etf-analysis

name	etf-analysis
description	ETF分析：产品筛选、费率对比、跟踪误差、流动性评估、策略应用与中国市场ETF量化配置框架。
category	asset-class

ETF 分析 Skill

定位

ETF（交易所交易基金）是被动投资与资产配置的核心工具。本 skill 覆盖 ETF 产品分析、选择方法论、策略应用、中国市场特色以及数据驱动的量化分析方法，为构建基于 ETF 的量化策略与组合提供完整框架。

---

1. ETF 产品分类

1.1 按标的资产分类

类型	代表产品	特点
宽基 ETF	沪深300ETF (510300)、中证500ETF (510500)、创业板ETF (159915)、科创50ETF (588000)	流动性最好，交易成本最低，适合核心仓位
行业 ETF	消费ETF (159928)、医疗ETF (512170)、半导体ETF (512480)、银行ETF (512800)	行业轮动工具，持仓集中度高
主题 ETF	新能源ETF (516160)、碳中和ETF、元宇宙ETF	主题炒作属性强，生命周期短
策略ETF / Smart Beta	红利ETF (510880)、低波ETF、质量ETF、动量ETF	因子暴露明确，费率通常略高于宽基
商品 ETF	黄金ETF (518880)、豆粕ETF (159985)、原油ETF (162411)	实物/期货支撑，注意展期损耗
债券 ETF	国债ETF (511010)、信用债ETF、可转债ETF (511380)	利率敏感，久期管理关键
跨境 ETF (QDII)	纳指ETF (159632)、标普500ETF (513500)、日经225ETF (513880)	汇率风险+溢价风险双重叠加
货币 ETF	华宝添益 (511990)、银华日利 (511880)	T+0 申赎，流动性管理工具

1.2 结构类型

• 普通 ETF：场内交易，实物申赎（一篮子股票换购），折溢价有套利机制自动收敛
• LOF（上市开放式基金）：场内外均可交易，折溢价套利路径相同但效率略低
• ETF 联接基金：场外渠道购买的 ETF 替代品，T+1 申赎，无折溢价，适合定投
• 杠杆/反向 ETF：日内恒定杠杆，长期持有有衰减效应（见第 3.4 节）

---

2. ETF 核心指标

2.1 跟踪误差（Tracking Error）

衡量 ETF 复制指数能力的最核心指标。

日跟踪误差 = std(ETF日收益率 - 指数日收益率)
年化跟踪误差 = 日跟踪误差 × √252

评级标准（A股宽基ETF）：

• 优秀：年化跟踪误差 < 0.2%
• 合格：0.2% ~ 0.5%
• 较差：> 0.5%

跟踪误差来源：

1. 管理费和托管费（持续拖累，每日计提）
2. 分红处理时机（分红再投资延迟）
3. 成分股纳入/剔除时的买卖冲击
4. 现金仓位（申赎带来的暂时性现金拖累）
5. 停牌股处理（用替代品或现金替代）
6. 指数编制方法（全复制 vs 抽样复制）

2.2 信息比率（Information Ratio）

IR = (ETF年化收益率 - 指数年化收益率) / 年化跟踪误差

对 ETF 来说 IR 通常为负（因费率拖累），IR 越接近 0 越好。

2.3 折溢价率

折溢价率 = (ETF市价 - ETF净值IOPV) / ETF净值IOPV × 100%

• 正溢价：市价 > 净值，套利者卖出 ETF / 申购一篮子股票换购，溢价收敛
• 负折价：市价 < 净值，套利者买入 ETF / 赎回一篮子股票，折价收敛
• 异常溢价场景：跨境 QDII ETF（额度限制导致持续溢价）、停牌股比例高的行业 ETF

2.4 流动性指标

指标	含义	参考阈值
日均成交额	买卖方便程度	宽基 > 1亿，行业 > 2000万
买卖价差（Spread）	即时交易成本	< 0.05% 为优质
盘口深度	单笔大额交易冲击	买卖各5档累计 > 500万为佳
换手率	活跃程度	过低则流动性风险高

