本报告系统研究目标久期下的债券收益率曲线量化策略,重点分析蝶式组合的构建方法及其收益特征,结合机器学习模型(Lasso、随机森林、AdaBoost、XGBoost)对蝶式组合收益进行预测。实证发现,XGBoost模型在测试集上具备最佳收益率解释能力和较优综合表现,蝶式套利策略年化收益在1.0%-1.7%之间,基于蝶式利差信号构建的哑铃子弹型组合多头配置策略则实现在测试集4.2%-4.6%的年化收益,相较等权基准具有显著提升。报告同时深入利率曲线因子风险敞口与模型拟合的实际误差,对风险与模型过拟合问题做出提示
债券组合量化策略介绍
蝶式组合风险敞口及历史表现
活跃券组合筛选标准与收益趋势
利率曲线三个因子对蝶式组合影响的情景分析
利率曲线NS模型拟合分析与蝶式组合预测建模思路
量化因子与模型构建
模型表现评价
蝶式套利策略净值与绩效
基于蝶式策略的多头组合轮动策略
风险提示
报告标题: 债券量化系列之二:债券组合量化策略研究
作者及联系方式: 王冬黎,高级分析师(金融工程),联系方式:dongli.wang@orientfutures.com
发布机构: 上海东证期货有限公司,东方证券全资子公司
发布日期: 2022年3月21日
研究主题: 本报告围绕目标久期下的债券收益率曲线策略展开,重点研究蝶式组合的构建、收益预测模型及基于蝶式策略对于债券多头组合的配置方案,探索机器学习决策树模型在债券量化领域的应用。
核心论点:
报告不仅提供传统债券投资组合策略的回顾,还融合先进机器学习算法对蝶式组合进行收益率预测,为投资组合构建提供量化模型支持。最后结合实证测试,四个模型均实现正回报且夏普比率表现良好,说明策略有效,4,18,21]。
报告简要回顾了三类目标久期债券组合类型:
子弹型和哑铃型关注点不同,哑铃型通过长短债权重调配实现目标久期,适于利率策略多空,阶梯型为控制交易成本的对照基准,不参与轮动策略。
蝶式组合是目标久期配置中重要的量化工具,旨在捕捉收益率曲线的凸性及中间期限收益变化,报告重点在于四种权重配置方法:
报告最终采用现金中性蝶式组合,因为贴合现券市场实证,方便结合多头配置策略,5]。
报告利用2年、5年、10年活跃券构建子弹型、哑铃型及蝶式组合,活跃券池基于国债期货可交割规则和流动性标准构建,保证高频换手与流动性。基础统计发现两翼债券久期权重比约1.3:1,躯干和两翼平均到期收益率约3.18%与3.13%。高久期债券凸性明显大于中低久期债券,符合债券凸性溢价理论。蝶式组合月度收益均为负,累计收益呈持续下行趋势,但波动力较大,表明凸性交易收益难以持续获利,但仍提供利用曲线变平的机会。子弹与哑铃型组合收益率利差存在正均值回复,指示均值回归关系为量化择时机会,6,7]。
详细说明了活跃券筛选规则:针对2年、5年、10年期限段,依据发行年限和剩余期限筛选,基于20日平均成交量取前3个高流动性品种构建等权组合,组合以月度调仓,票息按月结转。此方式确保组合流动性和实际可交易性,避免使用流动性较差的指数品种。
基于Nelson-Siegel(NS)模型及其衍生(Diebold-Li)方法,报告系统构建了对蝶式组合的因子暴露度。收益率曲线用水平(Level),斜率(Slope)与曲率(Curvature)三个因子表达,蝶式组合对每个因子的现金久期暴露可用NS因子偏导数计算。实证显示蝶式组合久期中性,对水平因子暴露极小,对斜率因子负相关(受益于曲线趋平),对曲率因子具有较大风险敞口,这是蝶式策略获得凸性溢价的重要来源,10]。
实证选取代表久期债券(2.15年,4.32年,8.21年),构建权重0.64:-1:0.36的蝶式组合,探索水平、斜率、曲率因子变化对收益影响。关键发现:
多时点持仓分析结果支持蝶式组合作为捕捉收益率曲线非线性结构的有效工具,11,12]。
