（来源：尔乐量化）

➤ 国内ETF市场处于快速发展阶段，规模增加、机构持仓占比提高。

国内ETF市场自2018年开始繁荣发展，当前总规模接近4万亿元，与美国市场相比，后续发力点可能在资产配置组合、创新型ETF、主动管理向ETF的转型等。从持有人角度来看，机构为主要投资者，其中公募FOF减少了对主动权益型基金的持仓，且增配ETF，其主要原因除ETF的工具属性外，还有对于主动基金超额收益的讨论。

➤ 主动基金与ETF的业绩差异来自哪里？

主动权益型基金在行业配置上赚钱，在风格偏离上不占优，选股alpha稳定性较弱。其中，主动基金的风格偏离主要由于其长期追求成长性，导致在波动率、流动性和低估性风格上的长期负收益，且近年由于个股成长性与动量出现了一定程度的背离，在Beta和动量风格上的超额收益明显放缓。此外，基金的行业配置在一定程度上依赖于市场中的行业主线，即更容易通过集中配置获取定价权或趋势投资等方式，获得超额收益。与ETF相比，主动基金的超额收益一定程度上依赖于市场行业主线或成长行情，整体稳定性相对较弱。

➤ 针对国内ETF跟踪指数降维的问题，报告提出“聚类-评价-趋势”三层框架：

从类型来看，当前ETF覆盖范围广，非货币ETF跟踪指数超400个，其中行业ETF的跟踪指数接近250个，在一定程度上增加了投资选择的复杂度，我们将通过聚类和优选的方式解决这一问题。

➤ 聚类分析：根据成分股相似度对ETF跟踪的指数进行分类。

根据指数各期成分股及其权重，采用k-means++每半年度将各类指数按照成分股相似度划分成若干个区间，划分结果基本符合投资概念或板块的相似度要求。其中，k-means++通过概率化选择初始质心，确保质心之间尽量分散，覆盖不同数据分布区域，效果明显优于传统k-means聚类方法。

➤ 多维评价：从指数的基本面和业绩、ETF的费率和流动性角度进行评价和优选。

在聚类基础上，根据估值贡献影响、集中度、盈利能力、成长性的同类比较打分剔除基本面相对较弱的指数，在剩余指数中选择长短期夏普比率更高的前50%，对于无法获得成分数据的指数则仅根据夏普比较；此外，考虑交易成本、流动性、跟踪紧密度，进而选出跟踪同一指数的产品中成本更低、流动性更强的前1-2只产品，完成对各类ETF进行初步筛选。

➤ 热点趋势：通过最高价与最低价形态判断，选择当前趋势更强的ETF产品构建组合。

根据K线的最高价与最低价的上涨或下跌形态，先选出最高价与最低价同时为上涨形态的ETF；进一步根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子，并选择因子多头组中近5日换手率/近20日换手率最高，即短期市场关注度明显提升的10只ETF构建风险平价组合。组合2016年以来年化收益14.46%，年化波动14.44%，年化夏普1.0，相对于沪深300指数的年化超额12.56%，在择时和资产配置上较为准确。

01

2.1 中美ETF市场对比

美国ETF市场从最初的创新产品发展成为全球最大的ETF市场，其发展历程体现为金融创新、市场需求的增长、监管规则的适应性以及产品创新的不断推进。从1993年美国首只ETF在纽交所上市以来，经过了税收豁免的政策支持，覆盖的资产类别持续增加，主动管理和被动管理之间的界限逐渐模糊。到2019年美国SEC通过了新的规则“6c-11”，简化了ETF发行程序，为ETF创建一个统一、透明和高效的监管框架。截至2024年底，美国ETF市场的总规模超10万亿美元，以宽基权益型ETF为主。

