量化模型与构建方式 1. 技术指标利率择时模型 * 模型名称：技术指标利率择时模型[10] * 模型构建思路：从微观市场行为出发，利用历史价格数据本身所蕴含的信息来预测未来利率走势[10] * 模型具体构建过程： 1. 以中债-国债总净价（7-10年）指数为标的[10] 2. 筛选了45个仅需收盘价即可计算的技术指标[10] 3. 通过指标信号集成进行多空择时[10] 4. 将择时信号应用于久期轮动策略：看多时持有长久期（7-10年）财富指数，看空时换持短久期（1-3年）财富指数[10] 2. 宏观因子利率择时模型 * 模型名称：宏观因子利率择时模型[14] * 模型构建思路：从宏观经济基本面入手，着眼于利率变化的根本驱动因素[14] * 模型具体构建过程： 1. 构建包含八大类、98个初始因子的宏观数据库[14] 2. 通过领先滞后关系检验与共线性筛选，最终确定20个对债券净价指数具备领先预测能力的宏观因子[14] 3. 建立宏观因子变化值与利率指数月度涨跌幅的线性回归模型进行择时[14] 4. 采用动态调整因子组合、滚动多因子回归的策略提升模型适应性与稳健性[14] 5. 将宏观择时信号应用于久期轮动框架[14] 3. 资金面单因子利率择时模型 * 模型名称：资金面单因子利率择时模型[38] * 模型构建思路：选取资金面日频因子，通过滚动窗口回归预测利率指数涨跌方向，进行多头择时[38] * 模型具体构建过程： 1. 选取49个日频资金面因子，以中债-国债总净价7-10年指数（CBA00652.CB）为标的[38] 2. 以20日为滚动窗口，对每个交易日构建单因子差分序列对净价指数涨跌幅序列的线性回归模型[38] 3. 回归方程如下，其中 $R_t$ 为t日的国债净价指数涨跌幅，$\Delta F_{t-k-1}$ 是t-k-1日的因子差分值，k为因子发布延迟，$\epsilon_t$ 为估计误差，$\alpha$、$\beta$ 为估计系数[38]： $R_{t}=\alpha+\beta\Delta F_{t-k-1}+\epsilon_{t}\,,t\in[T-20,T-1]$ 4. 使用训练得到的估计系数 $\widehat{\alpha_T}$、$\widehat{\beta_T}$ 和T日的因子差分值 $\Delta F_{T-k}$ 对T+1日的涨跌幅进行预测[38]： $\widehat{R_{T+1}}=\widehat{\alpha_{T}}+\widehat{\beta_{T}}\Delta F_{T-k}$ 5. 根据预测方向决定T+1日仓位，采用多头择时策略，看多时买入持有净价指数，看空时空仓[38]： $c_{T+1}=Signal_{T}=max\{sign(\widehat{R_{T+1}}),0\}=\begin{cases}1,\widehat{R_{T+1}}>0\\ 0,\widehat{R_{T+1}}\leq0\end{cases}$ 4. 资金面多因子利率择时模型 * 模型名称：资金面多因子利率择时模型[53] * 模型构建思路：将单因子信号进行合成，构建动态因子选取与多因子投票模型，以生成最终择时信号[53] * 模型具体构建过程： 1. 动态因子排序与筛选： * 在每个交易日T，基于过去20个交易日的单因子择时累积收益率表现，对各因子进行降序排名[53]。排名公式如下，其中 $Rank_{i,T}$ 代表因子i在交易日T的排名，$Rank_{desc}$ 表示降序排列函数，$R_k$ 为k日的净价指数涨跌幅，$Signal_{i,k-1}$ 为因子i在交易日k-1生成的单因子择时信号[53]： $R a n k_{i,T}=R a n k_{d e s c}(\prod_{k=T-20}^{T-1}(1+R_{k}S i g n a l_{i,k-1})-1)$ * 设候选因子集 $F_T = \{f_1 ... f_M\}$，目标选取N个因子。初始化目标因子组合 $FS_T$ 为空集，按排名顺序逐一检验 $F_T$ 中的因子 $f_k$[53]。 * 仅当 $FS_T$ 未满且 $f_k$ 加入后对 $FS_T$ 中其他因子回归的方差膨胀因子（VIF）均不大于10时，将 $f_k$ 加入 $FS_T$[53]。 * 若遍历完 $F_T$ 后 $FS_T$ 数量仍不足N，则令新的候选集 $F_T = \{f_2 ... f_M\}$ 继续筛选，最多重复10次或达到目标数量。若10次后仍不足，则选取因子数量最多的组合作为最终 $FS_T$[53]。 $F S_{T}=\bigcup_{k=1}^{M}\{f_{k}|\ \left|F S_{T}^{(k-1)}\right|<N\wedge V I F\left(f_{k},F S_{T}^{(k-1)}\right)\leq10\},T>20$ 2. 多因子投票决策： * 在交易日T选取的因子组合 $FS_T$ 中，设看多因子数为 $L_T$，看空因子数为 $S_T$[53]。 * T+1日的仓位（T日的信号）由看多和看空因子投票决定，并引入上一期信号 $Signal_{T-1}$ 作为平票时的延续[53]： $c_{T+1}=S i g n a l_{T}=m a x\{s i g n(L_{T}-S_{T}+S i g n a l_{T-1}),0\}=\left\{\begin{array}{l}{{1,L_{T}-S_{T}>0}}\\ {{0,L_{T}-S_{T}<0}}\\ {{S i g n a l_{T-1},e l s e}}\end{array}\right.$ 5. 资金面月频多因子利率择时模型 * 模型名称：资金面月频多因子利率择时模型[67] * 模型构建思路：沿用日频择时逻辑，调整至月频尺度，在每个自然月第一个交易日调仓[67] * 模型具体构建过程： 1. 