来看，主动资金流入市值比指标具有较好的指数筛选效果。在回测区间内，多头组合的累计收益率为560.74%，同期整体平均以及空头组合的累计收益率分别为156.58%、64.72%。 2.4 一致预期指标：一致预期利润增速 本节中，我们测试一致预期指标——一致预期利润增速的有效性。在具体指标构建的问题上，我们分3步进行：首先，我们在每个月末时点回溯历史6个月中的所有机构对于单只个股所发布的盈利预测；而后，如果历史6个月中有3家及以上数量的机构对于某只个股进行预测，则我们将所有机构的盈利预测取平均，反之则不考虑该个股的盈利预测数据；最后，如果某个指数的成分股中，考虑盈利预测数据的成分股的权重之和超过90%，则我们根据盈利预测计算该指数的一致预期指标。 在预测年度的问题上，随着预测年度年报的发布的临近，预测数据所提供的信息增量往往会有所下降。基于此，我们尝试对于月份进行切分，提高预测信息中所包含的信息增量：在T年的4-12月，我们计算T年的一致预期利润与T-1年年报公布利润的增幅，即FY1利润增速；而在T年的1-3月，我们计算T年的一致预期利润与T-2年年报公布利润的增幅，即FY2利润增速。 举例来看，在2021年5月，我们计算2021年的一致预期利润与2020年年报公布利润的增幅，即FY1利润增速；而在2022年1月，我们则计算2022年的一致预期利润与2020年年报公布利润的增幅，即FY2利润增速。 此处，我们定义一致预期利润增速指标为： 其中，ty为最新已公布的年报时点，t为最新月度时点，Wit为个股在指数中的权重。 从回测的结果来看，一致预期利润增速指标具有较好的指数筛选效果。在回测区间内，多头组合的累计收益率为313.10%，同期整体平均以及空头组合的累计收益率分别为156.58%、95.22%。 2.5 宏观指标：工业企业利润增速 本节中，我们测试宏观指标——工业企业利润增速指标的有效性。此处我们借助国家统计局月度公布的分行业工业企业利润累计数据，该数据覆盖约40余个工业细分行业。由于该数据覆盖的证监会行业仅限于工业企业，部分行业可能无法找到对应的利润数据。 在具体指标构建的问题上，首先我们考虑工业企业利润发布的1月时滞，并将累计数据进行差分，得到每月的工业企业利润数据；而后，我们计算每个工业细分行业t-11月至t月的累计利润相比于t-12至t-1个月累计利润的增幅；最后，如果某个指数的成分股中，属于证监会工业细分行业的成分股的权重之和超过50%，则我们计算该指数的工业企业利润增速指标。 此处，我们定义指数的工业企业利润增速指标为： 其中，t为最新月度时点，W_(i,t)为个股在指数中的权重。 从回测的结果来看，工业企业利润增速指标具有较好的指数筛选效果。在回测区间内，多头组合的累计收益率为292.18%，同期整体平均以及空头组合的累计收益率分别为156.58%、48.82%。 2.6 动量指标：风格剥离超额收益信息比 本节中，我们测试动量指标——风格剥离超额收益信息比的有效性。在具体指标构建的问题上，我们根据指数历史6个月的日频涨跌幅数据，采用参考Sharpe于1992年提出的回归模型，通过净值回归来剥离风格。具体模型形式如下： 其中，Rit为单个指数的日频涨跌幅；F1t,F2t,F3t,F4t分别为大盘价值、大盘成长、小盘价值、小盘成长指数的日频涨跌幅；βi1,βi2,βi3,βi4为回归系数，此处代表指数在对应风格上的暴露水平；εit为回归残差，代表指数的日频风格剥离超额收益。 此处，我们定义指数的风格剥离超额收益信息比指标为： 其中，t为最新月度时点。 从回测的结果来看，风格剥离超额收益信息比指标具有较好的指数筛选效果。在回测区间内，多头组合的累计收益率为301.95%，同期整体平均以及空头组合的累计收益率分别为156.58%、51.22%。 2.7 风格指标：指数风格匹配度 本节中，我们测试风格指标——指数风格匹配度的有效性。在具体指标构建的问题上，我们首先从市场风格的判断出发，并进一步结合指数自身的风格特征，筛选与市场风格较为匹配的指数。 在市场风格判断的问题上，本文中我们分别选择国证成长以及国证价值指数代表成长、价值风格的整体情况。从历史上来看，在货币信贷扩张的阶段内，成长风格往往比较较好，反之价值风格有望获得超额收益。 此处我们以国证成长、国证价值指数构建月度调仓的风格组合，并以国证成长*50%+国证价值*50%作为风格组合基准。如果最新货币信贷指标环比向上，则下1个自然月全部配置成长指数；反之则下1个自然月全部配置价值指数。 从历史回测结果来看，基于社融存量同比、M1同比、M2同比-M1同比等3个货币信贷指标的风格组合长期获得了较为稳定的超额收益；在考虑该3个指标均为向上或者向下才触发信号的情况下，风格组合超额收益的稳定性进一步有所提升。 