近年国内ETF市场迎来快速增长，宽基同样为主要类型。

相比之下，国内

ETF

市场自

2018

年开始繁荣发展，目前经历行业主题类

ETF

快速发展、

宽基类占比回升等阶段，

2020-2023

年

ETF

数量迎来快速增长，而规模的跃升则是在

2024

年三季度，当前总规模接近

4

万亿元。目前基本对应美国

2013年前后的阶段发展，后续发力点可能在资产配置组合、创新型ETF、主动管理基金向ETF的转型等。

国内ETF覆盖范围较广，力求跟踪指数的差异化。从类型来看，当前ETF仍以宽基为主，行业和跨境ETF占比分别为17%和13%。与此同时，目前非货币ETF跟踪指数超400个，其中行业ETF的跟踪指数更是达到了245个，在一定程度上增加了投资选择的复杂度，在本文第二节中我们将通过聚类和优选的方式解决这一问题。

从持有人角度来看，机构为主要投资者，中央汇金的持有占比明显提升，与银行、保险、券商和其他机构共同构成ETF的主要持有人。从各期ETF的前十大持有人及其持仓金额占比来看，2024年上半年中央汇金明显提高了对于ETF的投资，且主要配置于宽基ETF。此外，从最新一期的持有人占比来看，宽基ETF的主要持有人为中央汇金和保险机构；风格、行业和跨境型ETF则主要由银行及银行理财、保险机构和公募持有；债券和商品型ETF的主要持有人为银行及银行理财、券商；其他投资者主要持有货币型ETF。

国内公募FOF的ETF持仓占比稳健提高，持有类型以跨境和债券型为主。从历史统计来看，公募FOF持仓基金相对集中在主动股基与债基，但2021年以来对ETF的持仓占比逐渐提升，从6.26%提升至当前13.68%的水平。而与之相对应的则是2023年以来主动权益型基金占比的降低，24Q4重仓基金中ETF和主动权益型基金占比分别为13.68%和21.02%。从公募FOF持有类型来看。以债券和跨境类为主，其中跨境ETF主要关注港股科技与美股、债券ETF主要为中短期利率债；此外行业ETF中金融地产和TMT板块占比较高，而宽基ETF则主要配置沪深300和创业板指。

1.2 主动基金与ETF的业绩差异来自哪里？

在国内ETF市场快速发展并受到机构投资者青睐的情况下，2024年已实现对于主动权益型基金规模的反超。同时前文中提到国内公募FOF减少了主动权益型基金的配置而增持ETF，其主要原因除ETF的工具属性外，还有对于主动基金超额收益的讨论，本段将主要分析主动基金与ETF收益差异的原因。

主动基金在市场逻辑转换、或明显下跌行情中更难有超额收益。

从全市场角度来看，主动权益型基金长期存在一定超额收益。

但将各年度业绩进行对比，发现主动基金相比于沪深

300

和中证

500

指数的年度胜率分别为

55.6%

和

50%

，其中在股权分置改革释放制度红利的

2007

年、推出量化宽松政策的

2009

年、杠杆资金入场的

2014

年、供给侧结构性改革的

2017

年、以及抱团瓦解轮动速度加快的

2023--2024

年主动基金相对于宽基的负向超额收益更为明显。

主动基金在行业配置上赚钱，在风格偏好上亏钱，选股alpha稳定性较弱。为分析主动与被动产品的收益差异，将主动基金相对于市场的超额收益进行拆分，从累计结果来看，主动基金的超额收益主要来自于行业配置，而在风格偏离上长期为负贡献，此外，选股alpha历史稳定性相对较弱，主要集中在在牛市的阶段。

主动基金在风格偏离上不占优主要由于其长期追求成长性。从基金持仓的风格暴露来看，长期偏好高成长、高Beta、高动量风格是公募的核心特征，并且也带来了持续的高收益，因此主动基金的风格收益主要是成长、Beta、动量带来的。但同时高成长的股票一般长期偏向于高估值、高波动率和高流动性，因此在波动率和流动性风格上带来了持续的负向收益；而价值和盈利因子的长期负暴露，也减少了基金在风格上的超额收益。此外，在市值和非线性市值风格上，2014-2016年暴露小市值正收益明显，2018年以来偏好大市值，受到市值风格切换的收益影响。

