利用申赎清单提升债券ETF透明度 [page::0][page::2]

• 债券ETF约90%仓位对应指数及备选池成份券，其余通过非成份券替代，控制跟踪误差0.2%日偏离度和12%年误差。

- 信用债ETF基准做市清单债券数量远大于指数成分和实际持仓，申赎清单个券数量最少(~70+)。

• 申赎清单高度接近真实持仓，揭示底层财富结构及主动交易操作特征。

- 30年国债ETF实例显示不同ETF由不同指数编制，有差异化的久期配置和交易策略 [page::2][page::3]

信用债ETF产品多维属性分析 [page::4]

• 39只债券ETF加权久期、隐含评级、到期收益率分布差异明显，信用债ETF久期差异最大约1.4年，科创债ETF差异达1.9年。

- 2024年以来的长债ETF持仓调整表现出针对波动性的差异化主动久期管理。

信用债ETF规模与成分券数量动态同步扩张 [page::5]

• 信用债ETF存续规模快速增长，成分券数量同步扩张，2025年每周新增债券数量从十余只至近百只。

- 主动筛选聚焦发行主体、久期、评级、收益率、剩余规模和期限符合ETF持仓要求。

• 抢券行情带来流动性提升和利差压缩，部分非成份券存在套利机会。

信用债ETF新调入债券主体跟踪与模型预测 [page::6][page::7]

• 新调入债券主体中47%-69%此前已经出现在申赎清单，显示较强的调入惯性。

- 基于LightGBM机器学习模型，输入债券特征及历史调入数据，拟合调入概率，提供调入原因解释。

• 预测模型针对两只信用债ETF的顶级潜在调入债券预测准确率分别为45%和35%（Top20中9只和7只预测正确）。

机器学习模型预测债券调入示例与风险提示 [page::7]

| 可能性排序 | 债券代码 | 债券名称 | 潜在调入逻辑 | 已持有ETF代码 |
|------------|----------|----------|---------------------------------------------|----------------------------|
| 1 | 241638.SH| 24赣交K3 | 持有同类ETF，到期收益率，发行主体，久期等 | 511070.SH, 511200.SH |
| 2 | 115904.SH| 23渝富03 | 持有同类ETF，到期收益率，票面利率等 | 511070.SH, 511190.SH,511200.SH |
| ... | ... | ... | ... | ... |

• 投资者应注意模型基于历史数据，具有一定局限，结果需结合市场实况谨慎使用。[page::7]

债券ETF进阶：交易策略和持仓预测 —— 深度分析报告

---

一、元数据与概览

• 报告标题： 《债券ETF进阶：交易策略和持仓预测》

- 作者： 陈奥林、肖植桐、Allin君行

• 发布机构： 浙商证券研究所

- 发布日期： 2025年7月30日

• 研究主题： 中国债券ETF的交易策略、持仓结构及未来持仓预测，重点覆盖信用债ETF及科创债ETF

- 核心论点： 债券ETF并非简单的被动指数复制工具，而是带有较强主动管理特征。通过申赎清单的高频数据解析，揭示债券ETF的主动管理和调样策略。同时，借助机器学习方法预测不同债券在ETF调入中的概率，提升市场透明度并为投资者提供前瞻信息。

• 评级及目标价： 报告无明确评级及目标价，定位为策略和量化工具研究型分析。

- 主要信息传递： 报告通过申赎清单揭示债券ETF底层持仓的主动调整规律，同时利用机器学习技术预测债券的被买入概率，成为债券ETF投资及交易决策的重要工具。信用债ETF和科创债ETF正迎来高速发展期，空间广阔，主动调仓能力和持仓结构透明度成为分析关键。

---

二、逐节深度解读

1. 利用申赎清单提升债券ETF透明度

核心论点

债券ETF并非完全被动跟踪，其运作涉及主动抽样和择时买券，基金管理人允许偏离指数成份券但需满足严格的跟踪误差限度。申赎清单（PCF清单）作为ETF与市场间交易的资产组成披露，几乎高度接近ETF真实持仓，是理解ETF操作的关键。

支撑依据

• 绝大部分债券ETF约定，90%以上仓位必须源自指数成份券及其备选池，剩余部分可在券池之外寻找替代券，但须确保交易日内偏离指标低于0.2%，年度跟踪误差不超过12%。

