核心观点 - 报告对多个量化ETF配置策略进行了跟踪和更新，涵盖了宏观择时、动量择势、行业轮动、Copula二阶随机占优以及分位数随机森林科技类ETF配置等策略 [1][2][3] - 各策略均提供了自2020年以来的历史回测表现和最新持仓配置，数据截至2025年10月或11月初 [2][4][9][14][18][20][23][25][29] - 策略表现差异显著，动量择势策略年化收益率最高达18.25%，而行业轮动策略相对沪深300年化超额收益率为7.27% [2][14] ETF量化策略跟踪 宏观择时策略 - 基于Gaussian分布的B-L宏观择时策略自2020年7月至2025年10月年化收益率为7.67%，夏普比率1.45，最大回撤-4.60% [2][4] - 在最近报告期（2025年10月9日至31日）策略收益率为1.81% [4] - 2025年10月31日调仓后组合为：沪深300ETF（7.01%）、中证500ETF（7.99%）、国债ETF（55.94%）、豆粕ETF（11.63%）、有色ETF（5.02%）、黄金ETF（7.40%）和货币ETF（5.00%），未配置标普500ETF和公司债ETF [2][7][8] 动量择势策略 - 策略自2020年1月至2025年10月年化收益率为18.25%，夏普比率0.88，最大回撤-28.72% [2][9] - 最近报告期（2025年10月9日至31日）策略收益率为-3.51% [9] - 2025年10月31日调仓后持仓集中在主题ETF：汇添富中证电信主题ETF（27.01%）、富国中证旅游主题ETF（24.92%）、新华中证云计算50ETF（21.52%）、华泰柏瑞中证智能汽车ETF（16.38%）和华夏中证人工智能ETF（8.17%） [2][13] 行业轮动策略 - 策略自2020年以来年化收益率10.00%，相对沪深300年化超额收益率7.27%，最大回撤-42.98% [2][14] - 最近报告期（2025年10月9日至31日）策略收益3.66%，超额收益3.55% [14] - 2025年10月31日调仓后配置家电ETF、绿色电力ETF、钢铁ETF、新能车ETF、金融ETF及农业ETF，各占16.7%权重，调出有色金属ETF和交运ETF [2][18][19] 基于Copula的二阶随机占优策略 - 策略自2020年1月至2025年10月年化收益率为14.41%，夏普比率0.68，最大回撤-42.62% [2][20] - 最近报告期（2025年10月9日至31日）策略收益率为0.31% [20] - 2025年11月3日调仓后持仓高度集中：富国中证800银行ETF占85.00%，华夏中证石化产业ETF、富国中证全指证券公司ETF和博时中证油气资源ETF各占5.00% [2][23][24] 基于分位数随机森林的科技类ETF配置策略 - 策略自2020年至2025年10月年化收益率为13.54%，夏普比率0.76，最大回撤-29.89% [2][25] - 最近报告期（2025年10月9日至31日）策略收益率为-3.03% [25] - 2025年10月31日调仓后科技类ETF总持仓权重95.63%，其中平安中证消费电子主题ETF占76.51%，其余四只科技ETF各占4.78%，现金持仓4.37% [2][29][30] 策略方法论概要 宏观择时策略构建 - 策略根据经济周期划分结果提高相应大类资产权重，并加入境外资产配置条件 [32] - 使用ETF作为可交易标的，涵盖股票、商品、债券、境外、货币等品种 [32][35] - 每月末根据经济指数状态设置资产权重约束，通过Black-Litterman模型计算最优配置权重 [32][37] 动量择势策略构建 - 使用XGBoost预测的ETF上涨概率作为动量指标，基金份额历史分位数代表拥挤度 [38] - 选择动量排名前20且拥挤度排名前20的板块，再选板块内动量最大的ETF [38][39] - 配置调整周期为一周，每个季度末重新训练XGBoost模型 [40] 行业轮动策略构建 - 基于行业扩散指数因子构建低波扩散行业轮动模型，优于传统动量因子 [41] - 将行业轮动策略应用于ETF，通过相关性匹配选择可投资标的 [41] - 按月调仓，组内等权配置 [41] Copula二阶随机占优策略构建 - 利用Copula函数构建收益率联合分布模型，以二阶随机占优为约束优化权重 [42][43][48] - 投资标的为行业主题ETF，覆盖25个中信一级行业 [47] - 按月调仓，通过多指标筛选行业和ETF，循环优化10次得到最终权重 [48] 分位数随机森林科技类ETF配置策略构建 - 使用分位数随机森林对科技类ETF收益率分布建模，控制尾部风险 [49][50] - 投资标的为科技与制造大类行业ETF，共271只可投资标的 [53] - 按月调仓，根据市场波动率确定总持仓权重，再通过分布预测指标选ETF [54][55][56]

