核心观点 - 利用申赎清单提升债券 ETF 透明度，解析其主动管理交易策略；通过机器学习预测哪些个券更容易被 ETF 买入，提前捕捉机会 [1] 利用申赎清单提升债券 ETF 透明度 - 债券指数基金非被动管理，涉及主动抽样或择时买券操作；大多约定 9 成仓位来自指数及其备选池成份券，其余可自行找非成份券替代，满足 0.2%日偏离度和 2%年跟踪误差即可；可使用久期、收益率曲线等策略，也可质押回购加杠杆 [2][12] - 信用债 ETF 的基准做市清单(200+)>债券指数成分(100 - 200+)>ETF 持仓>PCF 清单(70+)；选券分基准做市清单、债券指数成分、ETF 实际持仓、申赎赎回清单四个层次 [13] - 债券 ETF 规模快速上行期，一级市场补券成本易受流动性干扰；成分券或替代券选择、申赎清单参数设置、出手补券交易时机均涉及主观操作 [15] - 两只 30 年国债 ETF 持仓久期和债券备选池有区别，今年收益差距超 30BP；年初至今 511090 申赎清单加权久期整体大于 511130，后者申赎清单权重变化更灵活；两者跟踪指数编制方式和历史绩效不同 [15] - 债券 ETF 底层属性可见度低，每日披露的申购赎回清单可最高频率、最大程度逼近 ETF 真实情况；相同定位的债券 ETF 收益差异可能源于底层资产选择和主动交易操作；不同信用债 ETF 久期最大相差 1.4 年，科创债 ETF 久期最大相差 1.9 年 [3][22] 预测哪些个券更容易被 ETF 买入 - 债券 ETF 成分券扩容遵循规律，在备选池中优选属性相似个券；一级市场申赎机制倒逼成分券管理积极调入调出；伴随债券 ETF 扩容，管理人需扩大持有个券范围；信用债 ETF 存续规模提升，每周新调入债券少则十余只，多则近百只 [4][27][28] - 成分券选择上，对潜在收益弹性的考量或让步于流动性，与 ETF 持仓多方面匹配更重要；做市券抢配行情中成分券主体的非成分券有机会空间；信用债 ETF 扩容提升成分券流动性，压缩利差，机构预期某些债券将调入 ETF 时市场可能提前交易；新调入债券主体之前在申赎清单出现比例在 47%至 69% [4][29][32] - 构建债券 ETF 成分券预测模型，用 LightGBM 机器学习模型基于 PCF 每日调入明细和个券属性数据学习历史调入券共性特征；将 6 月底模型预测结果与 7 月实际调入债券对比，信用债 ETF(511110)模型 6 月底预测的 Top20 中 9 只正确，信用债 ETF(159369)模型 6 月底预测的 Top20 中 7 只正确 [5][32][36]