量化模型与构建方式 1. 模型名称：短周期利率择时模型 - 模型构建思路：结合价量形态特征和利率趋势状态，通过两步实现择时判断：一是利用价量特征预测短期波动，二是通过利率中枢变化趋势的状态识别优化模型决策[1][3][21] - 模型具体构建过程： 1. 短期波动预测： - 使用国债期货的价量数据（如收盘价、成交量、日内收益率、振幅等）和趋势特征（如调整后收益率、波动率、K线形态等）构建特征[26] - 采用时序网络（如biLSTM-attn）捕捉特征间的非线性关系，生成择时信号[25][41] 2. 利率趋势状态识别： - 从国债收益率曲线的平移、扭曲、形变幅度三个方面构建特征，识别利率中枢变化趋势[30][31][34] - 平移趋势强度通过信息熵计算，扭曲程度通过KL散度计算，形变幅度则衡量各期限收益率的变化幅度[31][32] 3. 合成择时信号： - 将价量特征和利率趋势状态特征拼接为特征向量，输入时序网络生成择时信号，信号值大于零为看多，小于等于零为看空[41][42] - 模型评价： - 相较于传统技术分析，优化后的模型在风险收益比和择时胜率方面有显著提升，且能够更好地适应利率中枢变化趋势[3][42][49] --- 模型的回测效果 1. 短周期利率择时模型 - 策略年化收益：6.63% - 年化超额收益：3.93% - 年化波动率：0.0252 - 择时胜率：58.68% - 平均盈亏比：1.02 - 策略年化夏普比率：2.56 - 基准年化夏普比率：0.71[4][43][42] 2. 价量趋势模型（对比基线策略） - 策略年化收益：4.68% - 年化超额收益：2.03% - 年化波动率：0.0249 - 择时胜率：55.29% - 平均盈亏比：1.03 - 策略年化夏普比率：1.85 - 基准年化夏普比率：0.71[27][29] 3. 技术分析择时模型（基线策略） - 策略年化收益：2.92% - 年化超额收益：0.32% - 年化波动率：0.0250 - 择时胜率：53.40% - 平均盈亏比：0.96 - 策略年化夏普比率：1.16 - 基准年化夏普比率：0.71[27][29] --- 量化因子与构建方式 1. 因子名称：价量特征因子 - 因子的构建思路：通过国债期货的价量数据提取短期波动特征，捕捉市场情绪和风险偏好变化[3][25] - 因子具体构建过程： - 收盘价、成交量等特征进行时序z-score标准化 - 日内收益率计算公式： $\text{日内收益率} = \ln(\text{close}/\text{open})$ - 向上振幅计算公式： $\text{向上振幅} = \ln(\text{high}/\text{open})$ - 向下振幅计算公式： $\text{向下振幅} = \ln(\text{open}/\text{low})$ - 趋势特征包括调整后收益率（1个月、3个月、1年）和波动率（短期、中长期）[26] - 因子评价：价量特征因子提供了丰富的有效信息，显著提升了模型的择时表现[25][27] 2. 因子名称：利率趋势状态因子 - 因子的构建思路：通过国债收益率曲线的形变特征，识别利率中枢变化趋势[3][30] - 因子具体构建过程： - 平移趋势强度：通过信息熵计算 $T r_{t} = \sum_{i} [(-1) \cdot P_{d_{i},t} \cdot \ln(P_{d_{i},t})]$ - 扭曲程度：通过KL散度计算 - 形变幅度：衡量各期限收益率相较于上一期的变化幅度[31][32][34] - 因子评价：利率趋势状态因子能够有效识别利率中枢变化趋势，为择时模型提供了重要的环境状态信息[30][35] --- 因子的回测效果 1. 价量特征因子 - 策略年化收益：4.68% - 年化超额收益：2.03% - 年化波动率：0.0249 - 择时胜率：55.29% - 平均盈亏比：1.03 - 策略年化夏普比率：1.85 - 基准年化夏普比率：0.71[27][29] 2. 利率趋势状态因子 - 策略年化收益：6.63% - 年化超额收益：3.93% - 年化波动率：0.0252 - 择时胜率：58.68% - 平均盈亏比：1.02 - 策略年化夏普比率：2.56 - 基准年化夏普比率：0.71[4][43][42]