基于XGBoost的债券择时与久期轮动策略研究

利率预测的痛点与模型选择逻辑

国债收益率预测在量化建模实践中面临多重结构性难题，主要包括多重共线性与维数灾难、极低的信噪比以及宏观中枢的长期漂移。传统计量模型如多元线性回归受限于线性假设，难以捕捉非线性关系与阈值效应，且易受多重共线性干扰导致参数估计失真。Nelson-Siegel模型虽能精准拟合收益率曲线形态，但缺乏时序外推能力，在政策冲击下易失效。机器学习模型如随机森林和GBDT虽能处理非线性，但随机森林在低信噪比环境中易稀释微弱信号，传统GBDT缺乏显式正则化机制，容易在小样本数据上过拟合。深度学习模型如LSTM和Transformer虽具备强大的时序依赖捕捉能力，但在低频债券数据中面临样本量需求与数据可得性的矛盾，且其黑箱结构难以提供清晰的变量级归因，与机构投研模式存在冲突。XGBoost通过引入显式正则化、二阶泰勒展开优化精度以及信息增益驱动的分裂决策，有效应对了上述痛点，成为债券择时模型的理想选择。

四维特征体系构建与提纯机制

研究构建了涵盖技术动量、利率曲线、宏观变量与期现结构的四维特征池。技术动量因子从价格趋势、形态识别及跨资产情绪角度刻画市场微观结构；利率曲线因子通过绝对收益率、期限利差、信用利差及资金价格等指标反映相对估值与流动性环境；宏观变量引入高频微观数据与大宗商品映射，以弥补传统宏观数据的滞后性；期现结构因子则利用国债期货的定价偏离、交易情绪及基差变化捕捉前瞻定价线索。在特征处理上，针对宏观变量采用差分表达以捕捉边际变化，针对利率曲线采用分位数表达以消除中枢漂移影响，并采用鲁棒标准化屏蔽尾部异常值干扰。特征提纯阶段，通过稳定性得分筛选跨期有效的变量，并结合全局相关性剪枝剔除冗余特征，最终保留具备高独立性与清晰经济含义的因子组合。

模型训练框架与防过拟合设计

模型采用扩展窗口滚动训练机制，以2010年为起点，每周重新训练并纳入截至当前的历史信息。训练集、验证集与测试集严格划分，避免未来信息泄露。为防止过拟合，模型设置了多层嵌套机制：限制单树最大深度以控制复杂度，通过行采样与列采样注入受控不确定性，利用L1与L2正则化约束权重分布，并设置早停机制动态决定最优树数量。实验表明，宏观变量差分与利率曲线分位表达显著提升了模型的准确率与超额收益，验证了相对关系表达在跨周期泛化中的优势。最终模型在周频预测中实现了较高的总胜率与多空超额收益，且在仅多头口径下表现出稳定的防御价值。

久期轮动策略设计与绩效表现

研究将模型输出的方向概率映射为国开债久期轮动策略。两档策略在长端债券与货币基金间切换，以博取最大弹性；五档策略引入中间久期平滑波动，但可能因频繁切换产生交易摩擦。为规避震荡损耗，策略叠加了“置信度修正”机制，当预测处于模糊区间且近期波动率较高时，主动降档缩短久期。修正后的两档策略在年化超额收益与最大回撤控制上表现优异，五档策略则在降低回撤方面更具优势。不同策略适用于不同风险偏好的账户，两档策略适合对久期弹性优先的账户，而五档策略适合对回撤容忍度要求较高的账户。