报告行业投资评级 未提及 报告的核心观点 - 固收量化是金融工业化的必然产物和AI赋能时代的债市答卷 固收市场经历了从主观到系统化、模型化、数据驱动的演进 固收量化从交易台边缘走向前台核心 卖方侧量化模型成为产品设计与交易策略的核心引擎 买方侧各类机构依赖量化技术定价、择时和配置 [3] - 相比股票量化 固收量化有工具和市场结构更复杂、政策与制度因素更强、流动性与数据质量问题更突出等特点 [3] - 报告梳理国内外文献和实践案例 尝试回答固收量化流派及逻辑、量化技术适用市场环境、量化技术难以解决的问题、固收量化未来展望等四个问题 [3] 根据相关目录分别进行总结 全球固收量化的四大流派&基本逻辑 - 基本面流派：利用经济学逻辑和宏观、基本面因子预测市场或资产价值 核心是捕捉经济周期变化预测利率 宏观量化与传统宏观研究不同 流程包括数据输入、构建模型、交易逻辑 还应用临近预测和高频数据 但存在过拟合、结构性断裂、基本面脱敏与模型失效等局限 [8][9][10] - 技术面流派：利用市场量价数据捕捉交易机会 包括趋势跟踪与CTA固收派和做市与微观结构量化派 前者利用时间序列动量交易获取趋势溢价 后者通过机器学习改善定价和库存管理 [11][18][20] - 相对价值流派：侧重横截面比较或寻找定价偏差 包括利率期限结构与曲线交易派、票息策略与滚动收益派、信用与利差因子派、相对价值与基差套利派 分别通过刻画收益率曲线、赚取利率曲线和债券的时间价值、定价与捕捉信用溢价和利差、寻找不同工具价格错位来获利 [18][26][33][38] - 基于多因子模型的量化流派：将债券预期收益率分解为风险因子线性组合 构建投资组合 与基本面、技术面、相对价值流派有联系 主要应用于选券 [39][43][46] 量化技术适用的市场环境 - 流动性与交易制度方面 高流动性、低交易成本市场适合曲线交易等策略 中等流动性市场适合期限结构模型等策略 低流动性、OTC为主的信用市场适合中低频因子策略等 [48][49] - 利率水平与波动环境方面 利率中枢下行且波动温和时Carry与roll - down等策略表现好 利率快速上行或政策急转时CTA趋势等策略有保护作用 [50] - 信用环境与宏观周期方面 违约率低、信用扩张期信用因子与下沉策略收益高 信用收缩与违约高发期量化模型难捕捉尾部风险 [51][53] 固收量化的五大局限：量化技术解决不了什么？ - 政策与制度拐点不可量化 货币政策和制度改革突变 历史数据训练的模型易失效 [55] - 存在流动性黑洞与模型外风险 模型假设与实际市场流动性不符 市场恐慌时策略易失效 [56] - 信用违约有小样本与跳跃风险 违约样本少 模型易过拟合 且线下博弈信息难结构化 [57] - 复杂条款与博弈行为不可建模 固收品种内嵌期权条款受发行人主观意愿影响 量化模型与市场价格偏离大 [58] - 拥挤交易与内生不稳定 量化策略同质化严重时 市场反向波动会引发踩踏和剧烈波动 [60] 展望：固收量化的未来图景 - 融合范式：Quantamental (量化 + 基本面) 量化赋能基本面 应用于宏观配置和信用筛选 [62] - 另类数据与AI技术的深度渗透 处理非结构化数据 应用于政策利率预测、企业画像等 [63] - 交易执行的算法化与自动化 中国债市电子化提升 应用于降低冲击成本和做市策略 [66]