技能使用指南

ETF分析（ETF量化分析Skill）Skill 是什么？一文讲清筛选、指标与配置方法

ETF量化分析Skill提供ETF分类、跟踪误差、折溢价率、费率拖累、流动性评估与组合构建的完整框架，内含Python代码模板与提示词模板，覆盖A股与QDII市场特色。想系统化筛选ETF、搭建行业轮动与资产配置策略？立即了解这套可复用的量化分析框架。

ETF量化分析SkillETF分析
22 个章节 约 19 分钟阅读 AI 智能生成

ETF量化分析Skill：用一套可复用的分析框架，把ETF从“买入标的”变成“可量化配置的资产”

  • 系统化框架：覆盖 ETF 分类、核心指标、筛选方法论、策略应用、中国市场特色、组合构建与数据分析七大模块，不是零散技巧，而是一套完整分析链路。
  • 量化可落地：内置跟踪误差、折溢价率、综合评分、费率拖累、因子暴露等计算逻辑与 Python 代码模板，可直接用于筛选与回测。
  • 本土化视角：专门覆盖 A 股 ETF 市场特色，包括场内 ETF 与场外联接基金差异、QDII 溢价警戒线、指数调整规律与个人投资者税务处理。
  • 策略覆盖广：核心-卫星、行业动量轮动、宏观周期轮动、Smart Beta 因子暴露、杠杆衰减、折溢价与跨市场套利均有对应方法。
  • 风险提示到位：明确列出杠杆 ETF 禁止长持、QDII 溢价双杀、小规模清盘风险、流动性不足自我冲击等关键注意事项。

1. 该技能叫什么？如何一键安装 AI 技能提升开发效率？

基本信息

项目 内容
技能中文名 ETF量化分析Skill
技能英文名 ETF分析
技能ID 14231
技能分类 asset-class（资产类别）
技能定位 ETF 分析框架，涵盖产品筛选、费率比较、跟踪误差、流动性评估、策略应用，以及中国市场 ETF 量化配置思路

它解决什么问题

做 ETF 投资或量化研究的人，通常会在以下几个地方卡住：

第一，信息散落。ETF 的规模、费率、跟踪误差、折溢价、流动性分散在不同平台，缺少统一口径的比较框架，选一只沪深300ETF 可能要手动翻五六张表。

第二，指标不会算。跟踪误差怎么年化、折溢价率多少算异常、费率对 20 年收益的拖累有多大，很多投资者知道概念但缺少可直接运行的计算模板。

第三，策略落地难。核心-卫星怎么配比、行业轮动用什么信号、再平衡该多久做一次、成本如何权衡，缺少从策略思路到代码实现的完整链路。

第四，中国市场特殊性被忽略。QDII 溢价、分级基金历史教训、指数半年调整规律、个人与机构税务差异，这些是通用英文资料里通常不覆盖的内容。

这个技能把这些内容组织成一套结构化的分析框架，让 AI 助手在处理 ETF 相关任务时，能够按统一方法论输出，而不是每次重新“凭感觉”作答。

一键安装的思路与步骤

所谓「一键安装」AI 技能，本质是把技能描述文件加载到你的 AI 助手环境中，让它具备对应的知识框架与分析方法。通用流程如下（具体命令与入口以你所用平台的官方说明为准）：

第 1 步：确认安装前提

  • 你使用的 AI 助手/开发环境支持「技能（Skill）」扩展机制；
  • 具备可读取的技能描述文件（如 SKILL.md 或平台要求的结构化配置文件）；
  • 若涉及代码执行，需要 Python 环境及常用数据分析库（pandas、numpy、scipy 等）；
  • 若需要真实行情数据，需自行准备数据源账号（技能中示例使用 Tushare 接口，实际使用需按官方说明申请）。

