（来源：广发金融工程研究）
摘要
本报告旨在尝试构建多因子加权的 ETF 轮动策略，同时在股票因子映射的框架方面，尝试进行优化调整，检验是否有边际提升的效果。
单因子选股和 ETF 轮动效果对比：因子呈现差异化的特征。因子方面，主要覆盖低频价量、基本面、ETF 申赎资金流、Level2 数据和神经网络相关因子。回测结果显示，股票端多头相比于宽基指数实现较明显的超额，ETF 轮动的因子RANK_IC、多头年化收益总体存在边际下滑。多头ETF 组合，持有相对较少的 ETF 数量，组合表现总体边际提升，分年度收益相对不够稳定。
ETF 回测框架调整对比： 尝试只保留权重靠前的部分成分股，如设置权重阈值上限，以及进行等权重的“非线性映射”。测算显示，调整为等权加权映射，覆盖全部成分股，回测的单因子多头组合总体表现边际下滑，进一步同步设置阈值，阈值的引入能提升组合的边际表现。
ETF 筛选：实际投资中，仍旧存在部分 ETF 的持仓相似，但名称不同的产品，即跟踪相似主题的不同 ETF 产品。进一步尝试基于成分股重合度筛选，如设置当成分股覆盖重合度超过阈值时，则对因子值靠后的产品进行剔除处理，重复对比直至达到多头产品数量上限，测算显示，当设置 80%的重复度阈值时，单因子多头表现总体边际提升。
多因子加权 ETF 轮动实证检验：本部分的因子回测数据统一起始于2021 年初。测算结果显示，月度换仓频率下，多因子加权后，组合的RANK_IC、ICIR 均边际提升。Top5 组合表现方面，等权因子Top5 多头组合，2021 年以来的年化收益为 18.6%，ICIR 加权且剔重后的组合年化收益约 20%。相比于等权组合，IC 加权和 ICIR 加权后的组合表现更加稳定，绝对收益和相对偏股基金指数的超额收益均实现一定的边际提升。
风险提示：本专题报告所述模型用量化方法通过历史数据统计、建模和测算完成，所得结论与规律在市场政策、环境变化时可能存在失效风险；策略在市场结构及交易行为的改变时有可能存在策略失效风险；因量化模型不同，本报告提出的观点可能与其他量化模型结论存在差异。
一、背景介绍
背景介绍
近年来，指数化投资理念愈发受到投资者认可，ETF产品凭借透明、低费率、交易便捷等优势，成为居民资产配置的重要工具。Wind数据显示，截至2025年4月，境内交易所挂牌上市的ETF数量达到1141只，市值总规模达到4.04万亿元，较2024年底（3.73亿元）继续增长，规模创历史新高。
一方面，针对ETF轮动，过往报告基于Level2、申赎数据、神经网络等因子构建相应的产品轮动策略；另一方面，过往报告采取由个股基于因子值和权重完整汇总到指数，再映射ETF的逻辑，而部分指数的成分股权重相对集中，尾部成分股的影响相对有限。
因此，本报告旨在尝试构建多因子加权的ETF轮动策略，同时在股票因子映射的框架方面，尝试进行优化调整，检验是否有边际提升的效果。
二、单因子选股和 ETF 轮动效果对比
（一）基本信息
因子用于选股和ETF轮动，逻辑上存在差异。因子选股主要目的是挖掘alpha信息，ETF轮动则偏向于趋于行业和主题筛选。因此，本部分主要目的是对比股票端和ETF端是否存在差异。
因子方面，主要覆盖低频价量、基本面、ETF申赎资金流、Level2数据和神经网络相关因子。
1.选股基本框架
选股范围：全市场；
股票预处理：剔除非上市、摘牌、ST/*ST、涨跌停板、上市未满1年股票；
因子预处理：MAD去极值、Z-Score标准化；
回测区间： 2020.01 – 2025.04；
分档方式：根据当期股票的因子值，从小到大分为十档；
调仓周期：每月/周的最后一个交易日的次日均价；
交易费用：千分之三（卖出时收取）。
1.ETF轮动基本框架
ETF范围：境内权益ETF；
回测区间：2020.01 – 2025.04；
分档方式：根据当期ETF的因子值，从小到大分为五档；
调仓周期：周度、月度；
加权方式：等权；