2022

年以来，由于个股成长性与动量出现了一定程度的背离，高成长个股不一定表现为高动量和高

beta

风格，导致主动基金在

Beta

和动量风格上的超额收益明显放缓

。但主动基金对成长的偏好没有显著变化，成长投资在大部分年份能够提供正超额，但

2018

、

2023

年成长的暴露带来了负超额。

行业配置是主动基金最重要的超额收益来源，但其依赖于市场中的行业主线。从整体的超额收益拆分可以发现行业配置具有长期较稳定的正贡献，但从各年度超额收益影响来看，行业收益更多地体现在2010、2013、2015、2017、2019-2021年。若将这些年份中主动基金重仓超配行业与该行业当年涨跌幅进行比较，则会发现，2013年主动基金主要在消费和TMT板块获得超额收益，以及后续2015年的计算机、2017年的电子、2019至2021年的医药+电新+TMT，但是这种超额收益更依赖于产业行情，延续性和稳定性相对较弱。也就是说，市场上存在明显行业主线、行业轮动频率不高的情况下，主动权益型基金更容易通过集中配置获取定价权或趋势投资等方式，获得超额收益。

在行业型基金中，主动基金超额收益的稳定性相对较弱，且一定程度上依赖于核心资产表现。而在整体情况之外，我们也从各行业板块来比较主动基金与相应ETF之间的业绩差异，其中主动型行业基金要求基金成立以来在该板块的平均配置占比超过70%。从主动基金相对于ETF的累计超额收益来看，除消费板块里主动基金长期跑输ETF外，其他行业的主动基金超额主要集中于2019-2021年初里，即在龙头抱团的市场中获得超额收益，其中超额收益较高且稳定的是周期板块的主动基金。

从产业发展趋势来看，主动基金较难把握科技和消费板块的上行趋势，但在制造板块中更能在行情到来时挖掘alpha。对于行业型基金的比较，除累计超额表现外，我们加入了对于产业周期的考量，即根据行业指数的估值分位点，将行业划分为三个时间阶段，统计不同阶段内主动基金相对于ETF的胜率，结果可以看出，在周期板块中主动基金能够把握行业趋势，挖掘alpha获得更高的超额收益，而科技和消费板块的主动基金则在产业上行阶段明显跑输ETF，持仓锐度和弹性相对较弱。

总结来说，对于目前国内ETF产品现状和与主动基金业绩差异的分析可以发现：

（1）目前国内ETF市场基本对应美国2013年前后的阶段发展，机构为主要投资者，后续发力点可能在资产配置组合、创新型 ETF、主动管理基金向ETF的转型等；

（2）与ETF相比，行业配置是主动基金最重要的超额收益来源，但在一定程度上依赖于市场行业主线，即通过集中配置获取定价权或趋势投资等方式获得超额收益，整体稳定性相对较弱；同时受到主动基金长期追求成长性的影响，其在风格偏离上不占，使得ETF这类工具化产品受到投资者青睐。

在第二节中，我们将对于

ETF

投资中的归类与选择问题进行分析。

02

ETF的聚类降维与综合评价

CHAPTER

国内ETF跟踪指数涉及范围较广，且在同一赛道下会追求差异化指数投资，这在一定程度上增加了ETF选择的复杂度。

因此本章将首先根据成分股聚类，将被跟踪指数进行初步分类，再在同类中从基本面角度进行指数间的比较和优选，进一步从费率和流动性等方面保留这些指数对应的

1-2

只

ETF

产品。

2.1 ETF跟踪指数的聚类：k-means++

我们采用k-means++算法对ETF指数进行聚类。k-means聚类是基于划分方法，先初始化k个簇类中心，基于计算样本与中心点的距离归纳各簇类下的所属样本，迭代实现样本与其归属的簇类中心的距离最小化的目标。

传统k-means算法的初始质心是完全随机选择的，可能导致：

（1）聚类结果不稳定：不同随机初始值可能导致完全不同的最终结果；

（2）收敛到局部最优：初始质心若集中在某一区域，算法可能无法找到全局最优划分；

（3）迭代次数增加：随机选择可能导致需要更多轮迭代才能收敛。

k-means++则是通过概率化选择初始质心，确保质心之间尽量分散，覆盖不同数据分布区域。这一优化可以减少局部最优风险，且加速收敛，优化后的初始值通常需要更少迭代次数达到稳定状态；并保证理论效果，使其期望误差上限优于纯随机选择。