第 2 步：执行安装

在支持技能市场的平台中，可通过技能 ID 14231 检索该技能并一键添加；若平台以文件方式加载，则将技能描述文件放入指定技能目录，或在配置中声明技能名称与分类（asset-class）。具体命令、路径与入口因平台而异，请以官方说明为准。

第 3 步：验证是否生效

安装完成后，用一条简单的测试指令确认技能已被正确加载，例如：

「请按 ETF 分析框架，说明比较同一指数的多只 ETF 时，应该按什么顺序筛选，每一步的判断标准是什么。」

如果助手能按「规模筛选 → 费率比较 → 跟踪误差 → 流动性 → 基金公司」的顺序作答，并给出具体的阈值参考（如规模剔除 5 亿以下、跟踪误差优秀线 0.2%），说明技能已生效。

再补一条验证指令，检查量化能力：

「请给出计算 ETF 年化跟踪误差的公式和一段可直接运行的 Python 实现。」

能输出「日跟踪误差 = std(ETF 日收益率 − 指数日收益率)，年化 = 日跟踪误差 × √252」并附上代码，说明技能中的量化模板部分可正常调用。

2. 该技能的主要功能和特点

核心功能清单

  • ETF 产品分类体系：按标的资产分为宽基、行业、主题、策略/Smart Beta、商品、债券、跨境 QDII、货币八大类；按结构分为普通 ETF、LOF、ETF 联接基金、杠杆/反向 ETF，并说明各自的交易与申赎差异。
  • 六大核心指标计算：跟踪误差（含年化公式与优秀/合格/较差三档评级）、信息比率、折溢价率、流动性四项指标（日均成交额、买卖价差、盘口深度、换手率）、综合费率、规模与清盘风险评估。
  • 同类 ETF 量化评分模型：给出满分 100 分的评分函数，规模 30 分、费率 25 分、跟踪误差 30 分、流动性 15 分，可直接用于批量排序。
  • 费率长期拖累分析：提供复利损耗公式与代码，量化 0.5% 与 0.15% 费率在 10 年、20 年维度下的收益差距。
  • 策略应用框架：核心-卫星策略、行业动量轮动、宏观周期轮动、Smart Beta 因子暴露回归、杠杆 ETF 衰减估算、折溢价套利与跨市场套利。
  • 中国市场特色模块：场内 ETF 与场外联接基金六维对比、QDII 溢价三档警戒线、LOF 转托管路径、分级基金历史教训、主要宽基指数体系与调整规律。
  • 组合构建方法：股债 60/40 中国版、全天候组合中国版、哑铃策略的具体 ETF 权重示例，以及再平衡频率与成本权衡、税务效率策略。
  • 数据分析代码模板：基于 Tushare 的 ETF 列表、净值、日行情、指数行情获取函数，跟踪误差计算、折溢价监控、资金流入流出分析等可直接复用的实现。
  • 提示词模板：提供四类常见分析场景的开箱即用提问模板（筛选最优 ETF、行业轮动信号、组合回测、QDII 溢价监控）。

与普通工具的差异

对比维度 普通行情软件/资讯 本技能框架
信息组织 分散在各页面，需手动整合 统一框架，分类、指标、策略、代码一体
指标计算 多数只展示结果，不给公式 公式 + 代码 + 评级标准三件套
决策逻辑 侧重“看数据” 侧重“按步骤做判断”，给出明确阈值
本土适配 通用资料偏海外市场 专门覆盖 A 股 ETF 生态与税务规则
策略实现 需自行从头编写 提供动量和因子回归等可直接运行的模板

3. 如何使用该技能？

步骤一：明确分析目标，选择对应模块

先判断你的问题属于哪一类，再调用技能中的相应部分：

  • 想选一只 ETF → 用「同类 ETF 比较框架」+ 评分模型
  • 想算某个指标 → 用「核心指标」中的公式与代码
  • 想设计组合 → 用「组合构建」+「再平衡」章节
  • 想验证策略 → 用「策略应用」+「数据分析」章节

