宏观固收量化研究系列之（八）：基于量价信息的利率择时探讨

基于量价信息的利率择时探讨 ——宏观固收量化研究系列之（八） 研究结论 本文探讨了通过挖掘利率市场量价信息来进行择时的可能性，不同于传统技术分析的做法，本文尝试寻求好的量价因子，构建因子池，并最终将各因子的信号通过等权法或回归法合成最终信号，并在10年期国债期货主力合约、10年国开活跃券和长短久期指数轮动上进行回测。 本文以2020年底之前作为样本内区间，回测了成交量、价格动量、价格波动、期限利差水平、期限利差动量、税收利差水平、税收利差动量、期现价差、资金面水平、资金面波动10个大类，共计578个时序因子，然后根据因子样本内表现的定量 金融工程|专题报告 报告发布日期2022年12月13日 王星星021-63325888*6108 wangxingxing@orientsec.com.cn 执业证书编号：S0860517100001 宋之辰songzhichen@orientsec.com.cn 标题日期 指标筛选出较好的因子构成因子池。 对于因子池中的因子，我们尝试用等权法和回归法来合成最终信号。经回测，等权法合成因子表现较好，并且在样本外仍然有不错的超额收益： 对于国债期货标的，全样本年化收益达到4.25%，收益风险比达1.41，平均交易天数为7.69天/次; 对于10年期国开活跃券利率标的，全样本年化赚得收益率达到71.1bps，收益风险比达1.54，平均交易天数为7.96天/次； 对于长短久期轮动组合，全样本年化收益达到6.36%，收益风险比达3.1。 本文还尝试了使用滚动和扩展的方式定期更新因子池的做法，结果表明，扩展方式下的回归法合成效果较好，对于10年期国开活跃券利率标的，2016年以来的回测结果显示，年化赚得收益率达到42.4bps，收益风险比达0.96。 最后，本文还根据这578个时序因子在不同波段行情下的表现，筛选出具有反转特征的因子，分别为5Y国债_近10日标准差_近3Y历史分位数、2Y国开_近5日标准差_近5Y历史分位数、10Y国开_近5日标准差_近1Y历史分位数、R007_近5日标准差_近1Y历史分位数、DR007成交额_水平值_近5Y历史分位数、R001_近5日标准差_近1Y历史分位数，供投资者参考。 随着利率债市场的波动不断加大，定量化策略和量价因子可以从统计分析、回溯历史等角度给投资者提供参考意见，为投资决策提供补充的信息和思路。 风险提示 量化模型失效的风险 市场极端环境的冲击 债券的风险模型研究：——宏观固收量化研究系列之（七） 活跃券的均线择时：——宏观固收量化研究系列之（六） 基于机器学习模型的债券流动性预测：— —宏观固收量化研究系列之（五） DFQ市场化国债&国开利率曲线：——宏观固收量化研究系列之（四） 2022-09-03 2022-03-25 2021-11-23 2021-06-05 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 目录 一、概要4 二、策略设计4 三、因子构建6 四、单因子回测与筛选8 五、合成信号回测13 5.110年期国债期货主力合约回测15 5.210年国开活跃券利率17 5.3中债7-10年国开债指数与1年以下国开债指数轮动18 5.4滚动或者扩展窗口筛选因子20 六、反转因子探讨22 七、结论27 风险提示27 附录28 参考文献29 图表目录 图1：以国开期限利差为例的各种数据加工方式展示7 图2：以“R007_5日移动平均_近1Y历史分位数”为例的因子值、因子生成的信号和该因子的回测净值曲线9 图3：筛选出的单因子净值曲线(回测标的：10年期国债期货主力合约)12 图4：筛选出的单因子累计赚得收益率(回测标的：10年期国开活跃券利率)13 图5：显著因子数量(标的：10年期国债期货主力合约)13 