（1）随机选择一个数据点作为第一个质心；

（2）对每个新质心的选择，计算所有数据点到已有质心的最短距离，即与最近质心的距离，以这些距离的平方值作为权重按概率分布选择下一个质心，其中距离越远的点被选中的概率越高；

3

）重复上述操作，直到选出

k

个质心，后续流程与传统

k-means

一致，即迭代更新质心并分配数据点。

根据指数各期成分股及其权重，采用k-means++每半年度将各类指数按照成分股相似度划分成(n/5)个区间，下图为最近一期对于行业型ETF跟踪指数的聚类，结果基本符合投资概念或板块的相似度要求。

2.2 同类指数的比较筛选

在上述指数聚类的基础上，同一类指数的优选主要考虑以下四个方面：成分股估值变化影响、集中度、财务指标、长短期夏普比率。

成分股估值变化影响可以在一定程度上衡量指数编制的合理性。在指数编制规则中，一些根据市值等筛选要求很可能导致将当前估值过高的个股纳入指数成分股，而随后受到估值均值回复的收益影响，因此可以通过统计指数估值变化对指数涨跌的贡献比例，来判断其选择个股过程的合理性。

（1）将股票收益拆解为四个部分：估值贡献+盈利贡献+分红贡献+股本稀释贡献。其中估值贡献来自于市净率的变动，盈利贡献来自于净利润导致的净资产增长，股本稀释的负向贡献来自于增发、配股等再融资活动，正向贡献来自于回购注销股份。

（2）计算个股在过去半年中估值变化对涨跌幅的影响程度；

根据指数成分股及权重，加权计算指数涨跌受估值变化的影响，其结果数值越低，则指数成分股被选入后估值回落程度越高。

指数集中度反映其受头部成分股和行业涨跌的影响程度。

在集中度部分主要考虑指数的前十大权重股占比、以及前五大行业涨跌影响程度，其中行业影响程度统计过去半年中指数涉及的各中信二级行业涨跌点数的绝对值，并计算前五大行业的涨跌点数占比，以此寻找受到少数成分股影响较小的指数。从市场平均统计来看，

2019

年之前由于

ETF

跟踪指数中宽基数量较多，因而其整体集中度相对较低，在

2019

年之后行业

ETF

数量增加，平均集中度也明显提高。

指数财务指标主要从盈利能力和成长性考虑。

在同一类型的指数中，通过

ROE_TTM

和营收同比增速来反映其成分股的盈利和成长性，从与沪深

300

指数的比较来看，目前

ETF

跟踪指数整体盈利和成长性要好于市场大盘。

根据上述对于指数基本面指标的刻画和分析，对k-means++聚类后同一类指数进行优选：

（1）指数基本面指标剔除后20%：根据估值贡献影响、集中度、盈利能力、成长性的同类比较打分后等权相加，剔除总分后20%的相对较弱的指数；

（2）选出同类高夏普指数：

在基本面负向剔除的基础上，剩余指数分别计算基期以来年化夏普、近一年夏普比率，并进行同类内等权打分，最终选择前

50%指数

。其中商品型、债券型和部分跨境型指数成分数据缺失，无法计算基本面指标，则仅根据长短期夏普比率打分选取各类前

50%。

2.3 同一指数ETF的综合筛选

在指数筛选的基础上，考虑交易成本、流动性、跟踪紧密度，设置ETF产品评价指标。对于跟踪同一指数的不同ETF产品，从成本和流动性角度进行同类内加权打分：费率得分（管理费+托管费）×40%+近一月日均成交额得分×20%+规模得分×20%+近一月跟踪误差得分×10%+近一月信息比率得分×10%，进而选出跟踪同一指数的产品中成本更低、流动性更强的前1-2只产品，其中若指数跟踪产品数量超过5只则保留前2只ETF。

在

kmeans++

聚类的划分基础上，结合跟踪指数优选与相应

ETF产品的打分，对各类ETF进行初步筛选。历史统计结果来看，选出的ETF下一期平均收益要高于全部ETF，其中宽基、行业、债券ETF初步筛选后提升效果更为明显。最近一期选出的各类ETF列表见附录。

