etf-analysis

name etf-analysis description ETF分析：产品筛选、费率对比、跟踪误差、流动性评估、策略应用与中国市场ETF量化配置框架。 category asset-class ETF 分析 Skill 定位 ETF（交易所交易基金）是被动投资与资产配置的核心工具。本 skill 覆盖 ETF 产品分析、选择方法论、策略应用、中国市场特色以及数据驱动的量化分析方法，为构建基于 ETF 的量化策略与组合提供完整框架。 1. ETF 产品分类 1.1 按标的资产分类 类型 代表产品 特点 宽基 ETF 沪深300ETF (510300)、中证500ETF (510500)、创业板ETF (159915)、科创50ETF (588000) 流动性最好，交易成本最低，适合核心仓位 行业 ETF 消费ETF (159928)、医疗ETF (512170)、半导体ETF (512480)、银行ETF (512800) 行业轮动工具，持仓集中度高 主题 ETF 新能源ETF (516160)、碳中和ETF、元宇宙ETF 主题炒作属性强，生命周期短 策略ETF / Smart Beta 红利ETF (510880)、低波ETF、质量ETF、动量ETF 因子暴露明确，费率通常略高于宽基 商品 ETF 黄金ETF (518880)、豆粕ETF (159985)、原油ETF (162411) 实物/期货支撑，注意展期损耗 债券 ETF 国债ETF (511010)、信用债ETF、可转债ETF (511380) 利率敏感，久期管理关键 跨境 ETF (QDII) 纳指ETF (159632)、标普500ETF (513500)、日经225ETF (513880) 汇率风险+溢价风险双重叠加 货币 ETF 华宝添益 (511990)、银华日利 (511880) T+0 申赎，流动性管理工具 1.2 结构类型 普通 ETF ：场内交易，实物申赎（一篮子股票换购），折溢价有套利机制自动收敛 LOF（上市开放式基金） ：场内外均可交易，折溢价套利路径相同但效率略低 ETF 联接基金 ：场外渠道购买的 ETF 替代品，T+1 申赎，无折溢价，适合定投 杠杆/反向 ETF ：日内恒定杠杆，长期持有有衰减效应（见第 3.4 节） 2. ETF 核心指标 2.1 跟踪误差（Tracking Error） 衡量 ETF 复制指数能力的最核心指标。 日跟踪误差 = std(ETF日收益率 - 指数日收益率) 年化跟踪误差 = 日跟踪误差 × √252 评级标准（A股宽基ETF） ： 优秀：年化跟踪误差 < 0.2% 合格：0.2% ~ 0.5% 较差：> 0.5% 跟踪误差来源 ： 管理费和托管费（持续拖累，每日计提） 分红处理时机（分红再投资延迟） 成分股纳入/剔除时的买卖冲击 现金仓位（申赎带来的暂时性现金拖累） 停牌股处理（用替代品或现金替代） 指数编制方法（全复制 vs 抽样复制） 2.2 信息比率（Information Ratio） IR = (ETF年化收益率 - 指数年化收益率) / 年化跟踪误差 对 ETF 来说 IR 通常为负（因费率拖累），IR 越接近 0 越好。 2.3 折溢价率 折溢价率 = (ETF市价 - ETF净值IOPV) / ETF净值IOPV × 100% 正溢价 ：市价 > 净值，套利者卖出 ETF / 申购一篮子股票换购，溢价收敛 负折价 ：市价 < 净值，套利者买入 ETF / 赎回一篮子股票，折价收敛 异常溢价场景 ：跨境 QDII ETF（额度限制导致持续溢价）、停牌股比例高的行业 ETF 2.4 流动性指标 指标 含义 参考阈值 日均成交额 买卖方便程度 宽基 > 1亿，行业 > 2000万 买卖价差（Spread） 即时交易成本 < 0.05% 为优质 盘口深度 单笔大额交易冲击 买卖各5档累计 > 500万为佳 换手率 活跃程度 过低则流动性风险高 2.5 费率体系 综合费率 = 管理费 + 托管费 + 指数使用费 （不含交易佣金、印花税、申赎费） 长期费率影响公式 ： N年费率复利损耗 = (1 - 年费率)^N 例：年费率0.5% vs 0.15%，10年差距 ≈ 3.5%，20年差距 ≈ 6.8% 主流宽基 ETF 费率对比（2025年）： 华夏/易方达/南方 沪深300ETF：0.15%（管理）+ 0.05%（托管）= 0.20% 部分小规模宽基：0.5%+，长期持有劣势明显 2.6 规模与流动性评估 规模门槛 ： < 2亿：清盘风险较高，流动性差 2~10亿：可正常交易，大额资金受限 10亿：流动性充足，做市商活跃 100亿：旗舰 ETF，机构首选 清盘风险信号 ：规模持续下滑、连续90天日均规模 < 5000万 3. ETF 选择方法论 3.1 同类 ETF 比较框架 同一指数往往有多只 ETF，选择步骤： Step 1: 规模筛选 → 剔除 < 5亿的小规模产品 Step 2: 费率比较 → 同等条件下选费率最低 Step 3: 跟踪误差 → 近1年/近3年双维度比较 Step 4: 流动性 → 日均成交额、买卖价差 Step 5: 基金公司 → 指数化投资能力、历史口碑 量化评分模型 ： def etf_score ( etf_data: dict ) -> float : """ ETF 综合评分（越高越好，满分100）。 