量化掘基系列之六：如何从多个维度衡量ETF的景气度特征

ETF作为一种旨在追踪特定的指数、行业或资产类别的投资工具，通常通过购买指数中的成分股票或资产，以与指数相似的权重分配来实现与指数的表现接近。因此，ETF的构成和表现往往与特定指数、行业密切相关。受此启发，本文将行业景气度（盈利、质量、估值动量）和行业分析师预期因子的构建方法，引入ETF投资决策中，构建ETF轮动策略。 本篇报告中，我们以富国基金旗下的ETF作为ETF轮动策略的投资标的。我们剔除债券型、商品型以及涉及港股的ETF，最终筛选出21只ETF作为轮动ETF池，其中包含17只主题/行业类ETF，3只宽基ETF，1只策略/风格类型ETF，分别跟踪中证农业、中证银行、医药50、军工龙头等行业指数和创业板指、科创创业50等宽基指数，覆盖了银行、医疗、军工、消费等不同的行业板块。 在构建因子的策略上，考虑到不同计算方法提取整体信息的侧重点不同，因此分别采用整体法、中位数法、流通市值加权法和龙头股法共四种加权方法，来计算ETF整体指标。再加上，不同ETF所跟踪的行业不同，计算出的因子不能够直接比较，因此我们聚焦指标的边际变化，采用环比和同比的方式进行计算。最后进行因子筛选，选出最优因子进行合成。 经计算和筛选后，共计6个单因子脱颖而出（盈利类因子2个，质量类因子2个，估值动量类因子1个，分析师预期类因子1个），将这6个单因子等权合成得到ETF轮动因子。在IC测试中，ETF轮动因子IC均值，达到了9.38%，且风险调整的IC为0.28，远高于单一因子，说明合成后的因子反映市场变化的能力更强。同时，在分位数组合回测中，ETF轮动因子表现优秀，年化收益率达到了15.11%，夏普比率为0.75。 在构建富国ETF轮动策略时，采用月度调仓的方式，每月末选取ETF轮动因子值排名前3的ETF，用富国基金的ETF所跟踪指数的收益数据代替ETF收益数据进行回测，等权构建一个ETF轮动组合，并且将该组合与21个指数等权的基准组合进行对比。回测时间段为2016年6月至2023年6月。手续费为严格的单边千分之三。在整个回测时间段，富国ETF轮动策略的年化收益率为9.83%，而等权基准仅为2.63%。在分年度表现中，除2018年和2023年，策略的超额收益率为负外，其余年份超额收益率均为正。策略在2019至2022年均保持正超额收益率,2016年至今，累计获得了约60%的超额收益。 以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。 内容目录 一、从行业投资的视角出发，看ETF的配置策略4 二、ETF投资标的池筛选4 2.1投资标的ETF选择4 2.2ETF基本信息4 三、多维度ETF景气度与估值指标5 3.1指标构建原则与测试方法5 3.2ETF整体盈利水平因子7 3.3ETF整体经营质量因子8 3.4ETF估值动量因子9 3.5ETF分析师预期因子10 四、ETF轮动因子合成12 五、富国ETF轮动策略介绍13 六、富国基金ETF产品介绍15 风险提示16 图表目录 图表1：ETF轮动策略构建示意图4 图表2：富国ETF轮动策略投资标的基本信息5 图表3：行业因子构建流程6 图表4：富国ETF轮动策略因子计算的加权方法6 图表5：富国ETF轮动策略投资标的基本信息6 图表6：盈利类因子定义7 图表7：盈利类因子IC指标7 图表8：扣非利润率环比因子分位数组合表现7 图表9：净利润同比因子分位数组合表现7 图表10：扣非净利润环比因子分位数组合指标8 图表11：净利润同比因子分位数组合指标8 图表12：质量类因子定义8 图表13：质量类因子IC指标8 图表14：经营资本周转因子分位数组合表现9 图表15：经营资本占比因子分位数组合表现9 图表16：经营资本周转因子分位数组合指标9 图表17：经营资本占比因子分位数组合指标9 图表18：估值类因子定义10 