03

ETF热点趋势策略：基于支撑与阻力形态

CHAPTER

在第二节对于指数和相应

ETF

优选的基础上，本节我们将根据

ETF

的量价情况构建短期择机组合。

3.1 通

过最高价与最低价形态选择趋势更强

ETF

K线的最高价和最低价是多空力量极值博弈的结果，蕴含更多的阻力和支撑信息。ETF日度的成交价格都包含在最高价和最低价形成的空间里，在最高价这条阻力线之下，在最低价这条支撑线之上，利用一段时间的支撑与阻力变化可以在一定程度上帮助我们进行ETF投资。

通过最高价与最低价形态判断，选择当前趋势更强的ETF产品

根据

K

线的最高价与最低价的上涨或下跌形态，可以粗略地将其划分为四类：

最高价↑最低价↑

、最高价↑最低价↓、最高价↓最低价↑、最高价↓最低价↓。而在其中，我们主要选择趋势最强的最高价与最低价同时为上涨形态的产品。

进一步，在上涨过程中，如果最高价比最低价的上涨势头更强，即支撑明显强于阻力，上行可能会持续，价格加速上涨；反之如果最低价比最高价的上涨势头更强，即阻力明显强于支撑，上涨可能即将结束，价格见顶。

根据

K

线的最高价与最低价过去

20

个交易日的回归系数，来进行其形态的划分，并周度调整，计算每种状态下

ETF

的下期收益表现，从结果来看，最高价与最低价同时上涨的

ETF

长期弹性更强，基本能够把握近年市场机会，因此接下来将从这一形态中，选择支撑更强、阻力更弱的

ETF

构建组合。

3.2 ETF热点趋势策略构建

支撑阻力因子的构建：当最高价更为陡峭时，支撑强度强于阻力强度，此时最高价变动比最低价迅速，在上涨中阻力渐小，上方上涨空间大。

（1）：最近20个交易日ETF最高价的斜率，即利用过去20个最高价数据与[1]进行回归，取回归系数；

（2）：最近20个交易日ETF最低价的斜率；

（3）支撑阻力因子= 

在指数与

ETF

多维打分初筛的基础上，再选择最高价和最低价均上涨的

ETF

，最后根据支撑阻力因子进行周度分组表现如下，其中在

2018

年之前的分组效果会受到

ETF

数量较少的影响。

ETF热点趋势策略构建：

（1）根据指数与ETF基本面打分初筛；

（2）初筛后选择最高价和最低价均上涨的ETF根据支撑阻力因子排序，取因子值最高的前20%；

（3）再选择近5日换手率/近20日换手率最高，即短期市场关注度明显提升的10只ETF，每周根据风险平价计算权重构建组合。

在按照

0.05%

扣费后，截至

2025

年

2

月

21

日，支撑阻力组合

2016

年以来年化收益

14.46%

，年化波动

14.44%

，年化夏普

1.0

；相对于沪深

300

指数的年化超额

12.56%

，相对于全部

ETF

的年化超额为

11.05%

；其中

2016-2017

年的超额回撤主要是当时市场上

ETF

数量较少，且在基本面筛选后大盘宽基占比较低。

ETF热点趋势策略组合在择时和资产配置上都有精准效果。从组合配置ETF类型变化来看，2016年组合以债券型ETF为主，2017年则变为行业和宽基型，2018年又转为债券与跨境型；2019-2021年以行业和宽基ETF为主；2022-2024年年中则是债券ETF为主，在2024年9月底再次增加了行业和宽基型占比。

最新一期组合ETF中医药和AI相关赛道占绝大多数。

04

国内ETF市场处于快速发展阶段，规模增加、机构持仓占比提高。国内ETF市场自2018年开始繁荣发展，在2024年三季度迎来规模的跃升，实现对于主动权益型基金规模的反超，当前总规模接近4万亿元；从类型来看，当前ETF覆盖范围广，仍以宽基为主，同时目前非货币ETF跟踪指数超400个，这也在在一定程度上增加了投资选择的复杂度。在ETF的投资者中，公募FOF的ETF持仓占比稳健提高，相应减少了对主动权益型基金的持仓，其主要原因除ETF的工具属性外，还有对于主动基金超额收益的讨论。