通过对中债国债收益率曲线拟合,报告发现NS模型拟合整体良好,但曲率因子噪声较大,估计误差明显且波动异常。曲率因子高频表现波动大,直接以其预测策略存在较大误差,可能导致蝶式组合收益率预测结果不稳。故报告选择直接预测蝶式组合活跃券收益率,绕开单纯依靠收益率曲线因子预测的限制,增强模型鲁棒性,13]。
报告选用276个特征变量,涵盖四大类:
所有变量均以原始值及多种时序运算(差分、滚动窗口ZSCORE、波动率指标等)进行处理和标准化,以挖掘潜在特征信息。
基于8:2比例划分训练和测试集,采用以下模型:
各模型均基于滚动窗口剔除异常值和缺失数据处理,充分利用历史样本进行模型训练。随机森林和梯度提升类模型分别评估其灵活性的同时控制过拟合风险。
以解释力R²、预测方向胜率HIT、盈亏比PL三项指标评价模型表现(均在训练集与测试集分别对比):
四个模型各有利弊,综合来看XGBoost预测能力最好,随机森林稳定性高,Lasso盈亏比优势明显,17]。
基于策略的测试集表现:
全样本测试表现略有提升,XGBoost年化收益最高达到2.3%。总体收益表现稳定,模型间表现差异不大,AdaBoost略显落后,推测如前所述存在过拟合风险。净值走势图显示均优于均权蝶式基准。
将蝶式组合套利信号转化为哑铃型与子弹型组合的多头配置策略:若蝶式组合信号为正,则仓位增加哑铃组合,反之仓位转向子弹组合。此策略整合了蝶式组合对利率曲线形态的洞察,灵活调整久期结构。
测试集配置策略结果表现优异,年化收益介于4.2%-4.6%,最大回撤-2.6%至-3.1%,夏普比率提升至约2.4-2.7区间,明显超越同期均权基准(年化约3.7%,最大回撤-3.5%),风险调整后的收益显著增加,20]。
报告明显提示所有量化模型的有效性基于历史数据估计,不排除在未来失效或表现不佳的风险,提醒投资者谨慎使用。此外,蝶式组合策略对曲率因子的依赖表明市场利率曲线的非线性变动将对收益率有重大影响,预测误差可能对策略结果带来波动,21]。
本报告非传统意义评估公司价值的估值报告,核心为策略表现与收益率预测模型评估。模型间通过解释力(R²)、胜率(HIT)、盈亏比(PL)及策略绩效指标(年化收益、夏普比率、最大回撤等)系统对比,且融合机器学习的特征选择、交叉验证和参数调优技术确保模型稳定性和防止过拟合,通过实证测试对模型可靠性进行检验,XGBoost在综合表现上略优,随机森林表现稳健,Lasso偏向稳健型策略。
报告未给出具体缓解策略,但通过多模型比较和稳健性评估,尝试降低上述风险影响,12,16,21]。
本报告基于机器学习辅助的债券组合量化策略,针对目标久期配置探讨蝶式组合在哑铃型子弹型之间的相对表现,构建四类模型对蝶式组合收益率进行预测,并根据收益率信号指导债券组合多头配置,提升投资组合风险调整后回报。
主要发现:
报告采用详实图表和数学推导,结合实证数据支持,强化机器学习在债券配置策略中的应用,展现量化模型辅助债券投资的可行性及优势。图表如蝶式组合风险暴露统计、月度收益趋势、模型预测品质对比和多头组合净值走势等均有助于理解策略表现和风险特征,为投资者提供全方位量化分析视角。
(注:全文页码均标注为溯源标记,所有关键结论、数据及图表均对应报告原文各页,即使多页涉及亦采用多个页码标注。)
蝶式组合月度收益(图3)
蝶式组合NS模型拟合(图21)
模型预测效果R2对比(图29)
蝶式策略净值(测试集,图32)
多头配置策略净值(测试集,图36)
综上所述,该报告通过严谨理论分析与实证模型搭建,科学归因蝶式组合收益,并结合机器学习模型实现蝶式套利收益率的预测与优化债券组合多头配置,展现了量化策略在债券投资中的实际应用价值及未来潜力。
20220321-上海东证期货-上海东证期货债券量化系列之二:债券组合量化策略研究(2022-03-21).pdf