核心观点 - 报告跟踪并更新了五种量化ETF配置策略，涵盖宏观择时、动量择势、行业轮动及基于随机占优和机器学习的配置方法，所有策略均提供截至2025年8月的绩效数据和最新持仓组合 [2][4][10][15][21][26] 策略绩效与持仓总结 宏观择时策略 - 基于Gaussian分布的B-L模型，2020年7月至2025年8月年化收益率7.08%，夏普比率1.34，卡玛比率1.54，最大回撤-4.60% [2][4] - 2025年8月29日调仓后持仓：沪深300ETF（6.65%）、中证500ETF（8.35%）、国债ETF（38.21%）、公司债ETF（14.04%）、豆粕ETF（8.29%）、有色ETF（5.77%）、黄金ETF（13.68%）和货币ETF（5.00%），未配置标普500ETF [2][8] - 2025年以来策略表现强劲，年化收益率达12.44%，夏普比率2.68 [5] 动量择势策略 - 2020年1月至2025年8月年化收益率20.22%，夏普比率0.96，最大回撤-28.72%，2025年8月单月收益率22.37% [2][10] - 最新持仓集中于科技主题ETF：中证数字经济主题ETF（19.51%）、上证科创板芯片ETF（20.37%）、中证电子ETF（19.70%）、深证物联网50ETF（19.38%）和中证科技50ETF（19.37%） [2][14] - 2025年策略表现突出，年化收益率65.94% [11] 行业轮动策略 - 2020年以来年化收益率9.34%，相对沪深300年化超额收益7.21%，夏普比率0.42，最大回撤-42.98% [2][15] - 2025年8月调仓后持有六只行业ETF：有色金属ETF、绿色电力ETF、家电ETF、交运ETF、金融ETF及农业ETF，各占16.7%权重，调出钢铁ETF [2][19] - 2025年策略收益9.84%，但超额收益为-11.00% [16] 基于Copula的二阶随机占优策略 - 2020年1月至2025年8月年化收益率15.52%，夏普比率0.71，最大回撤-42.62%，2025年8月收益3.90% [2][21] - 2025年9月1日调仓后持仓高度集中：广发中证主要消费ETF（69.79%）、华宝中证信息技术应用创新产业ETF（18.50%）、华夏中证农业主题ETF（6.71%）和富国中证现代物流ETF（5.00%） [2][24] - 2025年策略收益39.72%，夏普比率1.94 [25] 基于分位数随机森林的科技类ETF配置策略 - 2020年以来年化收益率12.33%，夏普比率0.71，最大回撤-29.89%，2025年8月收益15.51% [2][26] - 持仓高度集中於光伏产业：汇添富中证光伏产业ETF（76.51%），其余四只科技ETF各占4.78%（广发中证全指信息技术ETF、富国中证军工龙头ETF、华宝中证科技龙头ETF、富国中证大数据产业ETF），现金持仓4.37% [2][31] - 2025年策略收益43.27%，夏普比率1.90 [27] 策略方法论概要 宏观择时策略 - 结合经济周期与流动性分析，使用Black-Litterman模型优化ETF配置，涵盖股票、债券、商品及货币ETF，依据周期状态动态调整资产权重约束 [34][37][38] - 标的选取注重流动性和代表性，如沪深300ETF、国债ETF、黄金ETF等 [37] 动量择势策略 - 利用XGBoost预测上涨概率作为动量指标，结合份额拥挤度筛选板块和ETF，每周调仓以捕捉动量并控制风险 [40][41] - 覆盖65个板块共512只ETF，优先选择动量强且拥挤度低的品种 [40] 行业轮动策略 - 基于行业扩散指数因子和波动率控制构建轮动模型，通过ETF实现行业配置，每月调仓并等权持仓 [43] - ETF与行业指数高相关性匹配，确保策略有效落地 [43] 基于Copula的二阶随机占优策略 - 通过Copula函数建模收益率联合分布，以二阶随机占优优化权重，追求更高收益和更低尾部风险 [44][45][50] - 每月选取得分最高的8个行业及其代表性ETF进行优化 [49][50] 基于分位数随机森林的科技类ETF配置策略 - 使用分位数随机森林预测科技类ETF收益率分布，控制尾部风险，动态调整总持仓权重（不低于50%） [51][52][56] - 综合25%分位数和偏度指标选ETF，并通过二阶随机占优分配权重 [57][58]