2.5 费率体系

综合费率 = 管理费 + 托管费 + 指数使用费
（不含交易佣金、印花税、申赎费）

长期费率影响公式：

N年费率复利损耗 = (1 - 年费率)^N
例：年费率0.5% vs 0.15%，10年差距 ≈ 3.5%，20年差距 ≈ 6.8%

主流宽基 ETF 费率对比（2025年）：

• 华夏/易方达/南方 沪深300ETF：0.15%（管理）+ 0.05%（托管）= 0.20%
• 部分小规模宽基：0.5%+，长期持有劣势明显

2.6 规模与流动性评估

• 规模门槛：

  • < 2亿：清盘风险较高，流动性差
  • 2~10亿：可正常交易，大额资金受限

  • 10亿：流动性充足，做市商活跃

  • 100亿：旗舰 ETF，机构首选

• 清盘风险信号：规模持续下滑、连续90天日均规模 < 5000万

---

3. ETF 选择方法论

3.1 同类 ETF 比较框架

同一指数往往有多只 ETF，选择步骤：

Step 1: 规模筛选 → 剔除 < 5亿的小规模产品
Step 2: 费率比较 → 同等条件下选费率最低
Step 3: 跟踪误差 → 近1年/近3年双维度比较
Step 4: 流动性 → 日均成交额、买卖价差
Step 5: 基金公司 → 指数化投资能力、历史口碑

量化评分模型：

def etf_score(etf_data: dict) -> float:
    """
    ETF 综合评分（越高越好，满分100）。

    Args:
        etf_data: 包含 scale, fee, tracking_error, avg_volume, spread 的字典

    Returns:
        综合评分 0~100
    """
    score = 0.0
    # 规模得分（30分）
    scale = etf_data['scale_billion']
    score += min(30, scale / 10 * 30)

    # 费率得分（25分）：费率越低越高分
    fee = etf_data['total_fee_pct']  # 年费率百分比
    score += max(0, 25 - fee * 50)

    # 跟踪误差得分（30分）：误差越小越高分
    te = etf_data['tracking_error_annual_pct']
    score += max(0, 30 - te * 60)

    # 流动性得分（15分）
    vol = etf_data['avg_daily_volume_million']
    score += min(15, vol / 10 * 15)

    return round(score, 2)

3.2 费率影响长期收益的量化分析

import numpy as np

def fee_drag_analysis(annual_return: float, years: int, fee_rates: list[float]) -> dict:
    """
    分析不同费率对长期收益的拖累效果。

    Args:
        annual_return: 指数年化收益率（小数，如0.08）
        years: 投资年限
        fee_rates: 待比较的费率列表（小数，如[0.002, 0.005, 0.015]）

    Returns:
        各费率下的终值倍数和相对拖累字典
    """
    results = {}
    base_value = (1 + annual_return) ** years
    for fee in fee_rates:
        net_return = annual_return - fee
        end_value = (1 + net_return) ** years
        drag = (base_value - end_value) / base_value * 100
        results[f'{fee*100:.2f}%'] = {
            'end_value_multiple': round(end_value, 4),
            'drag_pct': round(drag, 2)
        }
    return results

# 示例：8% 指数收益，20年期
# fee_drag_analysis(0.08, 20, [0.002, 0.005, 0.015])

3.3 做市商质量评估

优质做市商体现在：

• 价差稳定：波动期价差扩大幅度小（< 3倍正常水平）
• 深度充足：盘口各档位金额均匀
• 报价连续性：不频繁撤单重报
• 大单应对：大额交易后价差快速恢复

评估方法：

# 通过Level2数据计算有效价差
effective_spread = (ask_price - bid_price) / mid_price * 100  # 单位 %

# 价格冲击成本（Impact Cost）
# 买入N万元所需均价相对于中间价的偏离
impact_cost = (avg_buy_price - mid_price) / mid_price * 100

3.4 基金公司实力评估

维度	评估要点
ETF 管理规模	全市场排名，指数化投资专业度
跟踪误差历史	长期维度（3年+）稳定性
产品线完整性	宽基、行业、跨境覆盖广度
申赎效率	T+0 实物申赎处理能力
做市商合作质量	与头部券商做市商的合作稳定性

