雷火竞技首页

基于ETF组合的885001指数跟踪方案 开源金工
发布时间:2026-04-21
 万得偏股混合型基金指数(885001.WI, 下文简称 885001)以成立满3个月的全部偏股混合型基金为样本,通过等权重加权计算,是衡量主动偏股基金平均收益的重要基准。我们在专题报告《偏股混合型基金指数(885001.WI):优势、复制与超越》(魏建榕、胡亮勇、王志豪,2023年)中,通过二次规划与卡尔曼滤波两类方法,对885001指数的成分基金做个股持仓穿透,从而构建885001指数的模拟

  万得偏股混合型基金指数(885001.WI, 下文简称 885001)以成立满3个月的全部偏股混合型基金为样本,通过等权重加权计算,是衡量主动偏股基金平均收益的重要基准。我们在专题报告《偏股混合型基金指数(885001.WI):优势、复制与超越》(魏建榕、胡亮勇、王志豪,2023年)中,通过二次规划与卡尔曼滤波两类方法,对885001指数的成分基金做个股持仓穿透,从而构建885001指数的模拟成分股票池,从个股维度复制了885001指数。个股复制方案模拟净值的年化跟踪误差约为2.3%,2023年4月至今的样本外跟踪效果稳健。

  基于基金持仓穿透的个股持仓汇总,我们可以高频监测885001指数的行业仓位变动。截至2026.3.27,885001指数持仓前五大行业分别为:电子、电力设备、医药生物、有色金属、通信。

  我们上述专题报告给出的885001指数实时持仓测算方法,是监测公募基金投资动向的有效工具,也是从“个股组合”层面去复制(战胜)885001指数的重要基础。在基金组合投资的领域,从“ETF组合”层面去复制(战胜)885001指数,同样也是一个备受关注的课题。本报告将聚焦这一问题的讨论。

  参考专题报告《行业轮动3.0:范式、模型迭代与ETF轮动应用》(魏建榕、张翔,2024年)中的行业与ETF的映射规则,我们基于以下规则建立行业与行业主题ETF的映射关系:

  基于以上映射规则,当前有24个一级行业存在相关的ETF产品,覆盖度较高。本节中,我们将ETF池限定如下:

  我们基于基金持仓穿透的885001指数的行业仓位,代入相应行业ETF产品后做归一化处理,从而构建885001的行业主题ETF复制组合。ETF组合年化跟踪误差2.7%,且ETF组合数量较稳定,平均持仓25只ETF。

  截至20260227,ETF组合共持仓26只产品,权益类前五大仓位分别为:港股科技ETF景顺、科创芯片ETF嘉实、电池ETF广发、医疗ETF华宝、有色金属ETF南方。

  考虑到部分行业仓位较低,可通过约束优化方式,更准确匹配ETF组合与885001的行业仓位,进而以更少ETF跟踪885001指数。我们以最小化ETF与885001的跟踪误差为优化目标,以ETF组合与基金持仓穿透下的885001仓位匹配为约束条件,构建约束优化方式下的ETF组合。

  ETF组合年化跟踪误差2.4%,ETF组合数量较少,平均持仓18只ETF。

  截至20260227,ETF组合共持仓17只ETF产品,其中,权益端持仓前五大分别为:通信ETF国泰、港股科技ETF景顺、科创芯片ETF嘉实、机器人ETF华夏、电池ETF广发。

  基于全样本ETF池,我们通过约束优化方法,构建基于全样本ETF的885001复制组合。具体方法如下:

  第一步,每月末选取成立满一年的ETF,以保证标的流动性、规模充足及数据完整性。同时,对于调仓日晚于2021年1月1日的ETF,仅保留过去一年日均成交额超过300万元且最新市值大于1亿元的标的。

  第二步,在完成每期ETF池筛选后,依据过去半年日频收益率数据构建收益矩阵,并以885001.WI收益率作为基准,以最小化跟踪误差为目标对当期ETF权重进行确定。组合权重的优化问题形式如下:

  在目标函数中引入L1正则项的目的是在保证优化问题凸性的同时,使部分权重趋近于零,从而减少每期持仓的ETF数量。

  我们将月末得到的模拟持仓数据作为次月持仓组合,全区间内模拟指数年化跟踪误差为5.6%,年化收益率10.07%,较885001.WI的年化收益率落后0.63%,模拟指数走势的跟踪效果较好。

  进一步的,从组合结构角度来看,基于L1正则约束的权重优化结果在保证跟踪效果的同时,有效控制了每期持仓ETF数量。整体来看,模拟组合在大多数调仓期内的持仓ETF数量保持在较低水平,体现出一定的稀疏性特征,避免了过度分散带来的交易换手问题。

  在展开基于持仓穿透的ETF因子增强模型介绍之前,首先需要明确ETF因子暴露的计算与构建过程。为了在ETF层面评估因子效应,需要将ETF的持仓信息与股票因子进行穿透映射。设:

  A为ETF-股票持仓矩阵,f为个股因子向量,则ETF在该时间点的因子暴露向量为a=A^⊤· f。通过该方法,我们将股票层面的因子信息映射到ETF层面,为后续基于ETF的因子增强策略提供输入基础。

  在确定ETF因子暴露后,在每个月末调仓日,我们首先构建ETF复制组合,得到基准ETF池,随后设置基于持仓穿透的ETF因子增强模型如下:

  其中,约束条件中基于原复制组合权重做偏离约束,初始上下限均设为0.05,并根据ETF因子暴露得分对ETF排序,对高分ETF适度放宽上限至0.1以允许超配,对低分ETF放宽下限至0.1以允许减配。

  针对开源因子库中的个股因子,我们将其映射到ETF后,对ETF因子进行三分组测试。根据测试结果,基本面维度,选取长端动量因子;关联网络维度,选取基金持仓牵引力因子;交易行为维度,选取量岭分钟收益因子;资金流维度,选取羊群效应因子、小单资金流切割残差因子和北上协同效应因子。ETF因子测试结果如下表:

  我们基于以上因子进行等权合成,标准化后对合成ETF因子进行三分组测试。其中合成因子多头组年化收益率15.29%,空头组年化收益率4.35%,多空对冲年化收益率10.94%,月度胜率60.65%,信息比率为1.02。

  基于前文的ETF因子增强模型,我们每月末将合成因子输入求解器后求解优化问题后进行回测。ETF因子增强策略全区间年化收益率为20.64%,夏普比率0.88,其全区间超额年化收益8.69%,跟踪误差9.58%。

  分年度来看,ETF增强组合除2019、2020年外,其余年份均跑赢885001指数。

  截至20260227,ETF增强组合共持仓11只ETF产品,持仓前五大分别为:石油ETF国泰、科创100ETF华泰柏瑞、石化ETF华夏、建材ETF国泰、科创100ETF国泰。

  开源证券金融工程团队 魏建榕 傅开波 高鹏 苏俊豪 胡亮勇 王志豪 盛少成 蒋韬 常津铭返回搜狐,查看更多