在风格判断的基础上，我们进一步研究各个指数自身的风格特征情况。此处我们从指数的成分股出发，根据成分股的风格得分，结合其在指数中的权重加权计算得到指数的风格得分。具体来看，对于价值风格，我们取成分股的账面净值/市值、盈利ttm/市值以及经营性现金流ttm/市值；对于成长风格，我们取成分股的ROEttm、近3年主营业务收入增长率平均值，以及近3年归母扣非净利润增长率平均值。最终，我们综合考虑3个货币信贷指标的变化方向，并结合指数的风格得分构建指数风格匹配度指标。 此处，我们定义指数的指数风格匹配度指标为： 其中，t为最新月度时点。 从回测的结果来看，指数风格匹配度指标具有较好的指数筛选效果。在回测区间内，多头组合的累计收益率为727.24%，同期整体平均以及空头组合的累计收益率分别为156.58%、-16.14%。 2.8 多指标权益指数组合 本节中，我们基于2.1-2.7节的测试方法以及测试结果，尝试根据多个指标的整体情况进行构建权益指数轮动策略。从各个指数指标的相关性来看，除了历史基本面中的ROETTM环比变化、净利润增速TTM指标的相关性较高，其余指标之间两两的相关性均处于相对较低的水平。基于此，在指标加权的问题上，我们给与ROETTM环比变化、净利润增速TTM这2个指标共计1/6的权重，并分别给予其它5个指标各自1/6的权重。在具体指数得分的计算上，我们根据不同指标进行排序，分别给予0-1之间的得分，并根据对应指标的权重加权求和。 从多指标权益指数轮动组合的回测结果来看，综合考虑多个指标的权益指数轮动策略获得了较为可观的收益。在回测区间内，多头组合的累计收益率为915.52%，同期整体平均以及空头组合的累计收益率分别为156.58%、-10.11%。从组合的分档累计收益的情况来看，不同分档组合的业绩表现同样呈现出较为明显的单调性。 进一步地，对于不同类型的指数，我们同样通过多指标的综合结果在同一类型的指数之中进行优选。考虑到不同类型指数的数量以及存续时间，此处我们以2015.12-2021.12作为回测区间，以月度作为调仓频率，分5档进行测算。从回测的结果来看，在回测区间内，不同类型指数的多头组合均跑赢同期同类指数整体平均以及空头组合的表现，一定程度上说明根据多指标进行指数的筛选同样能够帮助我们在同类指数中筛选出未来表现较好的指数。 三、通过场内基金实现权益指数轮动策略 3.1 A股市场场内权益基金整体情况 本节中，我们统计A股市场场内基金——ETF、LOF的规模、产品线及流动性的整体情况。从规模上来看，近年来ETF的规模上市速度相对较快，LOF的发展则相对有限。(此处剔除非权益基金、QDII基金以及主动投资LOF。) 截至2021Q4，当前ETF的跟踪指数主要为宽基指数以及行业主题指数，两者合计总规模均为9000亿；当前LOF的跟踪指数主要为行业主题指数。具体来看，宽基指数ETF中，跟踪沪深300、中证500、上证50指数的规模位居前3；行业主题指数ETF中，跟踪大金融、TMT、新能源相关指数的规模位居前3；SmartBeta指数ETF中，跟踪红利相关指数的规模相对较大。 场内基金流动性方面，我们分别统计ETF、LOF在2021年全年的日均成交额情况。从统计结果来看，ETF方面，日均成交额在1亿以上的ETF共有41只，0.5亿-1亿的ETF共有18只，0.1亿-0.5亿的ETF共有71只，整体流动性水平分化较大；LOF方面，仅有两只LOF的日均成交额在0.1亿以上，整体流行性水平较为有限。 3.2 基于场内基金构建权益指数轮动组合 本节中，我们通过规模、流动性、存续时间满足一定条件的场内基金，实现第二章中构建的多指标指数轮动策略。具体来看，首先我们筛选满足一定条件的场内产品，并将这些产品的跟踪指数作为可投资指数；而后，我们根据第二章中的方法，计算各个可投资指数的指标，并筛选综合得分在前20%的指数；最终，我们在选择这些指数的对应场内基金标的构建组合，同时对于组合中基金数量的上限，相同宽基指数、同类行业主题、SmartBeta指数所对应的产品数量进行约束。 此处，我们在每个月度换仓时点要求场内基金的最新规模大于3亿、近1月日均成交额大于0.1亿、存续时间大于90天、且不为转型基金，并约束组合中最大基金数量为8只，相同宽基指数、同类行业主题、SmartBeta指数所对应的产品数量最多为1只。 从回测的结果来看，在2013.12-2021.12的回测区间内，场内基金多头组合的累计收益率为543.55%，同期可投资指数整体平均以及空头组合的累计收益率分别为142.08%、53.96%。分年度来看，除2016年以外，场内基金多头组合在回测区间内的其余年份中军跑赢了同期可投资指数的整体表现。 