步骤二：用结构化提示词发起请求

技能内置了提示词模板，直接套用即可。示例（场景 1，筛选同类最优 ETF）：

分析追踪沪深300指数的所有 ETF，维度包括规模、费率、近 1 年跟踪误差、日均成交额、买卖价差。给出综合评分排名，并推荐最适合长期持有的产品。

助手会按「规模筛选 → 费率比较 → 跟踪误差 → 流动性 → 基金公司」五步输出，并给出评分表。

示例（场景 2，行业轮动信号）：

基于过去 20 日动量，在消费、医疗、科技、能源、金融、工业、材料、公用事业行业 ETF 中选出前 3 名，同时排除近 30 日跌幅超过 15% 的 ETF。

步骤三：调用量化代码模板

若你的环境可执行代码，可直接请求实现。示例（计算跟踪误差）：

import numpy as np
import pandas as pd

def calc_tracking_error(etf_prices: pd.Series, index_prices: pd.Series, annualize: bool = True) -> dict:
    aligned = pd.concat([etf_prices, index_prices], axis=1).dropna()
    aligned.columns = ['etf', 'index']
    daily_diff = aligned['etf'].pct_change().dropna() - aligned['index'].pct_change().dropna()
    te_daily = daily_diff.std()
    te = te_daily * np.sqrt(252) if annualize else te_daily
    return {
        'tracking_error': round(te * 100, 4),
        'avg_daily_diff': round(daily_diff.mean() * 100, 4),
        'max_daily_diff': round(daily_diff.abs().max() * 100, 4),
        'annualized': annualize
    }

输出说明：返回年化跟踪误差（百分比）、平均日偏差、最大单日偏差。按技能给出的评级标准，A 股宽基 ETF 年化跟踪误差低于 0.2% 为优秀，0.2%~0.5% 为合格，高于 0.5% 为较差。

步骤四：组合回测与结果解读

示例（场景 3，组合回测）：

构建以下组合并回测 2020-01-01 至 2025-12-31：沪深300ETF 40%、中证500ETF 20%、国债ETF 30%、黄金ETF 10%，每季度再平衡，计算年化收益、夏普比率、最大回撤、与沪深300的相关性。

输出应包含四项绩效指标与相关性分析；若最大回撤超预期，可进一步追问「按偏离 5% 阈值触发再平衡，结果如何变化」，用技能中的阈值触发法做对照。

步骤五：风险检查

在给出结论前，用技能中的「关键注意事项」做一遍检查：规模是否低于 2 亿、是否为高溢价 QDII、是否含大量停牌股导致 IOPV 失真、是否误将杠杆 ETF 用于长期配置。

4. 同类型竞品对比分析

方案名称 定位 核心功能 安装/使用门槛 适用场景 优势与不足
ETF量化分析Skill（本技能） AI 技能形态的 ETF 分析框架 分类体系、六大指标、评分模型、策略模板、中国市场中特有问题、Python 代码模板、提示词模板 需支持技能扩展的 AI 环境；代码执行需 Python 与数据源 需要系统方法论 + 可执行代码的投研与量化场景 优势：框架完整、公式与阈值明确、本土化强、代码可直接复用；不足：不内置实时行情，数据需自行接入；不构成投资建议
传统行情终端 行情与数据展示工具 实时行情、K 线、资金流、基础指标展示 安装客户端、开户、部分功能付费 盯盘、快速查数据、下单交易 优势：数据实时、交易闭环；不足：缺少方法论与筛选逻辑，指标多为结果展示，跨产品比较需手动整理
基金筛选网站/App 基金超市与筛选器 按规模、费率、收益率等条件筛选，提供评级 网页或 App 注册即可 快速初筛、查看历史业绩排名 优势：上手快、门槛低；不足：多为结果导向，跟踪误差、折溢价、套利可行性等深度指标覆盖有限，缺少策略与代码支持
自建 Python 量化脚本 完全自主开发的策略系统 自定义指标、回测、交易信号 需较强编程与数据工程能力；需自建数据管道 有专职量化团队或深度个人开发者 优势：灵活度最高、可完全贴合自身需求；不足：开发与维护成本高，缺少现成方法论沉淀，容易遗漏中国市场特有问题