- 基准做市清单数量多于债券指数成份券，继而多于实际ETF持仓，最后是申赎清单，层级结构清晰（图1示意）。

• 存在基金在一级市场补券的特殊成本，特别是在市场流动性不足时，主动管理策略尤为重要，并对最终持仓及收益率产生较大影响。

- 两只30年期国债ETF明显持仓久期及收益表现存在差异，说明虽然类似产品定位，但实际底层策略操作差距显著，申赎清单加权久期从20至22+浮动（图2）。

关键数据点

• 信用债ETF的基准做市清单多于200只债券，债券指数成份券在100-200只，持仓数量低于此，申赎清单数量最低（70+）。

- 2025年不同信用债ETF久期差距最大达1.4年，科创债ETF最大差异1.9年。

• 30年国债ETF511090和511130两者加权久期分别呈现不同走势，并由申赎清单动态显现差异（图2、图3）。

结论

ETF基金管理人借助申赎清单实现了更灵活、更主动的债券调仓操作，而非单纯被动复制。投资者通过申赎清单可窥见ETF真实运作，辨别不同ETF产品质量与管理能力。

---

2. 机器学习预测，哪些个券更容易被ETF买入？

核心论点

债券ETF成分券扩容遵循一定规律，倾向于优选属性相似的债券以保障流动性和策略容量，ETF监督申赎机制强化了成分券的动态管理。通过机器学习模型（LightGBM）能预测未来哪些债券最有可能被调入ETF。

