4、核心配置逻辑：自上而下与自下而上的配置框架
做行业ETF配置，说白了就两条路：先看宏观，再选行业，或者先挑好公司，再组行业。
这两条路，就是咱们这章要聊的「自上而下」和「自下而上」。我做了这么多年量化，坦白讲，没有哪条路是绝对正确的。关键看你手里有什么牌，以及你更信什么。
4.1 自上而下：先看天，再选赛道
这个框架的逻辑很简单：宏观经济决定市场风格，市场风格决定行业配置。
我个人习惯，每个季度初先看三样东西：
- 利率环境：利率上行还是下行？这直接决定了成长股还是价值股吃香。
- 信用周期：社融数据好不好？企业愿不愿意借钱扩张？
- 产业政策：国家在推什么？新能源、半导体、还是消费复苏？
举个例子。2022年四季度，我当时观察到十年期国债收益率在3.0%附近震荡，信用利差收窄。这说明什么？市场在从「宽货币」转向「宽信用」。我立刻把组合里的高股息ETF减仓，换成了金融和地产链ETF。结果呢？后面三个月，银行ETF涨了15%，地产ETF涨了20%。
核心逻辑：自上而下的本质，是「择时+择风格」。你不需要选到最牛的行业，只要踩对宏观节奏，就能跑赢大部分散户。
具体怎么落地？我一般用这个三步法：
- 判断宏观象限：美林时钟、信用周期、库存周期，选一个你用得顺手的。
- 匹配行业风格：复苏期买消费，过热期买周期，滞胀期买防御。
- 精选ETF工具：选流动性好、跟踪误差小的行业ETF。
嗯，这里要注意。自上而下有个大坑：宏观判断错了，整个配置就崩了。我曾经在2021年初判断通胀会快速回落，结果被啪啪打脸。那一年周期股涨了50%，我还在死守消费ETF。所以我现在都会加一道保险——用多因子模型做宏观信号确认。
4.2 自下而上：先看公司，再组行业
自上而下是「先选赛道，再选选手」。自下而上正好反过来：先挑好公司，再把这些公司归到行业里。
你想想看，如果你发现某只股票基本面特别好，但它的行业整体不行，你会不会纠结？自下而上的思路就是：不管行业怎么样，只要公司够好，我就买。然后通过ETF把同行业的优质公司打包。
我做过一个实验。2019年到2021年，我用量化模型筛选出A股ROE连续三年大于15%的公司，然后按行业分类。结果发现，这些公司最集中的三个行业是：白酒、医药、新能源。我直接用这三个行业的ETF做组合，三年年化收益超过25%。
我的经验：自下而上更适合「行业集中度低」的市场。比如A股，很多行业龙头和非龙头差距巨大。你只要抓住龙头，行业ETF的收益就不会差。
自下而上的操作流程：
- 建立股票池：用财务指标（ROE、毛利率、现金流）筛选出优质公司。
- 行业归因：把这些公司按申万一级行业分类，看哪些行业集中度最高。
- ETF映射：找到对应的行业ETF，直接配置。
我曾经踩过一个坑。2020年我筛选出一批优质科技股，发现它们集中在「电子」和「计算机」两个行业。我直接买了电子ETF和计算机ETF。结果呢？电子ETF涨了40%，计算机ETF只涨了10%。为什么？因为计算机行业里，好公司太少，ETF里塞了一堆垃圾。从那以后，我加了一个步骤：检查ETF的持仓集中度。前十大持仓占比低于50%的ETF，我一般不碰。
4.3 两种框架的对比与融合
这两种框架，没有谁比谁高级。我自己的经验是：牛市用自下而上，熊市用自上而下。
为什么？牛市里，好公司会带着行业飞，你不需要太关心宏观。熊市里，泥沙俱下，好公司也扛不住，这时候宏观判断更重要。
| 维度 | 自上而下 | 自下而上 |
|---|---|---|
| 核心依据 | 宏观经济、政策、利率 | 公司基本面、财务指标 |
| 适用场景 | 趋势明显、风格切换期 | 震荡市、结构性行情 |
| 优势 | 抓大方向，容错率高 | 选股精准，超额收益明显 |
| 劣势 | 宏观判断难，容易踏空 | 行业分散，可能错过风口 |
| ETF配置方式 | 按行业风格配置 | 按优质公司集中度配置 |
我现在的做法是：以自上而下定方向，以自下而上选工具。
比如，我先用宏观模型判断出「当前应该超配科技成长」。然后，我用自下而上的方法，在科技成长里选出「半导体」和「新能源」两个细分行业。最后，再挑出持仓集中度最高的ETF。这样既不会跑偏方向，又能吃到好公司的红利。
避坑指南：我曾经在2023年犯过一个错。当时宏观模型显示「消费复苏」，我直接买了消费ETF。但自下而上看，消费行业里只有白酒和家电的龙头公司基本面好，其他子行业都很差。结果消费ETF只涨了5%，而白酒ETF涨了20%。所以，自上而下定方向后，一定要用自下而上做二次筛选。
4.4 框架的量化实现
说了这么多，怎么用代码落地？我分享一个简化版的框架。
# 自上而下：宏观信号打分
def macro_score():
# 利率信号：10年期国债收益率
rate = get_rate()
# 信用信号：社融同比增速
credit = get_credit()
# 政策信号：产业政策指数
policy = get_policy()
score = 0.4 * rate + 0.3 * credit + 0.3 * policy
return score
# 自下而上：行业质量打分
def quality_score(industry):
stocks = get_stocks(industry)
# 计算行业平均ROE
avg_roe = mean([s.roe for s in stocks])
# 计算行业龙头集中度
top5_ratio = sum([s.market_cap for s in stocks[:5]]) / sum([s.market_cap for s in stocks])
return 0.6 * avg_roe + 0.4 * top5_ratio
# 最终配置权重
def final_weight(industry):
macro = macro_score()
quality = quality_score(industry)
# 融合：宏观占60%，质量占40%
return 0.6 * macro + 0.4 * quality这个代码很简单，但很实用。我自己的实盘系统，就是在这个基础上加了风险预算和再平衡逻辑。你想想看，如果你能同时抓住宏观方向和公司质量，胜率是不是高很多？
4.5 框架图：自上而下与自下而上的融合
下面这张图，是我自己画的核心框架。它把两种逻辑串在了一起。
这张图你看懂了吗？左侧是自上而下，右侧是自下而上。中间是融合层。说白了，就是用宏观判断框住大方向，用公司质量锁定具体工具。我自己的实盘组合，就是这么搭起来的。
最后说一句：框架是死的，人是活的。你不需要每次都完美执行。有时候市场风格特别清晰，你就多用自上而下。有时候个股机会特别明显，你就多用自下而上。灵活一点，比死守教条强得多。