宏观极端信号捕捉模型在利率大幅波动场景中如何发挥作用？

宏观极端信号捕捉模型的设计目标并非预测日常的方向性波动，而是专门捕捉宏观因子极端变化所驱动的利率大幅波动。在实证表现上，该模型对10年期国债、30年期国债、5年期二级资本债（AAA-）、1年期同业存单（AAA）的全样本三分类正确率分别为35.21%、32.80%、35.71%和34.86%，整体接近随机猜测基线。但在变化量前20%的极端日期上，四个品种的正确率分别提升至41.33%、42.96%、42.92%和40.62%，显著高于全样本表现，表明模型在利率大幅波动的极端场景下具备有效的预警能力。

在核心机制方面，该模型分为因子筛选与信号生成两个环节。因子筛选环节中，模型以各利率品种自身的变化量为基准，识别训练集中变化幅度排名前20%与后20%的极端日期。随后逐一计算各宏观因子在这些极端日期上的取值与同期利率变化量之间的斯皮尔曼相关系数，按绝对值从高到低排序，选取排名前20的因子作为有效极端信号因子。信号生成环节中，模型以滚动方式计算各因子当前值在过去所有可用历史数据中的百分位排名，将其映射到[-1,1]区间，并按照因子筛选环节计算的相关性方向进行加权合成，生成综合信号值。当综合信号大于设定的上行阈值（+0.05）时判断为利率上行信号，小于下行阈值（-0.05）时判断为下行信号，介于两者之间则判断为震荡。

对于实际固收投资而言，真正驱动即期收益率出现大幅跳跃的力量往往并非宏观因子的日常小幅波动，而是关键宏观变量的极端偏离。这类宏观冲击的特点是发生频率低但影响剧烈。该模型的价值在于作为四维信息驱动框架中专门捕捉宏观极端冲击的模块，为元模型提供利率大幅波动的前瞻性信号，帮助投资者在极端行情发生前获取预警，从而优化久期调整与风险对冲策略。