重复性筛选：跟踪同一指数的多只ETF，仅保留规模最大或成交额最大的1只ETF；
交易费用：双边千一；
换仓价格：次日成交均价。
（二）选股回测实证结果
回测结果显示，月度换仓频率下，部分因子的RANK_IC约10%，多头年化收益约20%，相比于宽基指数实现较明显的超额收益。
2.Barra风格因子相关性
与Barra风格因子相关性方面，不同因子呈现差异化的相关性特征。相对绩优因子总
体与残差波动、流动性等风格存在一定相关性。
（三）ETF 轮动回测实证结果
1.回测IC信息
回测结果显示，因子的RANK_IC、多头年化收益总体存在较明显的边际下滑，且ICIR明显低于选股端的回测表现。
2.ETF多头Top_5组合
单只ETF已代表一揽子股票的总体表现，因此相对较少的产品数量可能更加符合实际投资的使用场景，因此进一步测算对比多头5只ETF等权持仓组合的回测表现。
回测结果显示， 持有相对较少的ETF数量，组合表现总体边际提升。如bigbuy_bigsell、DL_1和stock_data_flow2amt_ma5等因子的多头组合回测收益相对较高。
进一步观察因子的分组效果和分年度特征，测算结果显示分年度表现呈现差异化的特征，因此采取多因子加权的方式一定程度可能可以实现相对更加稳定的收益。
（1）bigbuy_bigsell
（2）stock_data_flow2amt_ma5
综上所述，对比选股和ETF轮动，因子呈现差异化的特征。同时部分因子在ETF端虽
然年化收益相似，但是分年度特征差异明显。
因此，后续将尝试优化因子选股端到ETF端的映射，同时尝试多因子加权的方式。
三、ETF 回测框架调整对比
（一）总体框架调整方向
总体而言，主要从因子加权到指数维度和ETF筛选两方面进行调整尝试。
因子加权到指数维度，部分指数的成分股权重相对集中，尾部成分股的影响相对有限。因此，一方面，尝试只保留权重靠前的部分成分股，如设置60%、80%等的权重阈值上限；另一方面，进行等权重的“非线性映射”，在设置阈值的基础上，保留的成分股进行等权的因子值加权。
ETF筛选维度，过往的回测框架为同一只指数只保留1只ETF，即剔除实质持仓完全相同的ETF产品。但实际投资中，仍旧存在部分ETF的持仓相似，但名称不同的产品，即跟踪相似主题的不同ETF产品。因此，进一步尝试基于成分股阈值筛选的方案，如设置60%、80%等的权重阈值，当成分股覆盖重合度超过阈值时，则对因子值靠后的产品进行剔除处理，重复对比直至达到多头产品数量上限。
（二）权重覆盖端调整
本部分尝试只保留权重靠前的部分成分股，如设置60%、80%等的权重阈值上限。
为降低单个因子的特质因素影响，本部分展示bigbuy_bigsell 、fimage 和
stock_data_flow2amt_ma5因子的相关回测结果。
测算显示，基于成分股权重加权，权重阈值的设置未提升多头组合的边际表现。
（三）等权映射对比
测算显示，调整为等权加权映射，覆盖全部成分股，回测的多头组合总体表现边际下滑。进一步同步设置阈值，阈值的引入能提升组合的边际表现。
（四）重复度剔除
测算显示，引入成分股覆盖度的剔除方案后，当设置80%的重复度阈值时，组合的多头表现总体边际提升。
四、多因子加权 ETF 轮动实证检验
（一）基本说明
ETF产品的数据量总体低于股票，且ETF产品总体是在2020年前后开始有较明显的规模数量增长。因此，加权方式上，主要采取对数据回溯时间要求较低的等权、IC加权和ICIR加权。另外，从因子内部的相关性角度出发，覆盖的因子方面，需要筛选反映不同数据特征的低相关的部分因子。
另外，为了方便对比数据结果，本部分的因子回测数据统一起始于2021年初。
（二）月度实证
测算结果显示，月度换仓频率下，多因子加权后，组合的RANK_IC、ICIR均边际提升。Top5组合表现方面，等权因子Top5多头组合，2021年以来的年化收益为18.6%，ICIR加权且剔重后的组合年化收益约20%。