国内 ETF 管理头部公司（规模口径）：华夏、易方达、华泰柏瑞、南方、嘉实、博时

---

4. ETF 策略应用

4.1 核心-卫星策略（Core-Satellite）

总组合 = 核心仓位（70~80%）+ 卫星仓位（20~30%）

核心仓位：宽基ETF（沪深300/中证500/全A）
  → 获取市场beta，低费率，长期持有，减少交易摩擦

卫星仓位：行业ETF/主题ETF/Smart Beta ETF
  → 增强收益，主动暴露特定因子，允许更高换手

再平衡触发条件：

• 时间触发：每季度/每半年
• 偏离触发：单一资产偏离目标权重 > 5%

4.2 行业轮动 ETF 策略

动量轮动：

def sector_momentum_rotation(etf_returns: pd.DataFrame, lookback: int = 20, top_n: int = 3) -> list[str]:
    """
    基于动量的行业ETF轮动选择。

    Args:
        etf_returns: 各行业ETF日收益率 DataFrame，列为ETF代码
        lookback: 回看窗口（交易日数）
        top_n: 持有ETF数量

    Returns:
        本期持有的ETF代码列表
    """
    momentum = etf_returns.tail(lookback).sum()
    selected = momentum.nlargest(top_n).index.tolist()
    return selected

宏观周期轮动：

经济周期	推荐行业 ETF
复苏期（低增长→高增长，低通胀）	消费、科技、中小盘
过热期（高增长，高通胀）	能源、材料、工业
滞胀期（低增长，高通胀）	能源、公用事业、消费
衰退期（高增长→低增长）	医疗、公用事业、债券ETF

4.3 Smart Beta ETF 因子暴露分析

主要因子及对应ETF：

因子	代表ETF	历史有效性（A股）
价值（低估值）	沪深300价值ETF	中等，受风格切换影响
红利（高股息）	红利ETF (510880)	较强，尤其熊市防御
低波动	中证低波ETF	较强，夏普比优于宽基
质量（高ROE）	中证质量ETF	较强，长期复合效果好
动量	目前A股产品少	中短期有效，长期均值回归
小盘	中证1000ETF (512100)	强，但流动性风险高

因子暴露分析代码：

import pandas as pd
import numpy as np
from scipy import stats

def factor_exposure_analysis(etf_returns: pd.Series, factor_returns: dict[str, pd.Series]) -> pd.DataFrame:
    """
    分析ETF对各因子的暴露程度（单因子回归）。

    Args:
        etf_returns: ETF日收益率序列
        factor_returns: 各因子收益率字典 {因子名: 收益率序列}

    Returns:
        包含 beta, t_stat, r_squared 的 DataFrame
    """
    results = []
    for factor_name, factor_ret in factor_returns.items():
        aligned = pd.concat([etf_returns, factor_ret], axis=1).dropna()
        x = aligned.iloc[:, 1].values
        y = aligned.iloc[:, 0].values
        slope, intercept, r_value, p_value, std_err = stats.linregress(x, y)
        results.append({
            'factor': factor_name,
            'beta': round(slope, 4),
            't_stat': round(slope / std_err, 2),
            'r_squared': round(r_value ** 2, 4),
            'p_value': round(p_value, 4)
        })
    return pd.DataFrame(results).set_index('factor')

4.4 杠杆/反向 ETF 的衰减效应

Beta 衰减（Volatility Decay）原理：

每日恒定杠杆 N 倍 → 复合效应导致长期收益 ≠ N × 指数收益

衰减量（近似）= N²(N-1)/2 × σ² × T
其中 σ 为指数日波动率，T 为持有天数

数值示例：

• 指数年化波动率 20%，日波动率 ≈ 1.26%
• 2倍杠杆ETF，持有1年：衰减损耗 ≈ 2² × (2-1)/2 × (0.2)² × 1 ≈ 4%

适用场景：

• 杠杆ETF：强趋势行情中的短期工具（持有 < 1个月）
• 反向ETF：市场对冲、短期下跌押注（不适合长期持有）
• 严禁：用杠杆/反向ETF做长期配置仓位

4.5 ETF 套利策略

折溢价套利（需要有实物申赎资格，通常门槛100万份）：

溢价套利：
  ETF市价 > IOPV + 交易成本
  → 买入一篮子成分股 → 申购ETF份额 → 卖出ETF
  → 套利利润 ≈ 溢价率 - 冲击成本 - 佣金

折价套利：
  ETF市价 < IOPV - 交易成本
  → 买入ETF份额 → 赎回一篮子成分股 → 卖出成分股
  → 套利利润 ≈ 折价率 - 冲击成本 - 佣金