图表19：估值动量类因子IC指标10 图表20：市盈率倒数因子分位数组合表现10 图表21：市盈率倒数因子分位数组合指标10 图表22：分析师预期类因子定义11 图表23：分析师预期类因子IC指标11 图表24：分析师预期变化因子分位数组合表现11 图表25：分析师预期变化因子分位数组合指标11 图表26：各类单因子与ETF轮动因子IC指标12 图表27：ETF轮动因子分位数组合表现12 图表28：各类单因子与ETF轮动因子多空组合指标12 图表29：ETF轮动因子分位数组合指标13 图表30：ETF轮动因子分位数组合年化超额收益率13 图表31：富国ETF轮动策略净值表现14 图表32：富国ETF轮动策略指标14 图表33：富国ETF轮动策略分年度超额收益率15 图表34：富国基金旗下ETF产品分布（单位：只）16 指数是用于衡量特定市场、行业或资产类别表现的指标。它们通常由指数提供商计算和维护，并根据特定的规则和方法来选择和加权成分股票或资产。指数的目的是提供对特定市场或行业的代表性测量和投资参考。 ETF是一种旨在追踪特定的指数、行业或资产类别的投资工具。ETF的投资组合构建和运作方式旨在与所追踪的指数保持一致。它们通常通过购买指数中的成分股票或资产，以与指数相似的权重分配来实现与指数的表现接近。因此，ETF的构成和表现往往与特定指数、行业密切相关。 我们在《基于多维度行业景气度与估值动量的行业轮动策略》报告中，通过考量成分股公司的盈利、经营质量和估值变化的因素，构建了行业景气度与估值动量因子；受此启发，本文将此构建思路引入ETF投资决策中，并另外引入了分析师预期因子，构建ETF轮动策略。 图表1：ETF轮动策略构建示意图 来源：Wind，国金证券研究所 2.1投资标的ETF选择 本篇报告中，我们从同一个基金管理人管理的行业/主题类或宽基类ETF基金中选择多只ETF构建ETF组合。选择基金管理人的原则是，跟踪误差较小且ETF数量较多，覆盖尽可能多的行业与宽基指数。 我们统计了管理规模排名靠前的基金公司，筛选旗下ETF数量超过15只的基金管理人共8家，统计了它们所有ETF产品近3个月的平均跟踪误差，发现富国基金管理的ETF近3个月平均跟踪误差较低，且ETF数量较多。因此在本报告中，我们以富国基金旗下的ETF作为ETF轮动策略的投资标的。我们剔除债券型、商品型以及涉及港股的ETF，最终筛选出21只ETF作为轮动ETF池。 2.2ETF基本信息 按照筛选结果，选入ETF轮动策略投资标的的ETF信息如下表所示，其中包含17只主题/行业类ETF，3只宽基ETF，1只策略/风格类型ETF。 选为投资标的的21只富国基金ETF分别跟踪中证农业、中证银行、医药50、军工龙头等行业指数和创业板指、科创创业50等宽基指数，覆盖了银行、医疗、军工、消费等不同的行业板块。 图表2：富国ETF轮动策略投资标的基本信息 ETF代码 ETF简称 上市日期 跟踪指数代码 跟踪指数简称 ETF类型 510210.OF 综指ETF 2011-03-25 000001.SH 上证指数 宽基 512040.OF 国信价值 2018-11-29 931052.CSI 国信价值 策略/风格 159971.OF 创业100 2019-07-02 399006.SZ 创业板指 宽基 512710.OF 军工龙头 2019-08-26 931066.CSI 军工龙头 主题/行业 515650.OF 消费50 2019-11-11 931139.CSI CS消费50 主题/行业 515750.OF 科技50 2019-12-06 931186.CSI 中证科技 主题/行业 515850.OF 证券FG 2020-02-21 399975.SZ 证券公司 主题/行业 515950.OF 医药50FG 2020-04-01 931140.CSI 医药50 主题/行业 515280.OF 银行行业 