图6：显著因子数量(标的：10年期国开活跃券利率)13 图7：等权法今年以来信号(标的：10年期国债期货主力合约)14 图8：等权法今年以来信号(标的：10年期国开活跃券利率)14 图9：回归法今年以来信号(标的：10年期国债期货主力合约)14 图10：回归法今年以来信号(标的：10年期国开活跃券利率)14 图11：合成信号表现(回测标的：10年期国债期货主力合约)15 图12：合成信号表现(回测标的：10年国开活跃券利率)17 图13：合成信号表现(回测标的：长短久期指数)19 图14：合成信号表现(回测标的：10Y国开活跃券利率)21 图15：合成信号表现(回测标的：长短久期指数)22 图16：牛熊波段划分(序列：10年期国开到期收益率)23 图17：各反转因子的信号分布(红色方框代表成功预测行情的末尾)25 图18：所有用到的因子列表28 表1：回测品种与回测设计6 表2：回归与单因子回测设计9 表3：部分单因子回测结果展示(回测标的：10年期国债期货主力合约)11 表4：部分单因子回测结果展示(回测标的：10年期国开活跃券利率)11 表5：筛选出的单因子(回测标的：10年期国债期货主力合约)12 表6：筛选出的单因子(回测标的：10年期国开活跃券利率)12 表7：合成信号表现(回测标的：10年期国债期货主力合约)15 表8：合成信号表现(回测标的：10年国开活跃券利率)17 表9：合成信号表现(回测标的：长短久期指数轮动)19 表10：定期更新因子池策略表现(回测标的：10Y国开活跃券利率)21 表11：定期更新因子池策略表现(回测标的：长短久期指数)21 表12：反转因子的历次表现(1代表判断出行情的尾声)24 一、概要 近几年中国利率债市场发展较为迅速，以国债期货、各期限利率债活跃券等品种开始逐渐产生较多量价数据，这为量化择时策略提供了一定的基础。传统的利率择时策略更加侧重于从主观上对宏观基本面形成判断，而中短期的价格行为能否具有一定预测性，或者能否可以形成有稳健收益的中短期量化信号，仍然有待投资者去深入挖掘。 在前期的报告《活跃券的均线择时：——宏观固收量化研究系列之(六)》中，我们发现，无论是日频均线还是日内均线，简单的均线策略在10Y国开活跃券和10Y国债活跃券择时上具有一定效果。但是传统的技术指标仍有以下几个缺陷： 被动地应对行情，并未对市场进行预测和验证，因此胜率较低； 本质上是趋势跟踪，在拐点来到时反应较为迟钝； 如果是日频级别的技术分析，则极度依赖于市场状态，尤其在震荡市信号变换频率较大，会出现来回亏损的情况。 基于此出发点，本文尝试对利率择时策略进行更加细致的探索。本文寻找一些具有预测能力的时序特征(后文统称为时序因子1)，并且使用线性回归的方法，对未来短期的利率市场形成预测，从而形成日频的策略信号，在此基础上对历史数据加以回测。 二、策略设计 前期的报告《活跃券的均线择时：——宏观固收量化研究系列之(六)》显示，基于价格信息能够在一定程度上捕捉到国开利率的动量效应，并有较好的回测效果，这说明过去的历史价格信息可以被利用于预测利率债市场。因此，通过分析市场历史的量价数据，对未来利率市场做出预测存在一定的可能。 在股票量化领域，学界和业界往往尝试寻找截面上的股票特征(因子)，并最终对因子池进行合成(因子打分)，从而挑选出具有较好预期收益的股票。本文尝试在样本内空间寻找时序上的有预测能力的因子，构建有效因子池，合成最终信号，并在样本内和样本外分别回测，评估信号效果。 本文的基本步骤为： 1)基于量价逻辑，构建较大的因子库； 2)每月末，对每个因子，往前取一段时间长度为L的样本以及对应的未来N日的收益率涨跌 (或未来N日的国债期货涨跌幅)，做1次滚动线性回归预测： 以T时刻为例，我们得到因变量序列[𝑌𝑇−𝐿,𝑌𝑇−𝐿+1,…,𝑌𝑇−1,𝑌�]和自变量序列 [𝑋𝑇−𝐿−𝑁,𝑋𝑇−𝐿−𝑁+1,…,𝑋𝑇−𝑁−1,𝑋𝑇−𝑁]，做如下回归 𝑌�=𝛽0+𝛽1𝑋𝑡−� 下一个月的每个收盘后，时刻记为𝑇̃，根据回归系数𝛽̂1和对未来N日的Y的预测值𝑌̂𝑇̃+�=𝛽̂0+ 𝛽̂1𝑋𝑇̃，做如下判定： 1注意，这里的因子并非是股票多因子模型中的截面特征，而是时间序列维度上的特征。 