Args: etf_data: 包含 scale, fee, tracking_error, avg_volume, spread 的字典 Returns: 综合评分 0~100 """ score = 0.0 # 规模得分（30分） scale = etf_data[ 'scale_billion' ] score += min ( 30 , scale / 10 * 30 ) # 费率得分（25分）：费率越低越高分 fee = etf_data[ 'total_fee_pct' ] # 年费率百分比 score += max ( 0 , 25 - fee * 50 ) # 跟踪误差得分（30分）：误差越小越高分 te = etf_data[ 'tracking_error_annual_pct' ] score += max ( 0 , 30 - te * 60 ) # 流动性得分（15分） vol = etf_data[ 'avg_daily_volume_million' ] score += min ( 15 , vol / 10 * 15 ) return round (score, 2 ) 3.2 费率影响长期收益的量化分析 import numpy as np def fee_drag_analysis ( annual_return: float , years: int , fee_rates: list [ float ] ) -> dict : """ 分析不同费率对长期收益的拖累效果。 Args: annual_return: 指数年化收益率（小数，如0.08） years: 投资年限 fee_rates: 待比较的费率列表（小数，如[0.002, 0.005, 0.015]） Returns: 各费率下的终值倍数和相对拖累字典 """ results = {} base_value = ( 1 + annual_return) ** years for fee in fee_rates: net_return = annual_return - fee end_value = ( 1 + net_return) ** years drag = (base_value - end_value) / base_value * 100 results[ f' {fee* 100 : .2 f} %' ] = { 'end_value_multiple' : round (end_value, 4 ), 'drag_pct' : round (drag, 2 ) } return results # 示例：8% 指数收益，20年期 # fee_drag_analysis(0.08, 20, [0.002, 0.005, 0.015]) 3.3 做市商质量评估 优质做市商体现在： 价差稳定 ：波动期价差扩大幅度小（< 3倍正常水平） 深度充足 ：盘口各档位金额均匀 报价连续性 ：不频繁撤单重报 大单应对 ：大额交易后价差快速恢复 评估方法： # 通过Level2数据计算有效价差 effective_spread = (ask_price - bid_price) / mid_price * 100 # 单位 % # 价格冲击成本（Impact Cost） # 买入N万元所需均价相对于中间价的偏离 impact_cost = (avg_buy_price - mid_price) / mid_price * 100 3.4 基金公司实力评估 维度 评估要点 ETF 管理规模 全市场排名，指数化投资专业度 跟踪误差历史 长期维度（3年+）稳定性 产品线完整性 宽基、行业、跨境覆盖广度 申赎效率 T+0 实物申赎处理能力 做市商合作质量 与头部券商做市商的合作稳定性 国内 ETF 管理头部公司（规模口径）：华夏、易方达、华泰柏瑞、南方、嘉实、博时 4. ETF 策略应用 4.1 核心-卫星策略（Core-Satellite） 总组合 = 核心仓位（70~80%）+ 卫星仓位（20~30%） 核心仓位：宽基ETF（沪深300/中证500/全A） → 获取市场beta，低费率，长期持有，减少交易摩擦 卫星仓位：行业ETF/主题ETF/Smart Beta ETF → 增强收益，主动暴露特定因子，允许更高换手 再平衡触发条件 ： 时间触发：每季度/每半年 偏离触发：单一资产偏离目标权重 > 5% 4.2 行业轮动 ETF 策略 动量轮动 ： def sector_momentum_rotation ( etf_returns: pd.DataFrame, lookback: int = 20 , top_n: int = 3 ) -> list [ str ]: """ 基于动量的行业ETF轮动选择。 