支撑依据

• 持仓扩容同频伴随申赎清单中成分券数量大幅增加。以159397信用债ETF为例，2025年初以来ETF规模和成分券数量同步高增长（图6）。

- 信用债ETF每周新增调入债券数量电动幅度明显，最高可超90只（图7）。

• 调入个券更注重发行主体、整体久期、隐含评级、到期收益率及剩余期限，流动性是核心考量。

- 部分非成分券表现出抢配行情，机构预期成分券调整方向导致市场提前交易。

• 新调入债券的主体在申赎清单已现身的比例达47%-69%（图8）。

机器学习模型

• 采用LightGBM基于历史申赎清单和债券特征自动训练。

- 特征包括票面利率、剩余期限、发行主体、久期、债券余额、隐含评级、到期收益率、同类ETF持有情况等。

• 采用多轮智能匹配和特征筛选，模型具备高解释性，输出调入概率及其主要驱动因素（图9流程图）。

预测效果

• 针对信用债ETF(511110)，6月底预测Top20债券中，有9只7月份确实被调入。

- 针对信用债ETF(159369)，6月底预测Top20预测成功7只。

• 预测样本对比表详细列示债券标的及模型解释（图10、图11）。

结论

机器学习有效捕捉了债券调入ETF的关键影响因素，具备较强预测能力。该工具不仅揭示了债券ETF主动调仓路径，还能帮助投资者提前识别潜在标的，提升交易与投资效率。

---

三、图表深度分析

图1：债券ETF主动管理和抽样流程

• 展示了基准做市清单、债券指数成分、ETF持仓和申赎赎回清单数量由多到少的层级结构。

- 反映ETF实际持仓与指数成分的差异，强调申赎清单能反映ETF真实操作。

• 说明债券ETF品种多、筛选层级复杂，且流动性约束明显。

图2：30年国债ETF久期日度变动对比

• 图中511090久期始终高于511130，且两者久期走势虽都呈上升态势，但511130变动更灵活。

- 5月中旬后久期均显示跳升，反映主动调整策略。

• 恰好对应两ETF收益差超30BP的原因之一。

图3：申赎清单体现的主动调整能力

• 当申赎清单加权久期显著调整时有标志点，表明ETF管理人利用调样策略对冲市场波动。

- 价格走势（蓝线）与清单权重调整（点状）同向或预示市场情绪。

图4：39只债券ETF关键指标（久期、隐含评级、收益率）

• 展示了债券ETF覆盖利率债、政金债、地方债、信用债多个细分类别的不同加权久期与收益曲线。

- 如信用债ETF的收益较高，久期跨度明显，反映风险收益特征与管理特色。

• 通过对不同基金公司的ETF产品做横向对比，可窥见主动管理能力差异。

图5：2024年以来三只长债ETF持仓久期变化

• 体现ETF基金间不仅产品定位不同，且应对市场波动的交易策略存在明显差异。

- 华夏10年ETF主动调整频繁，博时30年ETF久期调整较为稳定。

图6-7：信用债ETF规模与成分券数量同步扩张

• 以159397为例，ETF规模与其申赎清单债券数量同步快速上升，映射ETF容量扩容压力。

- 图7的各基金周度新增债券数量展现了多ETF共同扩容的动态。

图8：新调入债券的主体在申赎清单中出现比例

• 信用债ETF博时、天弘等ETF的超六成新债券主体已在申赎清单出现，验证了连续持仓逻辑。

图9：LightGBM机器学习模型流程

• 梳理数据准备、样本构建、特征定义、机器学习训练和输出预测概率的全流程。

- 强调模型的可解释性，便于分析每种债券被调入的驱动因素。

图10-11：模型预测准确性示例

• 511110 ETF中Top20预测债券中确认9只调入，159369 ETF确认7只，均数值上表现较好。

- 预测债券列表附带调入逻辑和持有ETF代码，增强应用实际参考价值。

---

四、估值分析

报告未涉及对债券ETF本身的估值测算，也未对债券个券的内在价值做详细DCF或收益率曲线估值。但通过申赎清单和久期指标的精细分析，间接呈现ETF的风险收益特征和潜在波动，指导交易结构优化。

机器学习模型则基于分类预测逻辑输出债券被纳入概率，为择券或交易决策加上概率权重，属于量化策略分析的一个维度。

---

五、风险因素评估

1. 历史数据局限性

报告多次提示，所有数据皆基于历史公开数据整理，历史表现不代表未来。[page::7]

1. 模型风险

机器学习预测模型依赖于过去的历史模式，未来市场结构、监管政策、流动性状况的变化可能导致模型失效。[page::7]

1. 流动性风险

一级市场补券和替代券选择高度依赖市场流动性，流动性不足可能导致补券成本飙升，影响ETF净值和跟踪误差。[page::2]

1. 跟踪误差风险

债券ETF允许一定范围的指数跟踪误差，主动管理带来的潜在偏离风险需投资者关注。[page::2]

1. 市场波动风险

不同ETF产品久期调整策略差异明细，面对利率波动，久期管理不当带来的价格风险可能加剧。[page::3]

风险缓释措施未明确提及，报告建议基于模型结果时需谨慎对待，结合市场环境审慎使用模型输出。

---

六、批判性视角与细微差别

• 主动管理与被动定位的矛盾

债券ETF名义上追踪指数，但允许90%成分券率之外的主动替代，这使得ETF在“被动”与“主动”之间摇摆，投资者需警惕ETF产品实际主动操作程度与基金销售宣传之间的差距。[page::2]

• 模型准确率的现实局限

虽然模型预测效果不错，但命中率不到50%，存在显著误判空间，且模型机制依赖历史相似性，面对突发变动或政策调整，灵活度或不足。[page::7]

• 申赎清单数据披露的时效性与完整性

申赎清单虽然高频且接近真实持仓，但可能受披露延迟、数据缺失等影响，投资者解读时需保持谨慎。

• 跨ETF品种管理差异

相同类型的债券ETF因指数提供方、做市制度差异、管理公司策略不同，其实际风险收益特征差异显著，不能以“一刀切”逻辑看待。

---

七、结论性综合

本报告通过详实的数据解析和量化分析，揭示了债券ETF主动管理的新格局，展现了ETF持仓构建的复杂性和市场交易机制的活跃度。一方面，申赎清单作为重要的高频数据来源，极大提升了债券ETF的透明度，使投资者能够更精准地把握持仓结构和主动调仓策略的颗粒度信息。通过对39只债券ETF的加权久期、隐含评级、实际收益率等多维度指标，报告指出相同定位ETF之间存在明显的久期和收益差异，凸显主动管理带来的天花板效应和市场套利空间。

另一方面，利用机器学习特别是LightGBM模型，成功预测出成分券被调入ETF的概率，准确识别投资热点和前瞻机会，推动债券ETF交易策略的数字化、智能化。模型不仅结合了债券各项属性数据，还强调了同类ETF持有历史的重要影响，充分体现了ETF管理策略的市场逻辑。

风险提示明确了模型和数据的局限性，提醒投资者谨慎使用，结合市场实际动态进行操作。本报告既是对债券ETF市场现状的深刻洞察，也是未来交易策略优化和投资决策的重要工具。

---

参考文献及图片：

• 图1债券ETF主动管理和抽样流程 [page::2]

- 图2 30年国债ETF久期日度变动 [page::3]

• 图3 申赎清单显主动调整能力 [page::3]

- 图4 39只债券ETF关键指标展示

• 图5 长债ETF持仓变化 [page::4]

- 图6-7 信用债ETF规模和成分券数量扩张 [page::5]

• 图8 新调入债券主体重复出现比例 [page::6]

- 图9 LightGBM机器学习模型流程 [page::6]

• 图10-11 机器学习模型调入预测对比 [page::7]

---

本次深度解析覆盖了债券ETF的关键运营机制、主动调仓特征、机器学习预测模型及其实际应用场景，提供了极具参考价值的前沿量化投资策略思路及操作框架。

报告