固收量化入門指南.pdf

固收量化入門指南。報告核心觀點 ：當下借助量化手段研究固收問題越來越普遍，而我們試圖在本專題中構建一 個基本的固收量化框架。但固收量化與權益量化仍有明顯區別：1、固收量 化更聚焦宏觀變量和時序分析；2、固收量化的任務主要是擇時和捕捉交易 信號；3、利率債、信用債、轉債等資產各有側重點。我們認為，固收量化 應以“問題界定→數據處理→特征工程→模型設計→任務評估”五大工程為 基本構架，但要避免“學術炫技”、“偽量化”、“過度挖掘”等問題。并且， 在固收研究的細節上，還要特別注意強化：1、對宏觀環境甚至時代變量的 刻畫；2、對機構行為的刻畫；3、對債券品種相對性價比的刻畫。

從“權益量化”到“固收量化”。 量化研究（Quantitative Research）是通過數學模型、統計分析和計算機等 數量工具來探討或驗證市場規律的過程。相比于傳統邏輯分析，量化研究更 強調對現象的數理刻畫、因果推理以及實證。量化研究最廣泛的應用就是在 股票投資上。傳統的股票量化主要有基本面多因子選股、事件驅動選股、高 頻交易/CTA 等。而固收量化比權益量化至少有三方面不同：一是固收更注 重對宏觀變量分析，譬如 GDP、PPI 等指標或重要會議、央行行為等事件； 二是利率債更側重擇時和捕捉交易信號，擇券任務則是少數。三是債券資產 大部分時候都是同漲同跌，漲跌幅主要來自久期差異。

量化工程的基本構架：五大工程。 量化研究往往起于某個問題，依照工程思維去解決，最后再評估與應用。我 們將量化研究的過程總結成五大工程：1、問題或任務的界定。主要考慮問 題是否適合量化解決；2、系統化的數據處理，包含數據清洗、數據規范化 以及數據平滑，以獲得“干凈”數據；3、數據特征的擴展，以應對數據量 不足情形。可用的方法主要有低頻數據轉高頻、文本數據等，當然也可利用 遺傳算法等技術衍生數據；4、量化模型的選擇，主流仍以多因子以及機器 學習為主；5、量化模型評估準則，數據端重點關注是否有未來數據。多因 子模型可關注 IC 等指標，機器學習則更依賴測試集以及實踐檢驗。

案例一：神經網絡和因果推斷在利率擇時中的嘗試。 “利率擇時”是固收量化研究者相對容易開展的工程。涉及利率擇時問題， 需要四大類數據：基本面、貨幣政策與資金面、供求以及情緒指標。擇時研 究思路主要有兩類：1、利率走勢歸因。可以利用因果推斷模型對 10 年期 國債收益率歸因。得出的結論是：全部時期下，隱含稅率、存款準備金率、 通脹（核心 CPI）以及短期資金面因素與 10 年期國債收益率有較強因果性。 2、預測利率值。使用 LSTM 神經網絡，預測 10 年期國債收益率走勢。預 測走勢與實際相似，但絕對值差距仍有 20BP 左右，實戰效果可能略有不佳。 后續或可通過增加數據、更換模型等方式進一步改進。

案例二：轉債“雙低策略”的回爐重造 “雙低策略”。是一個經典的轉債擇券方法，且在過去很長時間都獲得了不錯 的回報特征。但策略缺乏理論支撐、指標未清洗、邏輯過于單一，且未考慮 信用資質、流動性等指標。因此我們基于雙低策略，改良并構建更優的轉債 多因子模型。核心是利用中性化、標準化后的股性因子（平價溢價率）和債 性因子（YTM）進行擇券。改進后策略不僅表現遠超傳統雙低策略，更是在 2024 年的轉債弱市中獲得正回報。當然，因子方向仍有不少可以改進：1、 股債性并不是最完美指標，或有指標擇券效果更好；2、最大回撤難以控制； 3、信用風險控制并不足；4、條款博弈結合相對較少。