跨市场套利（ETF vs 期货）：

IF（沪深300股指期货）基差 = 期货价格 - 沪深300指数
当基差 > 合理基差（无风险利率×剩余期限）时：
  → 卖期货 + 买ETF（正向套利）
当基差 < 合理基差时：
  → 买期货 + 卖ETF（反向套利，需融券）

统计套利（配对交易）：

# 同类ETF（如不同公司发行的沪深300ETF）之间的价差均值回归
# 价差 = 价格差 或 价格比
# 当价差偏离历史均值2个标准差时建仓，回归时平仓
spread = etf_a_price / etf_b_price
z_score = (spread - spread.rolling(60).mean()) / spread.rolling(60).std()
signal = pd.Series(0, index=z_score.index)
signal[z_score > 2] = -1   # ETF_A 相对贵，卖A买B
signal[z_score < -2] = 1   # ETF_A 相对便宜，买A卖B

---

5. 中国 ETF 市场特色

5.1 场内 ETF vs 场外联接基金

维度	场内 ETF	场外联接基金
购买渠道	证券账户，实时交易	银行/基金直销，T+1申赎
申赎方式	实物申赎（机构）或二级市场（个人）	现金申赎
折溢价	存在（有套利机制）	不存在
最小交易单位	100份（约10~100元）	1元起投
费率	较低（管理费+交易佣金）	略高（申购费+管理费）
适合场景	波段操作、大额配置	定投、小额长期持有

5.2 跨境 ETF（QDII）特殊考量

溢价形成原因：

• QDII 额度限制：基金公司 QDII 额度用完后暂停申购，套利机制失效
• 汇率影响：人民币贬值时，持有境外资产的 ETF 净值上升，引发追涨
• 时差影响：A 股收盘时海外市场尚未开盘，IOPV 参考价滞后

溢价率警戒线：

• < 2%：正常范围，可正常配置
• 2%~5%：溢价明显，入场需谨慎，等待回落

• 5%：高溢价，存在显著买入风险（净值回落但溢价收窄双杀）

汇率对冲：

• 部分 QDII ETF 提供对冲版本（如标普500对冲ETF）
• 对冲成本 ≈ 中美利差（2025年约1.5~2.5%/年），显著降低收益

5.3 LOF 与分级基金历史经验

LOF（上市开放式基金）：

• 场内外均可交易，折价套利路径：场内折价买入 → 转托管 → 场外赎回
• 转托管时间 T+2~T+3，存在净值变动风险

分级基金（已全面转型，2020年前历史参考）：

• A 份额：约定收益型，类似债券
• B 份额：杠杆型，与A约定收益挂钩
• 重要教训：下折机制导致B份额大幅亏损；高溢价套利被轧空
• 现状：监管要求全部转型为普通ETF，不再有新发

5.4 中国主要 ETF 指数体系

宽基指数：

指数	成分股	特点
沪深300	沪深两市市值最大300只	大盘蓝筹，衍生品丰富（IF期货/300期权）
中证500	300~800名中盘股	中盘成长，与300互补
中证1000	800~1800名小盘股	小盘因子，波动较大
上证50	沪市最大50只	超大盘，金融地产权重高
创业板指	创业板前100名	科技成长，波动大
科创50	科创板前50名	硬科技，上市时间短
北证50	北交所前50名	新兴市场，流动性弱
中证全指 / 万得全A	全市场	最宽泛的基准

指数调整规律：

• 沪深300/中证500：每年6月和12月调整一次
• 调整前后：纳入股票涨、剔除股票跌（短期），提供事件驱动机会

---

6. ETF 组合构建

6.1 基于 ETF 的资产配置实现

经典配置框架（可用ETF实现）：

股债 60/40 中国版：
  沪深300ETF 30% + 中证500ETF 20% + 中债ETF 40% + 黄金ETF 10%

全天候组合（中国版）：
  股票ETF（沪深300）25%
  长期国债ETF        40%
  中期国债ETF        15%
  黄金ETF            7.5%
  商品ETF            12.5%