Args: etf_returns: 各行业ETF日收益率 DataFrame，列为ETF代码 lookback: 回看窗口（交易日数） top_n: 持有ETF数量 Returns: 本期持有的ETF代码列表 """ momentum = etf_returns.tail(lookback). sum () selected = momentum.nlargest(top_n).index.tolist() return selected 宏观周期轮动 ： 经济周期 推荐行业 ETF 复苏期（低增长→高增长，低通胀） 消费、科技、中小盘 过热期（高增长，高通胀） 能源、材料、工业 滞胀期（低增长，高通胀） 能源、公用事业、消费 衰退期（高增长→低增长） 医疗、公用事业、债券ETF 4.3 Smart Beta ETF 因子暴露分析 主要因子及对应ETF： 因子 代表ETF 历史有效性（A股） 价值（低估值） 沪深300价值ETF 中等，受风格切换影响 红利（高股息） 红利ETF (510880) 较强，尤其熊市防御 低波动 中证低波ETF 较强，夏普比优于宽基 质量（高ROE） 中证质量ETF 较强，长期复合效果好 动量 目前A股产品少 中短期有效，长期均值回归 小盘 中证1000ETF (512100) 强，但流动性风险高 因子暴露分析代码 ： import pandas as pd import numpy as np from scipy import stats def factor_exposure_analysis ( etf_returns: pd.Series, factor_returns: dict [ str , pd.Series] ) -> pd.DataFrame: """ 分析ETF对各因子的暴露程度（单因子回归）。 Args: etf_returns: ETF日收益率序列 factor_returns: 各因子收益率字典 {因子名: 收益率序列} Returns: 包含 beta, t_stat, r_squared 的 DataFrame """ results = [] for factor_name, factor_ret in factor_returns.items(): aligned = pd.concat([etf_returns, factor_ret], axis= 1 ).dropna() x = aligned.iloc[:, 1 ].values y = aligned.iloc[:, 0 ].values slope, intercept, r_value, p_value, std_err = stats.linregress(x, y) results.append({ 'factor' : factor_name, 'beta' : round (slope, 4 ), 't_stat' : round (slope / std_err, 2 ), 'r_squared' : round (r_value ** 2 , 4 ), 'p_value' : round (p_value, 4 ) }) return pd.DataFrame(results).set_index( 'factor' ) 4.4 杠杆/反向 ETF 的衰减效应 Beta 衰减（Volatility Decay）原理 ： 每日恒定杠杆 N 倍 → 复合效应导致长期收益 ≠ N × 指数收益 衰减量（近似）= N²(N-1)/2 × σ² × T 其中 σ 为指数日波动率，T 为持有天数 数值示例 ： 指数年化波动率 20%，日波动率 ≈ 1.26% 2倍杠杆ETF，持有1年：衰减损耗 ≈ 2² × (2-1)/2 × (0.2)² × 1 ≈ 4% 适用场景 ： 杠杆ETF：强趋势行情中的短期工具（持有 < 1个月） 反向ETF：市场对冲、短期下跌押注（不适合长期持有） 严禁 ：用杠杆/反向ETF做长期配置仓位 4.5 ETF 套利策略 折溢价套利 （需要有实物申赎资格，通常门槛100万份）： 溢价套利： ETF市价 > IOPV + 交易成本 → 买入一篮子成分股 → 申购ETF份额 → 卖出ETF → 套利利润 ≈ 溢价率 - 冲击成本 - 佣金 折价套利： ETF市价 < IOPV - 交易成本 → 买入ETF份额 → 赎回一篮子成分股 → 卖出成分股 → 套利利润 ≈ 折价率 - 冲击成本 - 佣金 跨市场套利（ETF vs 期货） ： IF（沪深300股指期货）基差 = 期货价格 - 沪深300指数 当基差 > 合理基差（无风险利率×剩余期限）时： → 卖期货 + 买ETF（正向套利） 当基差 < 合理基差时： → 买期货 + 卖ETF（反向套利，需融券） 统计套利（配对交易） ： # 同类ETF（如不同公司发行的沪深300ETF）之间的价差均值回归 # 价差 = 价格差 或 价格比 # 当价差偏离历史均值2个标准差时建仓，回归时平仓 spread = etf_a_price / etf_b_price z_score = (spread - spread.rolling( 60 ).mean()) / spread.rolling( 60 ).std() signal = pd.Series( 0 , index=z_score.index) signal[z_score > 2 ] = - 1 # ETF_A 相对贵，卖A买B signal[z_score < - 2 ] = 1 # ETF_A 相对便宜，买A卖B 5. 中国 ETF 市场特色 5.1 场内 ETF vs 场外联接基金 维度 场内 ETF 场外联接基金 购买渠道 证券账户，实时交易 银行/基金直销，T+1申赎 申赎方式 实物申赎（机构）或二级市场（个人） 现金申赎 折溢价 存在（有套利机制） 不存在 最小交易单位 100份（约10~100元） 1元起投 费率 较低（管理费+交易佣金） 略高（申购费+管理费） 适合场景 波段操作、大额配置 定投、小额长期持有 5.2 跨境 ETF（QDII）特殊考量 溢价形成原因 ： QDII 额度限制：基金公司 QDII 额度用完后暂停申购，套利机制失效 汇率影响：人民币贬值时，持有境外资产的 ETF 净值上升，引发追涨 时差影响：A 股收盘时海外市场尚未开盘，IOPV 参考价滞后 溢价率警戒线 ： < 2%：正常范围，可正常配置 2%~5%：溢价明显，入场需谨慎，等待回落 5%：高溢价，存在显著买入风险（净值回落但溢价收窄双杀） 汇率对冲 ： 部分 QDII ETF 提供对冲版本（如标普500对冲ETF） 对冲成本 ≈ 中美利差（2025年约1.5~2.5%/年），显著降低收益 5.3 LOF 与分级基金历史经验 LOF（上市开放式基金） ： 场内外均可交易，折价套利路径：场内折价买入 → 转托管 → 场外赎回 转托管时间 T+2~T+3，存在净值变动风险 分级基金（已全面转型，2020年前历史参考） ： A 份额：约定收益型，类似债券 B 份额：杠杆型，与A约定收益挂钩 重要教训：下折机制导致B份额大幅亏损；高溢价套利被轧空 现状：监管要求全部转型为普通ETF，不再有新发 5.4 中国主要 ETF 指数体系 宽基指数 ： 指数 成分股 特点 沪深300 沪深两市市值最大300只 大盘蓝筹，衍生品丰富（IF期货/300期权） 中证500 300~800名中盘股 中盘成长，与300互补 中证1000 800~1800名小盘股 小盘因子，波动较大 上证50 沪市最大50只 超大盘，金融地产权重高 创业板指 创业板前100名 科技成长，波动大 科创50 科创板前50名 硬科技，上市时间短 北证50 北交所前50名 新兴市场，流动性弱 中证全指 / 万得全A 全市场 最宽泛的基准 指数调整规律 ： 沪深300/中证500：每年6月和12月调整一次 调整前后：纳入股票涨、剔除股票跌（短期），提供事件驱动机会 6. ETF 组合构建 6.1 基于 ETF 的资产配置实现 经典配置框架（可用ETF实现） ： 股债 60/40 中国版： 沪深300ETF 30% + 中证500ETF 20% + 中债ETF 40% + 黄金ETF 10% 全天候组合（中国版）： 股票ETF（沪深300）25% 长期国债ETF 40% 中期国债ETF 15% 黄金ETF 7.5% 商品ETF 12.5% 哑铃策略： 宽基ETF（低风险核心）50% 行业/主题ETF（高弹性进攻）50% 6.2 全球化配置的 ETF 工具选择 A股：沪深300ETF 510300 / 中证500ETF 510500 美股：纳指ETF 159632 / 标普500ETF 513500 港股：恒生ETF 159920 / 恒生科技ETF 513130