选择建议：如果你希望“有人把方法论和代码都整理好，我在此基础上做判断”，本技能更合适；如果你只想要现成数据和排名，传统终端与筛选网站更直接；如果你有成熟团队且策略高度定制，自建脚本仍是终极方案，但可作为方法论参考与本技能互补。

5. 该技能的典型应用场景与实际体验情况

场景一：个人投资者在同类 ETF 中做选择

角色与痛点：一位准备长期配置沪深300 的个人投资者，发现市场上有华夏、易方达、南方等多家公司发行的产品，费率和规模各不相同，不知道该怎么挑。

使用方式：直接套用场景 1 提示词，要求按规模、费率、跟踪误差、成交额、价差五维评分。技能会先剔除规模过小的产品，再按费率排序，最后用跟踪误差做质量校验。

实际体验：上手难度低，提问即得结构化答案。效果上，技能给出的费率拖累量化很直观——年费率 0.15% 与 0.5% 在 20 年维度的收益差距约 6~7 个百分点，这个数字比“费率越低越好”的笼统说法更有说服力。注意事项：评分模型中的规模、费率等参数需你自行填入最新数据，技能本身不提供实时行情。

场景二：量化研究者搭建行业轮动策略

角色与痛点：一位做策略研究的从业者，想验证行业 ETF 动量轮动是否有效，但每次都要重写数据对齐和信号生成代码。

使用方式：调用技能中的 sector_momentum_rotation 思路，输入各行业 ETF 日收益率 DataFrame，设定回看窗口与持有数量，得到每期持仓列表；再结合宏观周期轮动表做二次过滤。

实际体验：代码模板省去了重复劳动，逻辑清晰可读。效果上，动量轮动的分层思路（先选动量靠前，再排除近期大跌）比单一信号更稳健。注意事项：技能明确提示动量因子在 A 股“中短期有效、长期均值回归”，实盘需配合风控与交易成本估算，回测结果不代表未来表现。

场景三：跨境配置者规避 QDII 溢价风险

角色与痛点：想配置纳指或标普500 的投资者，常遇到“看好的时候正好是高溢价”，买进去后净值没跌但溢价收窄，出现双重亏损。

使用方式：使用场景 4 提示词，要求监控纳指 ETF、标普500 ETF、日经225 ETF 的折溢价率；技能给出 2%、5% 两档警戒线，超过 5% 判定为高风险。

实际体验：这是技能中实用度最高的一块。很多投资者只知道“QDII 会溢价”，但不知道溢价成因是额度耗尽导致套利机制失效，因此溢价可能持续数月。注意事项：技能强调高溢价不适合套利，也不适合追高买入，正确做法是等待回落。

场景四：组合管理者做再平衡与成本权衡

角色与痛点：已有一个 ETF 组合，纠结再平衡频率——太频繁交易成本高，太稀疏则偏离目标权重。

使用方式：调用「再平衡频率与交易成本权衡」章节，先算单次再平衡成本（宽基 ETF 约 0.05%~0.15%），再对比固定频率法与阈值触发法。

实际体验：技能给出的结论很明确——阈值触发（偏离目标权重 5% 以上）通常优于固定频率，且建议用新增资金定向补仓偏低仓位来减少卖出操作。注意事项：阈值法在极端行情下可能触发较少，需结合定期检查。

6. 该技能能为用户带来的价值

效率提升：从“翻资料”到“按框架走”