此处，我们通过场内基金筛选中对于规模、流动性的考察阈值，以及最终组合中持仓基金数量的上限，研究不同阈值对于组合业绩表现的敏感性。从统计的结果来看，整体上组合业绩对于规模阈值、持仓基金数量上限的阈值并不敏感，而对于场内基金流动性的阈值可能相对较为敏感。整体来看，由于A股市场当前场内基金的流动性仍然相对有限，提高对于流动性的要求可能会大幅降低可投资标的的数量，进而削弱组合的业绩表现。 四、通过场内基金实现多资产配置策略 4.1 基于宏观指标、技术指标的动态大类资产配置 本章中，我们结合大类资产配置模型以及权益指数轮动模型，通过场内基金实现多资产配置策略。大类资产配置模型方面，我们主要从两个视角：宏观视角、技术视角出发对于各个大类资产进行以月度为频率的定量打分，并根据得分进行资产配置权重的动态调整。 在具体资产配置策略的构建中，我们采用万得全A指数代表权益资产，采用当前流动性较好的ETF所跟踪的上证10年期国债指数、中证短融指数来分别代表债券资产、货币资产。此处我们将基准组合设置为(万得全A*50%+上证10年期国债*50%)，在每个月月末的换仓时点，我们基于宏观指标和技术指标的最新信号计算各个大类资产的得分，按以下方法调整组合的权重： 其中，t为最新月度时点。 从资产配置组合回测的结果来看，在2013.12-2021.12的回测区间内，基于宏观指标以及技术指标的资产配置组合的累计收益率为175.08%，同期基准组合的累计收益率分别为105.44%。分年度来看，基于宏观指标以及技术指标的资产配置组合在不同年份均跑赢同期基准组合的表现。 4.2 结合大类资产配置模型，构建场内基金多资产组合 本节中，我们结合大类资产配置以及权益指数的轮动模型。在每个月末换仓时点，首先我们根据不同风险水平，分别设定权益中枢为30%、50%、70%(即基准股债比为3：7、5：5、7：3)，对应权益调整范围为中枢上下浮动20%；而后，我们根据4.1中的方法，基于宏观指标和技术指标的最新信号，计算不同风险水平下各个大类资产的配置权重；最后，我们采用3.2中的场内基金权益指数组合来代替权益部分的仓位，而在债券、货币部分仍然采用上证10年期国债指数以及中证短融指数进行计算。 从回测的结果来看，在2013.12-2021.12的回测区间内，对应权益中枢为30%、50%、70%的组合的累计收益率分别为232.52%、352.65%、500.19%。2021年全年，3个组合的累计收益率分别为9.19%、13.20%、17.19%。 进一步地，我们对于不同风险水平下场内基金多资产组合的业绩进行归因，将其相对于基准的超额收益分解为大类资产配置收益以及权益指数轮动收益。此处，我们以月度作为归因的频率，并将不同月度的归因结果采用Carino方法进行加总。 从场内基金多资产组合业绩归因的结果来看，权益中枢为30%、50%、70%的多资产组合的收益来源主要为权益指数轮动，而大类资产配置则分别贡献了69%至106%不等的收益。从大类资产配置、权益指数轮动两者月度收益贡献的相关性来看，对应不同的风险水平，两者之间的相关系数均处于较低水平。 风险提示：本文仅在合理的假设范围讨论，文中数据均为历史数据，基于模型得到的相关结论并不能完全准确的刻画现实环境以及预测未来。 详细研究内容请参见广发金工专题报告 《基于场内基金的权益指数轮动及多资产配置策略：基金产品专题研究系列之四十一》 法律声明： 本微信号推送内容仅供广发证券股份有限公司（下称“广发证券”）客户参考，其他的任何读者在订阅本微信号前，请自行评估接收相关推送内容的适当性，广发证券不会因订阅本微信号的行为或者收到、阅读本微信号推送内容而视相关人员为客户。 完整的投资观点应以广发证券研究所发布的完整报告为准。完整报告所载资料的来源及观点的出处皆被广发证券认为可靠，但广发证券不对其准确性或完整性做出任何保证，报告内容亦仅供参考。 在任何情况下，本微信号所推送信息或所表述的意见并不构成对任何人的投资建议。除非法律法规有明确规定，在任何情况下广发证券不对因使用本微信号的内容而引致的任何损失承担任何责任。读者不应以本微信号推送内容取代其独立判断或仅根据本微信号推送内容做出决策。 本微信号推送内容仅反映广发证券研究人员于发出完整报告当日的判断，可随时更改且不予通告。 本微信号及其推送内容的版权归广发证券所有，广发证券对本微信号及其推送内容保留一切法律权利。未经广发证券事先书面许可，任何机构或个人不得以任何形式翻版、复制、刊登、转载和引用，否则由此造成的一切不良后果及法律责任由私自翻版、复制、刊登、转载和引用者承担。
大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）
郑重声明：悟空智库网发布此信息的目的在于传播更多信息，与本站立场无关，不构成任何投资建议。
