Workflow
ETF+投顾模式
icon
搜索文档
公募基金市场观察系列:财富管理新范式,ETF投顾展现巨大潜力
银河证券· 2025-12-29 13:51
量化模型与构建方式 1. **模型名称:基于Gaussian分布的Black-Litterman宏观择时策略** * **模型构建思路**:将ETF作为可交易标的,构建大类资产宏观择时策略。策略根据经济周期划分,对不同类别ETF的配置权重进行限制,并基于海外指标择时信号决定是否纳入海外资产[42][44]。 * **模型具体构建过程**: 1. 选取涵盖股票、商品、债券、境外、货币等品种的ETF,分别对应大类资产配置中的不同指数[42]。 2. 以ETF在不同周期的历史均值收益作为观点矩阵,分别输入基于Gaussian分布的Black-Litterman模型与基于Copula分布的Black-Litterman模型[43]。 3. 根据经济周期(复苏、过热、滞胀、衰退)对股票ETF、债券ETF、商品ETF和货币ETF的配置权重施加不同的下限约束[45]。 4. 对于海外资产(如标普500ETF),仅当海外指标发出择时信号时才纳入股票ETF类别进行配置,否则不配置[44]。 5. 通过上述模型和约束,最终计算出各类ETF的配置权重[43]。 2. **模型名称:动量择势策略** * **模型构建思路**:结合动量和拥挤度指标构建ETF交易策略,旨在捕捉价格动量,并在动量结束时通过拥挤度指标降低损失风险[53]。 * **模型具体构建过程**: 1. **动量指标**:使用XGBoost模型预测出的ETF上涨概率作为动量指标[53]。 2. **拥挤度指标**:以基金份额的历史分位数代表拥挤度[53]。 3. **板块筛选**:首先计算板块动量(板块内ETF动量均值)和板块拥挤度(板块内ETF份额总和的历史分位数)。选择动量排名前20且(1-历史分位数)排名前20的板块[53]。 4. **板块数量调整**:若初步选中的板块数量≥5个,则从中取(1-历史分位数)排名前5的板块;若<5个,则在筛选结果中加入纯债和黄金板块,以增加组合分散度[53]。 5. **ETF选择与权重**:在最终选定的板块内,选择动量最大的ETF。根据拥挤度计算ETF的配置权重[53]。 6. **调仓与训练**:策略每周调仓。每个季度末重新训练一次XGBoost模型[53]。 3. **模型名称:低波扩散行业轮动策略** * **模型构建思路**:将行业轮动策略应用于ETF,通过行业扩散指数因子捕捉行业动量,并叠加波动率因子进行改进,构建低波动的行业轮动模型[60][61]。 * **模型具体构建过程**: 1. **因子构建**:使用行业扩散指数因子,该因子是基于指数成分股上行状态合成的动量指标,相比传统动量因子更能反映指数涨跌背后的贡献来源[60]。 2. **模型改进**:在扩散指数因子的基础上,叠加波动率因子,构造“低波扩散”行业轮动模型[60]。 3. **ETF映射**:梳理已上市ETF,构建标的池。通过计算ETF跟踪指数与行业指数的相关性,将行业与ETF进行匹配,选择相关系数较高且规模靠前的ETF作为对应行业的可投资标的[61]。 4. **组合构建**:按月调仓,在选定的行业组内对ETF进行等权配置[61]。 4. **模型名称:资金流向策略** * **模型构建思路**:利用资金流向指标和风险度量指标筛选行业和ETF,并通过二阶随机占优优化方法确定最终持仓权重[64]。 * **模型具体构建过程**: 1. **行业筛选**:利用1倍权重的资金流向指标辅以0.5倍权重的风险度量指标,筛选出排名靠前的行业[64]。 2. **ETF筛选**:在筛选出的行业中,根据换手率和折溢价率指标进一步筛选出具体的ETF[64]。 3. **权重优化**:利用历史数据生成联合分布,使用二阶随机占优(SSD)优化方法计算并确定最终的ETF持仓权重[64]。 5. **模型名称:分位数回归策略(基于分位数随机森林的科技类ETF策略)** * **模型构建思路**:基于分位数随机森林算法对科技类行业指数的未来收益率分布进行预测,筛选收益风险比最优的科技类ETF,并经过仓位调整和权重优化得出最终持仓[71]。 * **模型具体构建过程**: 1. **分布预测**:使用分位数随机森林算法对科技大类二级行业指数的未来收益率分布进行预测建模[71]。 2. **指数筛选**:利用预测结果抽样计算指数基于预测分布的复合指标,并以此作为筛选指标来选择指数[71]。 3. **ETF选择**:根据流动性和规模指标,选择追踪上述筛选出指数的对应ETF[71]。 4. **仓位调整与优化**:对选出的ETF组合,经过MACD和波动率指标进行仓位调整,再使用二阶随机占优方法优化持仓权重,得出最终配置[71]。 模型的回测效果 (以下回测结果均截至2025年12月15日,除非特别说明) 1. **基于Gaussian分布的B-L宏观择时策略**,年化收益率9.03%[45],年化波动率0.21%[46],夏普比率2.8899[45],Calmar比率2.8099[45],最大回撤-4.95%[45]。 2. **动量择势策略**,年化收益率13.89%[54],年化波动率21.99%[55],夏普比率0.3898[54],Calmar比率0.8097[54],最大回撤-23.96%[54]。 3. **低波扩散行业轮动策略**,年化收益率15.55%[61],年化超额收益率9.19%[61],年化波动率21.25%[62],夏普比率0.90[62],最大回撤-41.53%[61],超额最大回撤-19.86%[61]。 4. **资金流向策略**,年化收益率7.16%[64],年化波动率11.54%[67],夏普比率0.0617[64],Calmar比率0.1277[64],最大回撤-59.69%[64]。 5. **分位数回归策略**,年化收益率19.25%[72],年化波动率15.03%[73],夏普比率1.0617[72],Calmar比率0.5257[72],最大回撤-19.69%[72]。