相比于等权组合，IC加权和ICIR加权后的组合表现更加稳定，绝对收益和相对偏股基金指数的超额收益均实现一定的边际提升。
1.等权
2.IC加权
3.ICIR加权
（三）周度实证
测算结果显示，周度度换仓频率下，多因子加权后，组合的RANK_IC、ICIR边际提升不够明显。Top5组合表现方面，等权因子Top5多头组合，2021年以来的年化收益，相比于等权组合，IC加权和ICIR加权后的组合表现更加稳定，且收益相对更加突出。
1.等权
2.IC加权
3.ICIR加权
五、总结
近年来，指数化投资理念愈发受到投资者认可，ETF产品凭借透明、低费率、交易便捷等优势，成为居民资产配置的重要工具。本报告旨在尝试构建多因子加权的ETF轮动策略，同时在股票因子映射的框架方面，尝试进行优化调整，检验是否有边际提升的效果。
单因子选股和ETF轮动效果对比：因子方面，主要覆盖低频价量、基本面、ETF申赎资金流、Level2数据和神经网络相关因子。对比股票端和ETF端，回测结果显示，月度换仓频率下，股票端部分因子的RANK_IC约10%，多头年化收益约20%，相比于宽基指数实现较明显的超额收益；ETF轮动方面，因子的RANK_IC、多头年化收益总体存在边际下滑。
因此进一步测算对比多头5只ETF等权持仓组合的回测表现。回测结果显示，持有相对较少的ETF 数量，组合表现总体边际提升。如bigbuy_bigsell 、DL_1 和stock_data_flow2amt_ma5等因子的多头Top_5组合回测收益相对较高。进一步观察因子的分组效果和分年度特征，测算结果显示分年度表现呈现差异化的特征，因此采取多因子加权的方式一定程度可能可以实现相对更加稳定的收益。
综上所述，对比选股和ETF轮动，因子呈现差异化的特征，同时部分因子在ETF端虽然年化收益相似，但是分年度特征差异明显。
ETF回测框架调整对比： 总体而言，主要从因子加权到指数维度和ETF筛选两方面进行调整尝试。
因子加权到指数维度，一方面，尝试只保留权重靠前的部分成分股，如设置60%、80%等的权重阈值上限；另一方面，进行等权重的“非线性映射”，在设置阈值的基础上，保留的成分股进行等权的因子值加权。测算显示，调整为等权加权映射，覆盖全部成分股，回测的多头组合总体表现边际下滑，进一步同步设置阈值，阈值的引入能提升组合的边际表现。
ETF筛选维度，过往的回测框架为同一只指数只保留1只ETF，即剔除实质持仓完全相同的ETF产品。但实际投资中，仍旧存在部分ETF的持仓相似，但名称不同的产品，即跟踪相似主题的不同ETF产品。因此，进一步尝试基于成分股阈值筛选的方案，如设置60%、80%等的权重阈值，当成分股覆盖重合度超过阈值时，则对因子值靠后的产品进行剔除处理，重复对比直至达到多头产品数量上限。测算显示，引入成分股覆盖度的剔除方案后，当设置80%的重复度阈值时，组合的多头表现总体边际提升。
多因子加权ETF轮动实证检验：加权方式上，主要采取对数据回溯时间要求较低的等权、IC加权和ICIR加权。覆盖的因子方面，筛选反映不同数据特征的低相关的部分因子。另外，为了方便对比数据结果，本部分的因子回测数据统一起始于2021年初。
测算结果显示，月度换仓频率下，多因子加权后，组合的RANK_IC、ICIR均边际提升。 Top5组合表现方面，等权因子Top5多头组合， 2021年以来的年化收益为18.6%，ICIR加权且剔重后的组合年化收益约20%。相比于等权组合，IC加权和ICIR加权后的组合表现更加稳定，绝对收益和相对偏股基金指数的超额收益均实现一定的边际提升。
六、风险提示
（1）本专题报告所述模型用量化方法通过历史数据统计、建模和测算完成，所得结论与规律在市场政策、环境变化时可能存在失效风险；（2）本专题策略模型在市场结构及交易行为改变时有可能存在策略失效风险。（3）因量化模型不同，本报告提出的观点可能与其他量化模型结论存在差异。
