行业ETF轮动策略实战（二）：精选候选池——打造你的赛道武器库

摘要： 本文是"行业ETF轮动"系列专题的第二篇。在上一篇中，我们理解了行业轮动的高弹性与高风险。今天，我们将从零开始，手把手构建一个用于实战的行业ETF候选池。文章将详解筛选候选池的四大硬性原则------流动性、规模、低相关性、足够历史，并给出完整的Python筛选代码。最终，你将得到一个包含8-12只核心行业ETF的优质候选池，为接下来的策略搭建打下坚实基础。

大家好，我是你们的老朋友。上一篇我们聊了行业ETF轮动的魅力和挑战。今天，我们就来干一件最基础也最重要的事：把候选池定下来。

在宽基轮动中，候选池只有寥寥几只ETF，闭着眼睛都能选。但面对五花八门的行业ETF，如果你不加以筛选，随便丢进策略里，回测结果很可能被流动性差的品种严重污染，甚至得出完全错误的结论。

这一篇，我们就来做一个严谨的"池子管理员"。

一、行业ETF的丰富图景

目前A股市场上的行业/主题ETF已经超过上百只，覆盖了消费、医药、科技、制造、周期、金融等几乎所有大类板块。我们可以粗略地把它们分为几大阵营：

大消费：酒ETF、食品饮料ETF、家电ETF、农业ETF、旅游ETF
医药：医药ETF、医疗ETF、生物医药ETF、创新药ETF、中药ETF
科技与新能源：芯片ETF、半导体ETF、5G ETF、通信ETF、计算机ETF、新能源车ETF、光伏ETF、电池ETF
制造与军工：军工ETF、机械ETF、汽车ETF
周期与资源：煤炭ETF、有色金属ETF、稀土ETF、钢铁ETF、化工ETF
金融地产：银行ETF、券商ETF、保险ETF、房地产ETF
传媒与互联网：传媒ETF、游戏ETF、人工智能ETF

面对如此丰富的"武器库"，我们不可能全部纳入。必须建立一套严格的筛选标准，选出最具代表性、最适合动量轮动的品种。

二、候选池筛选四大硬性原则

原则一：流动性------日均成交额大于5000万

这是第一道，也是最不可妥协的防线。一个ETF如果日成交额只有几百万元，在实盘中稍微大一点的资金就会显著推高买入成本，或者卖不出去。动量轮动要求我们能在调仓日迅速完成换仓，流动性差是致命伤。

我们使用 pytdx 可以获取到每日的成交额数据。不过，更简单的办法是利用 akshare 或者直接在东方财富等网站上查看。在回测框架中，我们可以预先计算每只ETF过去一段时间的日均成交额，并将不达标的剔除。

下面是一段示例代码，假设我们已经有了每只ETF的历史日线数据（包含 amount 列），来计算日均成交额并进行筛选：

python 复制代码

def filter_by_liquidity(etf_data_dict, min_daily_amount=50000000):
    """
    根据日均成交额筛选ETF
    etf_data_dict: {代码: DataFrame(含amount列)}
    min_daily_amount: 最小日均成交额，默认5000万
    """
    qualified = {}
    for code, df in etf_data_dict.items():
        avg_amount = df['amount'].mean()
        if avg_amount >= min_daily_amount:
            qualified[code] = df
            print(f'{code} 通过流动性筛选，日均成交额：{avg_amount:.0f}')
        else:
            print(f'{code} 未通过流动性筛选，日均成交额：{avg_amount:.0f}')
    return qualified

在实际操作中，你可以直接参考公开的流动性排名，只保留日成交额稳定在5000万以上的品种。通常，头部行业ETF（如证券ETF、医药ETF、芯片ETF）日成交额都在几亿甚至几十亿，流动性毫无问题。

原则二：规模------基金规模大于2亿元

规模太小的ETF有清盘风险。一旦清盘，策略被迫卖出，可能产生不必要的冲击成本。基金规模的数据在季报中披露，也可以从一些数据接口获取近似值。我们可以简单地设定一个阈值，比如2亿元。