2020-04-17 399986.SZ 中证银行 主题/行业 159825.OF 农业ETF 2020-12-29 000949.CSI 中证农业 主题/行业 515250.OF 智能汽车 2021-01-08 930721.CSI CS智汽车 主题/行业 515400.OF 大数据 2021-01-20 930902.CSI 中证数据 主题/行业 516120.OF 化工50ETF 2021-03-09 000813.CSI 细分化工 主题/行业 159886.OF 机械ETF 2021-04-28 000812.CSI 细分机械 主题/行业 159887.OF 银行ETF 2021-05-20 h30022.CSI 中证800银行 主题/行业 516910.OF 物流ETF 2021-06-11 930716.CSI CS物流 主题/行业 516830.OF 300ESG 2021-07-05 931463.CSI 300ESG 策略/风格 588380.OF 创50ETF 2021-07-06 931643.CSI 科创创业50 宽基 159766.OF 旅游ETF 2021-07-23 930633.CSI 中证旅游 主题/行业 159713.OF 稀土ETF 2021-08-16 930598.CSI 稀土产业 主题/行业 516640.OF 芯片龙头 2021-08-27 h30007.CSI 芯片产业 主题/行业 来源：Wind，国金证券研究所 3.1指标构建原则与测试方法 ETF整体层面的指标反映的是ETF的成分股对应的上市公司的整体情况，因此，我们可以通过将个股的相关指标合成得到ETF的景气度与估值指标，下图展示的ETF景气度与估值指标的构建流程。在因子构建的过程中，我们需要考虑以下几个问题。 首先，上市公司每个季度会披露季报，但由于许多行业的财务数据呈现出明显的季节性特征，单季度数据直接比较会存在较大问题。因此，对于区间类数据，如营业收入、净利润等，我们将单个季度数据调整为最近四个季度的数据（TTM）。对于时点类数据，如总资产、净资产等，我们仍旧取期初和期末的均值。 图表3：行业因子构建流程 来源：Wind，国金证券研究所 其次，在将公司层面的财务数据合成ETF整体指标时，我们需要考虑不同的合成方式。除了一般采用的整体法外，我们还将采用中位数法、流通市值加权法和龙头股法共四种方法来计算ETF整体指标，具体的ETF单个因子计算的加权方法如下表所示。不同的计算方法其侧重点也有所不同，具体的ETF因子选取的合成方式因指标而异。 图表4：富国ETF轮动策略因子计算的加权方法 计算方法说明 整体法把ETF看作公司，对ETF内公司财务数据加总后再计算因子 中位数法取当期ETF成分股内所有个股因子值中位数作为ETF因子值流通市值加权法对ETF成分股因子值通过流通市值加权得到ETF因子值龙头股法对ETF成分股内市值前10%的个股按流通市值加权的方式得到ETF因子值 来源：Wind，国金证券研究所 最后，由于不同ETF跟踪的是不同的指数/行业，而指数/行业间盈利与估值等数据存在较大差异，不能够直接比较，因此我们将其转化为指标的边际变化，这里主要采用常用的环比和同比的方式进行计算。 图表5：富国ETF轮动策略投资标的基本信息 变化方法说明 环比本期因子值相对于上一期因子值的变化 同比本期因子值相对于去年同期因子值的变化 来源：Wind，国金证券研究所 通过以上方法，我们共构建出盈利、质量以及估值动量三大类ETF因子。为了评估因子对ETF所跟踪指数/行业的收益的预测能力，我们采用因子IC测试和分位数组合测试来作为因子筛选的标准。 因子IC测试主要研究因子取值与下一期收益率的相关性，即 𝑅𝑎𝑛𝑘𝐼𝐶�=𝑐𝑜𝑟�(𝑅𝑎𝑛𝑘(𝑋𝑡,𝑚),𝑅𝑎𝑛𝑘(𝑟𝑡+1,𝑚)) 其中，Rank表示计算变量排序，𝑋𝑡,�表示因子取值，𝑟𝑡+1,�表示下一期ETF的收益率