与ETF相比，主动基金的超额收益在一定程度上依赖于市场行业主线或成长行情，整体稳定性相对较弱。从全市场角度来看，主动权益型基金长期存在一定超额，但在市场逻辑转换、或明显下跌行情中较难有超额收益。从主动基金的超额收益拆分结果发现，其在行业配置上赚钱，在风格偏好上亏钱，选股alpha稳定性较弱。其中，主动基金在风格偏离上不占优主要由于其追求成长性的核心，导致在波动率、流动性和低估性风格上的长期负收益，且近年由于个股成长性与动量出现了一定程度的背离，在Beta和动量风格上的超额收益明显放缓。此外，行业配置虽然是主动基金最重要的超额收益来源，但其依赖于市场上存在明显行业主线、行业轮动频率不高的情况。

从跟踪指数的基本面和业绩、ETF的费率和流动性角度进行归类和优选。根据指数各期成分股及其权重，采用k-means++每半年度将各类指数按照成分股相似度划分成若干个区间，在聚类基础上，根据估值贡献影响、集中度、盈利能力、成长性的同类比较打分剔除基本面相对较弱的指数，在剩余指数中选择长短期夏普比率更高的前50%；此外，考虑交易成本、流动性、跟踪紧密度，进而选出跟踪同一指数的产品中成本更低、流动性更强的前1-2只产品，完成对各类ETF进行初步筛选。

通过最高价与最低价形态判断，选择当前趋势更强的ETF产品构建短期择机组合。

根据

K

线的最高价与最低价的上涨或下跌形态，选择其中趋势最强的最高价与最低价同时为上涨形态的

ETF

。进一步根据最高价与最低价的相对陡峭程度，构建支撑阻力因子，并选择因子多头组中近

5

日换手率

/

近

20

日换手率最高的

10

只

ETF

构建风险平价组合。

2016

年以来年化收益

14.46%

，年化波动

14.44%

，年化夏普

1.0

，相对于沪深

300

指数的年化超额

12.56%

，在择时和资产配置上较为准确。

1）基金历史业绩不代表未来业绩。本报告仅对基金产品进行定量不定性分析，不做任何推荐建议。基金历史业绩不代表未来业绩，基金投资有风险，投资者需谨慎决策。

2）量化统计未来有失效风险。量化统计基于历史数据，如若市场环境、政策环境等发生变化，不保证规律的延续性。

06

结合跟踪指数优选与相应

ETF

产品的打分，最近一期初步筛选出的各类

ETF

列表如下。

报告信息：

关舒丹  S0100524060004  guanshudan@mszq.com

本文来自民生证券研究院于2025年2月28日发布的报告《ETF的聚类优选与热点趋势策略构建》，详细内容请阅读报告原文。

《证券期货投资者适当性管理办法》于2017年7月1日起正式实施，通过本微信订阅号/本账号发布的观点和信息仅供民生证券的专业投资者参考，完整的投资观点应以民生证券研究院发布的完整报告为准。若您并非民生证券客户中的专业投资者，为控制投资风险，请取消订阅、接收或使用本订阅号/本账号中的任何信息。本订阅号/本账号难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本订阅号/本账号推送内容而视相关人员为客户；市场有风险，投资需谨慎。

免责声明

民生证券股份有限公司（以下简称“本公司”）具有中国证监会许可的证券投资咨询业务资格。本报告仅供本公司境内客户使用。本公司不会因接收人收到本报告而视其为客户。本报告仅为参考之用，并不构成对客户的投资建议，不应被视为买卖任何证券、金融工具的要约或要约邀请。本报告所包含的观点及建议并未考虑个别客户的特殊状况、目标或需要，客户应当充分考虑自身特定状况，不应单纯依靠本报告所载的内容而取代个人的独立判断。在任何情况下，本公司不对任何人因使用本报告中的任何内容而导致的任何可能的损失负任何责任。

在法律允许的情况下，本公司及其附属机构可能持有报告中提及的公司所发行证券的头寸并进行交易，也可能为这些公司提供或正在争取提供投资银行、财务顾问、咨询服务等相关服务，本公司的员工可能担任本报告所提及的公司的董事。客户应充分考虑可能存在的利益冲突，勿将本报告作为投资决策的唯一参考依据。