如果数据源不直接提供规模，可以用"收盘价×流通份额"来估算。这里我们用一个简化的方式：假设每只ETF的份额相对稳定，回测中可以先通过外部数据手动维护一个"白名单"。

示例：手动维护一个基金规模白名单（数据仅供参考，实际以最新季报为准）

python 复制代码

etf_scale_white_list = {
'512880': True, # 证券ETF
'512010': True, # 医药ETF
'159995': True, # 芯片ETF

#  ... 更多
}

对于追求严谨的回测，可以定时更新规模数据，自动剔除规模过小的品种。

原则三：低相关性------同类只保留一只

这是优化候选池质量的关键一步。如果我们同时把"酒ETF"和"食品饮料ETF"都放进池子里，它们的走势高度相关，排名往往一前一后。动量轮动可能会今天选这个，明天选那个，产生大量无效换仓，白白磨损手续费。

我们需要对候选池进行一次"去重"，确保每个细分行业只保留最具代表性的那一只。以下是一些常见的去重决策：

酒ETF vs 食品饮料ETF：保留酒ETF（纯度高，弹性大）
医药ETF vs 医疗ETF vs 生物医药ETF：保留规模最大、流动性最好的医药ETF或医疗ETF
芯片ETF vs 半导体ETF：二者高度重叠，保留成交更活跃的芯片ETF
5G ETF vs 通信ETF：保留通信ETF（覆盖面更广）
新能源车ETF vs 电池ETF：新能源车ETF包含了上中下游，更全面，但电池ETF弹性更大，可保留其一

你可以根据自己的偏好和市场认知来决定。核心原则是：一个子行业只留一只。

原则四：历史时长------上市至少1年以上

新上市的ETF往往需要一段时间来稳定规模、沉淀流动性，而且没有足够长的数据用于回测。我们要求候选ETF至少要有1年以上的交易历史，以确保回测的可靠性。

在代码中，可以通过检查每个ETF的数据长度来过滤：

python 复制代码

min_days = 252 # 大约一年的交易日
qualified_etfs = {code: df for code, df in etf_data_dict.items() if len(df) >= min_days}

三、构建一个标准化的候选池

综合以上原则，我为你筛选出一个经过验证、适用于A股行业轮动的标准化候选池。它覆盖了主要的进攻性赛道，且流动性充沛、相互之间相关性可控。

ETF代码	简称	赛道
5128XX	证券ETF	金融（进攻先锋）
5120XX	医药ETF	医药
1599XX	芯片ETF	科技
5157XX	光伏ETF	新能源
5150XX	新能源车ETF	新能源车
5126XX	军工ETF	军工
5126XX	酒ETF	消费（白酒）
1598XX	游戏ETF	传媒/互联网
5128XX	银行ETF	金融（防御型）
5124XX	有色金属ETF	周期资源
5100XX	上证50ETF	宽基（可选作为基准）

如果希望加入更多品种，可以考虑煤炭ETF（515220）、家电ETF（159996）等。但建议候选池总数控制在8-12只，过大的池子会增加换手率和噪音，且很多行业本质上是同涨同跌的。

在Python中，我们可以将候选池定义为：

python 复制代码

sector_etf_pool = {
    '512880': (1, '证券ETF'),
    '512010': (1, '医药ETF'),
    '159995': (0, '芯片ETF'),
    '515790': (1, '光伏ETF'),
    '515030': (1, '新能源车ETF'),
    '512660': (1, '军工ETF'),
    '512690': (1, '酒ETF'),
    '159869': (0, '游戏ETF'),
    '512800': (1, '银行ETF'),
    '512400': (1, '有色金属ETF'),
    #  更多...
}

四、写在动手之前

选定候选池之后，我们就可以把这张列表无缝对接到之前宽基轮动的代码框架里了。下一篇，我们将直接用这个候选池跑一次完整的回测，看看行业ETF轮动到底能贡献多大的超额收益，同时也要直面它带来的高回撤。

在做这件事之前，我建议你再次确认：你是否真的理解了行业ETF的波动风险？是否在心理上做好了面对30%以上回撤的准备？如果答案是肯定的，那么下一篇文章，我们不见不散！

下一篇预告：行业ETF轮动策略回测------直面收益与回撤的真实面貌