哑铃策略：
  宽基ETF（低风险核心）50%
  行业/主题ETF（高弹性进攻）50%

6.2 全球化配置的 ETF 工具选择

A股：沪深300ETF 510300 / 中证500ETF 510500
美股：纳指ETF 159632 / 标普500ETF 513500
港股：恒生ETF 159920 / 恒生科技ETF 513130
欧洲：德国DAX ETF / 欧洲50ETF（规模较小）
日本：日经225ETF 513880 / 东证ETF
新兴：越南ETF / 印度ETF（部分有QDII溢价）

固定收益：
  国内：国债ETF 511010 / 政金债ETF
  美国：美债ETF（QDII）

商品：
  黄金ETF 518880
  原油ETF 162411
  CRB商品指数ETF（国内较少）

6.3 再平衡频率与交易成本权衡

再平衡成本：

单次再平衡成本 ≈ 交易金额 × (佣金率 + 价差/2 + 冲击成本)
≈ 交易金额 × 0.05%~0.15%（宽基ETF）

年化再平衡成本 = 单次成本 × 年均调仓次数

最优再平衡频率建议：

• 纯被动配置（波动低）：每年2次（6月/12月）
• 行业轮动（波动高）：每月或每季度
• 阈值触发法：偏离目标权重 > 5% 时触发，通常优于固定频率

免佣金再平衡技巧：

• 利用新增资金定向补仓偏低仓位，减少卖出操作
• 分红收益优先配置到低配资产

6.4 税务效率考量

中国 ETF 税务规则：

• 个人投资者：
  • 股票型ETF资本利得免税（持有期间）
  • ETF分红：现金分红免税，红利再投资不计税
  • 货币ETF利息收入：暂免个人所得税
• 机构投资者：
  • 资本利得需计入企业所得税（25%）
  • 持股期间分红：持股 > 12个月免税

税务效率策略：

• 高换手的行业轮动策略尽量放在个人账户（利用资本利得免税）
• 定期定额长期持有，减少短期资本利得实现频率

---

7. 数据分析方法

7.1 用 Tushare 获取 ETF 数据

import tushare as ts
import pandas as pd

def get_etf_list(pro: ts.pro_api) -> pd.DataFrame:
    """
    获取全市场ETF列表。

    Args:
        pro: tushare pro_api 实例

    Returns:
        ETF基本信息 DataFrame
    """
    df = pro.fund_basic(market='E', status='L')  # E=ETF, L=上市中
    return df[['ts_code', 'name', 'management', 'found_date', 'issue_date']]


def get_etf_nav(pro: ts.pro_api, ts_code: str, start_date: str, end_date: str) -> pd.DataFrame:
    """
    获取ETF净值数据（IOPV）。

    Args:
        pro: tushare pro_api 实例
        ts_code: ETF代码，如 '510300.SH'
        start_date: 开始日期 'YYYYMMDD'
        end_date: 结束日期 'YYYYMMDD'

    Returns:
        包含 trade_date, nav, accum_nav 的 DataFrame
    """
    df = pro.fund_nav(ts_code=ts_code, start_date=start_date, end_date=end_date)
    return df.sort_values('end_date').reset_index(drop=True)


def get_etf_daily(pro: ts.pro_api, ts_code: str, start_date: str, end_date: str) -> pd.DataFrame:
    """
    获取ETF场内日行情（市价）。

    Args:
        pro: tushare pro_api 实例
        ts_code: ETF代码
        start_date: 开始日期
        end_date: 结束日期

    Returns:
        包含 trade_date, open, high, low, close, vol, amount 的 DataFrame
    """
    df = pro.fund_daily(ts_code=ts_code, start_date=start_date, end_date=end_date)
    return df.sort_values('trade_date').reset_index(drop=True)


def get_index_daily(pro: ts.pro_api, index_code: str, start_date: str, end_date: str) -> pd.DataFrame:
    """
    获取基准指数日行情（用于计算跟踪误差）。

    Args:
        pro: tushare pro_api 实例
        index_code: 指数代码，如 '000300.SH'（沪深300）
        start_date: 开始日期
        end_date: 结束日期

    Returns:
        包含 trade_date, close 的 DataFrame
    """
    df = pro.index_daily(ts_code=index_code, start_date=start_date, end_date=end_date)
    return df[['trade_date', 'close', 'pct_chg']].sort_values('trade_date').reset_index(drop=True)

