量化模型与构建方式 1. 模型名称：利率债预期收益模型 - 模型构建思路：通过分解利率债收益为票息收益、骑乘收益、久期收益和凸性收益四个分项，结合利率预测模型和蒙特卡洛模拟预测任意期限国债的持有一年预期收益[8] - 模型具体构建过程： $R~\approx~r_{N}+\,r o l l\,y i e l d\,+\,D u r\cdot(-\Delta r)\,+\,\frac{1}{2}C x\cdot\Delta r^{2}$ 其中： - (r_N)为票息收益，(roll,yield)为骑乘收益，(Dur)为久期，(\Delta r)为利率变化，(Cx)为凸性调整项[8] - 模型评价：能够量化评估不同期限国债的预期收益差异，但依赖利率预测模型的准确性 2. 模型名称：月度利率预测模型 - 模型构建思路：基于利率短期运行的均值回复、短期动量（1个月）和长期动量（12个月）特征构建[14] - 模型具体构建过程： $\Delta r_{t+1}\,=\,\beta_{1}(\mu-r_{t})+\beta_{2}(r_{t}-r_{t-1})+\,\beta_{3}(r_{t}-r_{t-12})+\sigma\sqrt{r_{t}}\cdot\varepsilon$ 其中： - (\mu)为利率中枢，(\beta_1)为均值回复系数，(\beta_2)为短期动量系数，(\beta_3)为长期动量系数[14] - 模型评价：适用于短期（1个月）利率走势预测，但对参数敏感性较高 3. 模型名称：宏观胜率评分卡模型 - 模型构建思路：通过货币、信用、增长、通胀与海外五因子合成大类资产的宏观胜率评分[11] - 模型具体构建过程：未披露具体公式，但基于中长贷同比、PMI、主权CDS等指标动态调整胜率分值[11] - 模型评价：能够捕捉经济韧性变化，但需依赖宏观数据的及时性 --- 量化因子与构建方式 1. 因子名称：利率债赔率因子 - 因子构建思路：定义为10Y与1Y国债未来一年预期收益差，反映长债相对短债的收益吸引力[8] - 因子具体构建过程： - 赔率 = 10Y国债预期收益 - 1Y国债预期收益，通过预期收益模型计算[8] 2. 因子名称：交易拥挤度因子 - 因子构建思路：通过长债换手率（成交额/余额）和成交占比（长债成交额/全市场国债成交额）刻画交易热度[17][18] - 因子具体构建过程： - 换手率 = 10Y以上国债成交额 ÷ 余额 - 成交占比 = 10Y以上国债成交额 ÷ 所有国债成交额[17][18] --- 模型的回测效果 1. 利率债预期收益模型： - 截至2025年7月18日，10Y-1Y预期收益差为-3.2%，处于2011年以来低位[8] 2. 月度利率预测模型： - 年化收益6.6%，最大回撤2.3%，2025年1月底起建议配置短端国债规避Q1回撤[14] 3. 宏观胜率评分卡模型： - 当前债券胜率降至0%，反映经济韧性增强[11] --- 因子的回测效果 1. 利率债赔率因子： - 历史极低赔率（-3.2%）隐含长债配置风险[8] 2. 交易拥挤度因子： - 当前换手率位于1.0倍标准差，成交占比位于2.2倍标准差，超过2倍标准差时未来1~3个月收益为负[17][18][24][25]