量化模型与构建方式 1. 模型名称：因果推断模型 - 模型构建思路：通过因果推断方法对10年期国债收益率进行归因分析，识别影响收益率的关键因素[81] - 模型具体构建过程： 1. 数据准备：收集122个自变量，包括基本面、货币政策、资金面、供求面和情绪估值面相关数据[80][81] 2. 建立因果模型：采用基于后门准则（Backdoor Criterion）和线性回归方法的因果推断框架[81][88] 3. 识别因果效应：分析不同时间维度下的因果关系，发现隐含税率、存款准备金率、核心CPI等对收益率的显著影响[84][85] 4. 验证和诊断：对因果推断结果进行验证，确保模型的科学性和稳定性[81] - 模型评价：模型能够从量化角度揭示10年期国债收益率的驱动因素，但分析仍较为基础，需进一步完善[87] 2. 模型名称：LSTM（长短期记忆网络） - 模型构建思路：利用LSTM神经网络预测10年期国债收益率走势，适用于时序数据的非线性建模[56][89] - 模型具体构建过程： 1. 数据标准化：对124个自变量进行Min-Max-Scale标准化，构建神经网络输入矩阵[89] 2. 网络设计： - 每层包含124个特征值，512个隐藏层，共4层网络[91] - 输入序列为连续的60天，总数据量为1000个，训练集、测试集、验证集分别占70%、20%、10%[92] - 训练2000轮，损失在第1500轮左右收敛至0.20%[92][93] 3. 结果验证：对比模型预测与实际收益率走势，发现预测值与实际值差距约20BP[93][94] - 模型评价：模型初步预测效果较好，但20BP的误差偏大，实战意义有限，需进一步优化模型和数据[95] 3. 模型名称：改良的转债多因子模型 - 模型构建思路：基于传统“双低策略”改进，构建股性与债性均衡的多因子模型，优化转债择券效果[96][97] - 模型具体构建过程： 1. 因子改造：将绝对价格替换为到期收益率（YTM），与平价溢价率匹配为“债性”与“股性”指标[97] 2. 中性化处理： - 对YTM进行中性化，剔除到期赎回价、到期期限、正股股价、信用评级等影响[98] - 对平价溢价率进行中性化，剔除平价、规模、行业、信用评级等影响[98] 3. 标准化处理：对中性化后的YTM和平价溢价率进行Z-Score标准化[97] 4. 因子合成：将中性化后的股性与债性指标相加，构建新因子[97] 5. 回测：以月度为单位，选择股债性因子最低的20支转债进行回测[97] - 模型评价：改进后的策略表现优于传统“双低策略”，但仍存在最大回撤较大、信用风险暴露等问题[100][102] --- 模型的回测效果 1. 因果推断模型 - 关键因果性因素： - 全部时期：隐含税率、存款准备金率、核心CPI等对10年期国债收益率有显著因果性[84] - 不同阶段： - 利率震荡期（2019年1月-2020年1月）：短期资金面因素影响增强[84] - 疫情期（2020年2月-2021年12月）：资金面影响进一步加强[84] - 利率持续下行期（2024年1月至今）：逆回购、利差影响显著[85] 2. LSTM模型 - 训练损失：在第1500轮左右收敛至0.20%[92][93] - 预测误差：模型预测值与实际值差距约20BP[94] 3. 改良的转债多因子模型 - 策略表现： - 改良后的策略在2024年转债弱市中实现正回报，表现远超传统“双低策略”[100] - 最大回撤仍较为明显，难以满足稳定资金的配置需求[100][102] --- 量化因子与构建方式 1. 因子名称：中性化平价溢价率因子 - 因子构建思路：剔除平价、余额、行业、剩余期限等对平价溢价率的影响，得到更为有效的因子[36] - 因子具体构建过程： 1. 回归方程： $Convprem_i = β_0 + β_1 Convv + β_2 Outstanding + β_3 Ptm + β_4 Convv^2 + β_5 Outstanding^2 + β_6 Ptm^2 + β_7 Outstanding * Convv + ∑β_n Grade + ε_i$ - 公式中，Convprem为平价溢价率，Convv为平价，Outstanding为转债余额，Ptm为剩余期限，Grade为调整后行业哑变量[37] 2. 剔除自变量影响，得到中性化平价溢价率[36] 2. 因子名称：中性化YTM因子 - 因子构建思路：剔除到期赎回价、到期期限、正股股价、信用评级等对YTM的影响，得到更为有效的因子[98] - 因子具体构建过程： 1. 使用到期赎回价、到期期限、正股股价、信用评级对YTM作中性化处理[98] 2. 对中性化后的YTM进行Z-Score标准化[97] --- 因子的回测效果 1. 中性化平价溢价率因子 - 回测指标： - 年化收益率：低估值平价中性策略为15.16%，高估值平价中性策略为9.38%[42] - 夏普比率：低估值平价中性策略为1.13，高估值平价中性策略为0.75[42] - 因子IC：低估值平价中性策略为0.02，高估值平价中性策略为-0.05[42] 2. 中性化YTM因子 - 回测表现：改良后的股债性均衡策略在2024年弱市中实现正回报，表现优于传统“双低策略”[100]