7.2 跟踪误差计算代码模板

import numpy as np
import pandas as pd


def calc_tracking_error(
    etf_prices: pd.Series,
    index_prices: pd.Series,
    annualize: bool = True
) -> dict:
    """
    计算ETF对标的指数的跟踪误差。

    Args:
        etf_prices: ETF净值序列（以date为索引）
        index_prices: 指数价格序列（以date为索引）
        annualize: 是否年化，默认True

    Returns:
        包含 tracking_error, avg_daily_diff, max_daily_diff 的字典
    """
    # 对齐数据
    aligned = pd.concat([etf_prices, index_prices], axis=1).dropna()
    aligned.columns = ['etf', 'index']

    # 计算日收益率差值
    etf_ret = aligned['etf'].pct_change().dropna()
    idx_ret = aligned['index'].pct_change().dropna()
    daily_diff = etf_ret - idx_ret

    # 跟踪误差 = 差值的标准差
    te_daily = daily_diff.std()
    te = te_daily * np.sqrt(252) if annualize else te_daily

    return {
        'tracking_error': round(te * 100, 4),       # 百分比
        'avg_daily_diff': round(daily_diff.mean() * 100, 4),  # 平均日偏差 %
        'max_daily_diff': round(daily_diff.abs().max() * 100, 4),  # 最大单日偏差 %
        'annualized': annualize
    }


def compare_etfs_same_index(
    etf_codes: list[str],
    index_code: str,
    pro,
    start_date: str,
    end_date: str
) -> pd.DataFrame:
    """
    比较追踪同一指数的多只ETF的跟踪表现。

    Args:
        etf_codes: ETF代码列表
        index_code: 基准指数代码
        pro: tushare pro_api 实例
        start_date: 开始日期
        end_date: 结束日期

    Returns:
        各ETF的跟踪误差比较 DataFrame
    """
    index_df = get_index_daily(pro, index_code, start_date, end_date)
    index_prices = index_df.set_index('trade_date')['close']

    results = []
    for code in etf_codes:
        nav_df = get_etf_nav(pro, code, start_date, end_date)
        etf_prices = nav_df.set_index('end_date')['nav']
        te_result = calc_tracking_error(etf_prices, index_prices)
        te_result['ts_code'] = code
        results.append(te_result)

    return pd.DataFrame(results).set_index('ts_code').sort_values('tracking_error')

7.3 折溢价率监控

def calc_premium_discount(
    market_price: float,
    iopv: float
) -> dict:
    """
    计算ETF折溢价率及套利信号。

    Args:
        market_price: ETF场内市价
        iopv: 实时净值（IOPV）

    Returns:
        包含 premium_pct, signal, arbitrage_feasible 的字典
    """
    premium_pct = (market_price - iopv) / iopv * 100

    if premium_pct > 0.3:
        signal = 'PREMIUM_HIGH'   # 溢价：卖出ETF或申购套利
        feasible = premium_pct > 0.5  # 扣除成本后是否可套利
    elif premium_pct < -0.3:
        signal = 'DISCOUNT_HIGH'  # 折价：买入ETF或赎回套利
        feasible = premium_pct < -0.5
    else:
        signal = 'NORMAL'
        feasible = False

    return {
        'premium_pct': round(premium_pct, 4),
        'signal': signal,
        'arbitrage_feasible': feasible
    }


def monitor_qdii_premium(pro, qdii_codes: list[str], date: str) -> pd.DataFrame:
    """
    监控QDII ETF溢价率（溢价过高时发出预警）。

    Args:
        pro: tushare pro_api 实例
        qdii_codes: QDII ETF代码列表
        date: 查询日期 'YYYYMMDD'

    Returns:
        各QDII ETF的溢价率和风险等级 DataFrame
    """
    results = []
    for code in qdii_codes:
        # 获取市价
        price_df = pro.fund_daily(ts_code=code, trade_date=date)
        # 获取净值
        nav_df = pro.fund_nav(ts_code=code, end_date=date)

        if not price_df.empty and not nav_df.empty:
            market_price = price_df.iloc[0]['close']
            nav = nav_df.iloc[0]['nav']
            premium_pct = (market_price - nav) / nav * 100
            risk_level = (
                'HIGH' if premium_pct > 5
                else 'MEDIUM' if premium_pct > 2
                else 'LOW'
            )
            results.append({
                'ts_code': code,
                'market_price': market_price,
                'nav': nav,
                'premium_pct': round(premium_pct, 2),
                'risk_level': risk_level
            })

    return pd.DataFrame(results).sort_values('premium_pct', ascending=False)

