核心观点 报告提出，由于ETF投资以获取Beta收益为主，且跟踪指数间存在成分股重合与多重Beta来源的问题，因此需要对ETF跟踪指数进行清晰的收益来源类别划分[3] 报告通过结合指数成分股权重重合度与指数行情相关性，采用迭代K-means聚类方法，将ETF跟踪指数池划分为26个一类标签[7][9][82] 基于此分类，报告构建了三种可落地的ETF策略：通过控制类别风险并优化权重分配的多头组合策略、在指数增强策略中加入类别约束以降低波动、以及以红利为底仓结合风格与行业配置的绝对收益策略，旨在提升组合的风险收益比[7][8][82] ETF分类方法论 - 报告采用多步骤聚类方法对ETF跟踪指数进行分类，首先基于申万一级行业成分股权重占比、宽基和风格指数的暴露区间，为指数确定初始行业或风格标签[9][22][23] 对于无法通过行业风格定义的指数（如国企民企、交叉子行业类指数），则暂时标记为未标签化[28][32][33] - 在初始标签基础上，以指数间月度个股权重重合度构建距离矩阵，进行K-means聚类，得到初步的精细标签[9][32] 结果显示，自上而下的行业风格定义与自下而上的指数相似度聚类结果大部分一致，差异主要存在于风格行业的细化交叉和非风格行业指数上[35][38] - 为进一步优化分类，报告引入行情聚类，以各标签下规模最大ETF跟踪指数为初始点，以指数相对中证全指的超额收益相关系数为距离，进行迭代K-means聚类[9][38] 此过程合并了相似或意义不明的标签（如价值与红利），并产生了新的逻辑标签（如交运、家电）[38][44] - 最后，以最终聚类簇的成分股平均权重为中心点，对每个指数进行最高权重重合度聚类，并对行情聚类与权重重合度结果有差异的部分进行人为逻辑调整，最终将ETF跟踪指数池聚类为26个一类标签[9][47][50][82] ETF策略构建与表现 ETF多头组合策略 - 该策略基于多因子综合打分对指数进行排序，并采用两种方式构建组合：“分组等权”与“板块大类加权”[56] “板块大类加权”方法在选择头部指数时，限制每一类标签的持有个数，并按照所选大类指数占其类别总数的百分比排序来分配大类间权重，大类内指数等权[7][56] - “板块大类加权”策略自2019年以来的年化收益为20.30%，最大回撤为-35.07%，相对大类等权基准的年化超额收益为10.27%，相对最大回撤为-10.42%[7][59] 相比“分组等权”策略，其在提升收益的同时降低了绝对收益和相对收益的最大回撤[7][59] ETF指数增强策略 - 报告尝试以ETF构建针对沪深300和中证500的指数增强策略，在优化过程中加入“一类标签下指数个数不超过2个”的约束以控制Beta风险[60][61] - 对于沪深300增强，加入板块约束的策略在2019年以来的年化超额收益为6.29%，其跟踪误差和超额最大回撤均小于无约束版本，表明类别约束主要有助于降低风险[63][64] - 对于中证500增强，无约束策略的年化超额收益为6.32%，高于约束策略的4.15%，但约束策略的跟踪误差和超额最大回撤也更小[67][68] 报告指出，以Beta收益来源（行业、风格）作为增强策略的配置维度性价比不高，增强仍应以Alpha为主；但结合一类标签约束可以适当降低组合波动[10][66][88] ETF绝对收益策略 - 该策略将指数池按一类标签划分为红利池（占权重70%-80%）、风格池（10%-20%）和行业池，以红利为底仓，风格用于配置，行业用于收益增厚[8][70] - 在最小化组合Beta暴露的同时最大化收益预测（即Beta+Alpha目标）的优化方式下，策略表现最佳[70][72] 当预测收益与Beta最小化的目标比例为1.4时，策略自2019年以来的年化收益达18.44%，最大回撤为-20.28%，年化波动率为18.05%[8][75] - 该策略在2019年以来仅2022年收益为负，在年度表现上，仅2022年和2023年的收益低于中证红利全收益指数[8][75][77] 报告认为，此方法能在Beta收益来源稳定的前提下，通过获取行业和风格上的超额收益来提升绝对收益组合的风险收益比[8][84] 市场背景与数据 - 截至2026年3月31日，中国上市ETF规模总额为31,773.00亿元[15][18] 从规模占比看，权益ETF主要可分为行业（含主题）、宽基、风格（含策略）三类[15] - 报告用于构建策略的因子体系包括分析师预期、分析师驱动、景气度、拥挤度、长期动量与短期动量等六大类，共计10个因子[54][55]