原本需要跨平台收集规模、费率、跟踪误差、流动性数据，再自行整理对比表的工作，现在可以用一条结构化提示词获得五步筛选流程与评分结果。按技能提供的顺序推进，能显著减少重复检索与格式整理时间。

门槛降低：把专业指标变成可执行的判断标准

跟踪误差、信息比率、折溢价率这些指标，过去多见于研究报告，普通投资者看得懂字面却不知如何用。技能直接给出评级阈值（如年化跟踪误差 0.2% 为优秀、买卖价差 0.05% 以内为优质、规模低于 2 亿需警惕清盘），把抽象指标转成“能直接下判断”的尺子。

决策质量提升：把隐性经验显性化

费率复利损耗、杠杆 ETF 衰减量、QDDI 溢价三档警戒线、指数半年调整的事件驱动机会——这些经验性结论被写进框架，避免每次重新踩坑。尤其是杠杆 ETF 衰减近似公式与“禁止长持”的明确提示，能帮助用户规避典型的长期持有误区。

长期价值：一套可沉淀、可复用的分析资产

技能中的 Python 代码模板与提示词模板可反复使用，随着数据积累，可逐步建立自己的 ETF 评分库与轮动信号库。对于团队而言，统一的分析框架也便于成员之间对齐口径、复用结论。

风险意识强化：把“注意事项”前置

技能末尾的七条关键注意事项覆盖了停牌股导致 IOPV 失真、QDII 额度耗尽、成分股调整窗口、货币 ETF 的特殊属性、流动性不足时的自我冲击、税务处理差异等真实风险点，帮助用户在动手之前先建立边界意识。

需要说明的边界：本技能是分析框架与工具集合，提供方法与代码，不提供实时行情，也不构成投资建议。所有涉及具体产品的数值都需要用户以最新公开数据为准，正式决策前建议结合官方披露信息核实。

7. 常见问题 FAQ

Q1：这个技能怎么安装？需要付费吗？

A：在支持技能扩展的 AI 平台中，可通过技能 ID 14231 检索并添加；若平台以文件方式加载，则把技能描述文件放入指定目录。具体命令、入口与是否需要付费，各平台规则不同，请以官方说明为准。技能本身是分析框架，不包含行情数据订阅，如需接入真实数据（如 Tushare），数据服务费用需另行按官方说明处理。

Q2：安装后不接数据源，能正常用吗？

A：可以。技能的价值主要在方法论与代码模板：分类体系、指标公式、评级阈值、策略框架、风险提示都可直接问答使用。涉及具体数值（某只 ETF 的规模、费率、跟踪误差）时，需要你提供数据或接入数据源；代码模板可直接运行于你本地的数据环境。

Q3：它和行情软件、基金筛选 App 有什么本质区别？

A：行情软件解决“看数据”，筛选 App 解决“快速初筛”，本技能解决“按统一方法论做判断并落地为代码”。它给出的是筛选顺序、判断阈值、策略实现和风险清单，而不是替你展示实时价格。三者可以互补：用 App 初筛，用技能定框架与验证，用行情软件执行交易。

Q4：技能里提到的收益、费率差距等数字，能直接当投资依据吗？

A：不能。技能中的数值示例（如年费率 0.15% 与 0.5% 在 20 年维度约 6.8% 的差距、2 倍杠杆 ETF 年化约 4% 的衰减）是用于说明原理的模型演示，实际结果取决于市场环境、指数波动率与具体产品条款。所有结论仅作分析参考，不构成投资建议，实际决策请以官方披露信息为准。

Q5：适合谁用？不适合谁用？

A：适合有一定投资基础、希望系统化比较 ETF、或有量化研究需求并愿意跑代码的用户，包括个人长期配置者、行业轮动策略研究者、组合管理者。不太适合完全零基础、只想“被告知买哪只”的用户——技能的定位是提供判断框架，而不是给出买卖结论。此外，需要极高实时性的高频交易场景也不适用，本技能不提供低延迟行情与下单能力。