数据预处理：对日频因子进行滞后和降频处理（取前值），与经滞后的月频因子合并，得到月初首个交易日收盘前可获取的最新因子数据集[67] 2. 月频单因子模型：在每个调仓日（月初首个交易日），基于过去20个月的因子月度差分数据与指数月度收益率数据，构建线性回归模型，预测当月指数涨跌幅方向，生成信号[67] 3. 多因子合成：复用日频多因子择时中的动态因子选取与等权投票逻辑，生成合成信号以指导当月决策[67] 6. 利率债久期轮动策略模型 * 模型名称：利率债久期轮动策略模型[76] * 模型构建思路：将资金面择时信号应用于利率债久期轮动，在看多时持有长久期债券以获取更高收益，看空时持有短久期债券或现金以规避风险[76] * 模型具体构建过程： 1. 采用前述资金面动态多因子（11因子）日频择时信号[76] 2. 设置双边万分之二的交易成本[76] 3. 长短债轮动：看多时持有中债-国债总财富（7-10年）指数，看空时持有中债-国债总财富（1-3年）指数[76] 4. 长债-货基轮动：看多时持有中债-国债总财富（7-10年）指数，看空时持有中证货币基金指数[76] 量化因子与构建方式 1. 资金面因子库 * 因子构建思路：系统构建反映金融市场短期流动性状况、资金供需关系的中观指标因子库，用于预判市场利率短期波动[18][19] * 因子具体构建过程： 1. 指标收集：收集涵盖财政政策、参考利率、拆借利率、回购利率、央行操作、银行存单、利率互换、海外利率、宏观经济、表内业务等12大类、共104个候选资金面指标[19][23][24][26][27][30] 2. 指标筛选：在样本区间内，剔除缺失值超过10%的日频或月频指标[31] 3. 因子构建与组合：使用留存指标构建有经济意义的组合因子（如期限利差、中美利差等），与原始指标共同形成因子库[32][33]。因子库共74个细分指标，部分示例如下[34][36]： * 原始指标：中债国债到期收益率:10年、Shibor:隔夜、DR007、利率互换:FR007:1年、美国国债收益率曲线:10年、中债商业银行同业存单到期收益率(AAA):1年、社会融资规模增量:当月值、M2同比等[34][36] * 组合指标： * 10Y-1Y利差：L001619604-L001618296[34] * 中美利差：L001619604-L015211687[36] * 1年期NCD收益率-3月期NCD收益率：L004428055-L004428052[36] * R001占比：M005880925/M004369945[34] * R007-DR007：L004109430-L001619493[34] * 社融同比增速 - M2同比增速：M004891021-M001625222[36] 4. 数据处理：对各个因子序列进行前向填充以填补缺失值，按其发布延迟时间进行滞后，并作一阶差分，形成最终研究变量[33] 模型的回测效果 1. 技术指标利率择时模型，年化收益3.91%，收益风险比2.32，最大回撤-3.55%[12] 2. 宏观因子利率择时模型，年化收益4.54%，收益风险比2.35，最大回撤-4.01%[15] 3. 资金面日频多因子利率择时模型（11因子），累积收益率19.78%，年化收益率1.92%，波动率0.0162，最大回撤-1.75%，择时胜率49.30%[56][64] 4. 资金面月频多因子利率择时模型（13因子），累积收益率10.72%，年化收益率1.30%，波动率0.0191，最大回撤-4.77%，择时胜率58.33%[71] 5. 利率债久期轮动策略（长短债轮动），累积收益45.74%，年化收益4.06%，波动率0.0166，最大回撤-2.63%，收益风险比2.4458[80] 6. 利率债久期轮动策略（长债-货基轮动），累积收益50.19%，年化收益4.52%，波动率0.0162，最大回撤-1.31%，收益风险比2.7901[83] 因子的回测效果 1. 资金面日频单因子（表现最佳前十），累积收益率20.48% ~ 19.40%，年化收益率1.97% ~ 1.87%，波动率0.0162 ~ 0.0159，最大回撤-1.76% ~ -2.05%，择时胜率45.89% ~ 51.59%[39][43] * 具体因子包括：固定利率同业存单:发行利率:3个月、中债国开债到期收益率:1年、中债国债到期收益率:10年、GC001(加权平均)、固定利率地方政府债:发行利率:5年、中债国债到期收益率:1年、利率互换:FR007:5年、利率互换:3M SHIBOR:5年、固定利率同业存单:发行利率:6个月、美国国债收益率曲线:30年[39][43] 模型与因子评价 * 技术指标利率择时模型：优势在于反应敏捷、规则客观，能更好地捕捉中短期市场情绪与资金流向带来的波动机会[15] * 宏观因子利率择时模型：优势在于逻辑清晰、稳健性强，立足于经济周期、货币政策等基本面逻辑，试图捕捉利率变化的中长期驱动力量，适合低频配置型决策[15] * 资金面因子：是介于宏观因子和微观价量之间的中观指标，直接反映流动性松紧，对短期利率波动具有预测能力[5][18][46]。单因子择时表现最优的因子可归为三类：1)同业存单发行利率（银行负债端刚性成本，对资金面敏感）；2)关键期限债券收益率（短端反映流动性预期，长端对利率变动敏感）；3)资金与衍生品利率（敏锐反映流动性边际变化与市场预期）[50][52] * 资金面多因子日频择时模型：通过动态因子筛选与投票机制，综合了多个有效因子信息，表现优于单因子，其中11个因子的组合表现较好[5][56][64] * 资金面月频择时模型：表现平平，未显著优于基准。可能原因是日频信号降频后严重滞后与信息丢失，且月初资金面状态难以预测全月走势[5][74] * 资金面因子整体：更适用于高频择时[5]