固收量化入门指南.pdf

固收量化入门指南。报告核心观点 ：当下借助量化手段研究固收问题越来越普遍，而我们试图在本专题中构建一 个基本的固收量化框架。但固收量化与权益量化仍有明显区别：1、固收量 化更聚焦宏观变量和时序分析；2、固收量化的任务主要是择时和捕捉交易 信号；3、利率债、信用债、转债等资产各有侧重点。我们认为，固收量化 应以“问题界定→数据处理→特征工程→模型设计→任务评估”五大工程为 基本构架，但要避免“学术炫技”、“伪量化”、“过度挖掘”等问题。并且， 在固收研究的细节上，还要特别注意强化：1、对宏观环境甚至时代变量的 刻画；2、对机构行为的刻画；3、对债券品种相对性价比的刻画。

从“权益量化”到“固收量化”。 量化研究（Quantitative Research）是通过数学模型、统计分析和计算机等 数量工具来探讨或验证市场规律的过程。相比于传统逻辑分析，量化研究更 强调对现象的数理刻画、因果推理以及实证。量化研究最广泛的应用就是在 股票投资上。传统的股票量化主要有基本面多因子选股、事件驱动选股、高 频交易/CTA 等。而固收量化比权益量化至少有三方面不同：一是固收更注 重对宏观变量分析，譬如 GDP、PPI 等指标或重要会议、央行行为等事件； 二是利率债更侧重择时和捕捉交易信号，择券任务则是少数。三是债券资产 大部分时候都是同涨同跌，涨跌幅主要来自久期差异。

量化工程的基本构架：五大工程。 量化研究往往起于某个问题，依照工程思维去解决，最后再评估与应用。我 们将量化研究的过程总结成五大工程：1、问题或任务的界定。主要考虑问 题是否适合量化解决；2、系统化的数据处理，包含数据清洗、数据规范化 以及数据平滑，以获得“干净”数据；3、数据特征的扩展，以应对数据量 不足情形。可用的方法主要有低频数据转高频、文本数据等，当然也可利用 遗传算法等技术衍生数据；4、量化模型的选择，主流仍以多因子以及机器 学习为主；5、量化模型评估准则，数据端重点关注是否有未来数据。多因 子模型可关注 IC 等指标，机器学习则更依赖测试集以及实践检验。

案例一：神经网络和因果推断在利率择时中的尝试。 “利率择时”是固收量化研究者相对容易开展的工程。涉及利率择时问题， 需要四大类数据：基本面、货币政策与资金面、供求以及情绪指标。择时研 究思路主要有两类：1、利率走势归因。可以利用因果推断模型对 10 年期 国债收益率归因。得出的结论是：全部时期下，隐含税率、存款准备金率、 通胀（核心 CPI）以及短期资金面因素与 10 年期国债收益率有较强因果性。 2、预测利率值。使用 LSTM 神经网络，预测 10 年期国债收益率走势。预 测走势与实际相似，但绝对值差距仍有 20BP 左右，实战效果可能略有不佳。 后续或可通过增加数据、更换模型等方式进一步改进。

案例二：转债“双低策略”的回炉重造 “双低策略”。是一个经典的转债择券方法，且在过去很长时间都获得了不错 的回报特征。但策略缺乏理论支撑、指标未清洗、逻辑过于单一，且未考虑 信用资质、流动性等指标。因此我们基于双低策略，改良并构建更优的转债 多因子模型。核心是利用中性化、标准化后的股性因子（平价溢价率）和债 性因子（YTM）进行择券。改进后策略不仅表现远超传统双低策略，更是在 2024 年的转债弱市中获得正回报。当然，因子方向仍有不少可以改进：1、 股债性并不是最完美指标，或有指标择券效果更好；2、最大回撤难以控制； 3、信用风险控制并不足；4、条款博弈结合相对较少。