7.4 资金流入流出分析

def etf_fund_flow_analysis(
    pro,
    ts_code: str,
    start_date: str,
    end_date: str
) -> pd.DataFrame:
    """
    分析ETF规模变化与资金净流入/流出。

    Args:
        pro: tushare pro_api 实例
        ts_code: ETF代码
        start_date: 开始日期
        end_date: 结束日期

    Returns:
        包含规模变化和资金流向估算的 DataFrame
    """
    nav_df = get_etf_nav(pro, ts_code, start_date, end_date)
    nav_df['end_date'] = pd.to_datetime(nav_df['end_date'])
    nav_df = nav_df.sort_values('end_date')

    # 规模（单位亿元）
    nav_df['scale'] = nav_df['unit_nav'] * nav_df['fund_share'] / 1e8

    # 净值变动引起的规模变化（被动）
    nav_df['nav_return'] = nav_df['unit_nav'].pct_change()
    nav_df['passive_change'] = nav_df['scale'].shift(1) * nav_df['nav_return']

    # 资金净流入 ≈ 规模变化 - 净值带来的被动变化
    nav_df['net_flow'] = nav_df['scale'].diff() - nav_df['passive_change']

    # 统计区间
    summary = {
        'total_net_flow': nav_df['net_flow'].sum(),       # 区间总净流入（亿元）
        'avg_daily_flow': nav_df['net_flow'].mean(),      # 日均净流入
        'inflow_days': (nav_df['net_flow'] > 0).sum(),    # 净流入天数
        'outflow_days': (nav_df['net_flow'] < 0).sum(),   # 净流出天数
        'current_scale': nav_df['scale'].iloc[-1]          # 最新规模
    }

    return nav_df[['end_date', 'unit_nav', 'scale', 'net_flow']], summary


def cross_etf_flow_comparison(
    pro,
    etf_codes: list[str],
    start_date: str,
    end_date: str
) -> pd.DataFrame:
    """
    比较同类ETF的资金流向，判断资金偏好。

    Args:
        pro: tushare pro_api 实例
        etf_codes: 同类ETF代码列表
        start_date: 开始日期
        end_date: 结束日期

    Returns:
        各ETF资金流向汇总对比 DataFrame
    """
    rows = []
    for code in etf_codes:
        _, summary = etf_fund_flow_analysis(pro, code, start_date, end_date)
        summary['ts_code'] = code
        rows.append(summary)
    return pd.DataFrame(rows).set_index('ts_code').sort_values('total_net_flow', ascending=False)

---

8. 常见分析场景与提示词模板

场景 1：筛选同类最优 ETF

分析追踪 [沪深300/中证500/xxx] 指数的所有ETF，
维度：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/波段操作/大额配置]的产品。

场景 2：行业 ETF 轮动信号

基于过去 [20/60] 日动量，在以下行业ETF中选出前3名：
[消费、医疗、科技、能源、金融、工业、材料、公用事业]
同时排除近30日跌幅超过15%的ETF。

场景 3：ETF 组合回测

构建以下ETF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。

场景 4：QDII 溢价风险监控

监控以下QDII ETF的实时折溢价率：[纳指ETF 159632、标普500 513500、日经225 513880]
溢价 > 3% 时发出预警，建议等待回落后再入场。

---

9. 关键注意事项

1. 停牌替代：行业ETF中若有大量停牌股，IOPV 失真，折溢价参考意义下降
2. QDII 额度：额度耗尽时申购暂停，溢价可能持续数月，不适合套利
3. 成分股调整：每年6月/12月指数调整前后1~2周会有一定规律性机会
4. 杠杆ETF禁止长持：衰减效应在震荡市中极其明显，严格限制持有周期
5. 货币ETF：本质是货币市场基金，与普通ETF逻辑不同，流动性管理工具而非投资工具
6. 流动性差的ETF：大额交易应拆分多日，避免自我冲击
7. 税务处理：ETF 基金分红中若含股息收益，征税规则与资本利得不同，注意区分