若𝛽̂1不显著，则生成空仓信号 若𝛽̂1显著且𝑌̂𝑇̃+�>0，则意味着当前X预测未来利率上行，则生成看空信号(若Y是未来N日的国债期货涨跌幅，则生成看多信号) 若𝛽̂1显著且𝑌̂𝑇̃+�>0，则意味着当前X预测未来利率下行，则生成看多信号(若Y是未来N日的国债期货涨跌幅，则生成看空信号) 按照这样的逻辑，我们最终可以得到样本内区间所有因子每天的信号； 3)根据生成的多空信号，在样本内区间生成每个因子的净值曲线，具体回测设置见下文，并计算各评价指标； 4)选出样本内区间表现较好的因子，并做简单降维，剔除相关性高的因子，形成最终的因子池； 5)根据不同的方式对因子池中的因子合成信号，并在样本内和样本外区间测试合成信号的回测效果。 在线性回归估计步骤，一般使用OLS模型，因为在符合一定的假设条件下，OLS是最优线性无偏估计量(BLUE)。其中，有两个重要假设需要满足： 自变量X是外生的 自变量X是平稳时间序列 而在做时间序列回归时，尤其是金融变量的时间序列回归中，自变量往往不符合这些假定，从而导致估计出的参数偏误较大，且不稳定，因此本文参考Kostakisetal.(2015)，采用IVX回归的来估计因子和未来收益率变化的关系。 Kostakisetal.(2015)扩展了Phillips(2009)使用工具变量(InstrumentalVariable)的参数估计方法(IVX)，可以应对回归中的内生性问题，适用于几种常见持续性强度的时间序列(平稳序列、协整序列、近似协整序列、近似平稳序列)，并且可以便捷的使用Wald统计量做假设检验。这种借用工具变量的回归方法在金融时间序列预测中普适性非常强，但代价是会降低估计量收敛于真实值的速度，作者通过Monte-Carlo模拟设定了工具变量的最优参数，使得收敛速度的下降仅从OLS估计量的𝑜(𝑛)降为𝑜(𝑛(1+0.95)/2)，影响非常有限。在有限样本数量下，统计检验犯第一类错误的概率接近预先设置的置信度水平。 此外，由于在金融时序应用中，常常会遇到样本重叠的问题，比如用日频的自变量对未来N日的收益做回归，则相邻2天所用到样本的因变量会有N-1日的数据重叠，在回归过程中会出现对方差估计的偏误，影响回归的显著性和一致性，而IVX方法也修正了统计量的这种偏误，因此本文统一使用IVX方法来做单变量和多变量的回归与预测。 在单因子和最终合成的信号中，我们分别采用10年期国债期货主力合约、10Y国开活跃券利率和中债7-10年国开债指数作为回测标的，具体回测的设定如下图所示，数据均来自于Wind资讯： 表1：回测品种与回测设计 回测品种 10年期国债期货主力合约 10Y国开活跃券 中债7-10年国开债指数与1年以下国开债指数轮动 切券(切合约) 换仓日卖出老合约，买入新合约 换券日卖出老券，买入新券 无 交易价格 次日开盘15分钟的VWAP 次日收盘中债YTM 次日指数中债估值 回测结果 净值曲线 累计赚得收益率(bps) 净值曲线 回测逻辑 初始资金100万，每次开1手，统计盈亏 每次做1手活跃券，统计累计赚得收益率 每日计算策略return，累计成净值曲线 交易成本 万分之1.5(3tick) 0.25BP 万二 信号对应的交易 看多做多，看空做空 看多做多，看空做空 看多做多，看空配短债指数 基准 多头，按时切换合约 多头，按时切券 等权持有2个指数 资料来源：东方证券研究所&Wind资讯 三、因子构建 本文的因子均来源于利率市场和国债期货市场的日度数据，以价格、利差、波动和成交量为主。在构建因子时，为了避免数据挖掘