固定收益专题：关于市场状态判断模型的探索

固定收益专题 证券研究报告|固定收益专题 关于市场状态判断模型的探索 2022年12月22日 证券分析师徐亮 资格编号：S0120521060004 邮箱：xuliang3＠tebon.com.cn 研究助理 相关研究 1.《从疫情防控政策调整及优化角度看利率走势》2022-12-14 2.《较低的国债期货价格开始修复》 2022-12-12 3.《债券利率后续的节奏如何》2022-12-11 投资要点： 核心观点： 市场状态判断是我们施用不同策略的前提。比如在债市较为景气的时期，收益率呈现持续下行的态势，加久期和拉高杠杆是常用的有效套利策略，而当市场存在收益率上行压力的时候，将久期降低至合适的区间可以减小利率风险对组合回撤的影响。 1.《金地集团信用简评——深耕高 能级城市，8月单月销售回暖》， 2022.9.19 2.《信用债周报（2022/08/15- 2022/08/19）-》，2022.8.22 3.《“保交楼”进度如何》，2022.8.16 4.《央行降息为什么？》，2022.8.15 5.《信用债周报（20220808- 20220812）-》，2022.8.14 在量化策略实现的过程中，买入卖出信号的触发阈值通常需要根据历史数据进行寻优，而切分市场状态后寻优得到的阈值通常能在针对性的市场中取得更好的表现。本文列举了三类常用的市场状态切割模型，其中基础分割模型基于涨跌分析和波动幅度分析，是较常用的市场状态分割方法；除此之外，压力测试中常用的分位数模型也可以从收益率变化的速率的历史分位数表现对历史样本进行切割；最后，基于货币周期和基本面周期的周期切分模型在解释债市大周期时的效果较好。我们以MACD方向判断模型为例，测试了这三种市场切割模型对模型方向判断胜率的增益效果，为了使得各模型平行可比，我们取10日为标准化区间。 首先在全样本情况下，我们以12年至19年的数据作为训练集，计算MACD指标在不同阈值下的60日后涨跌情况，考虑到14年是债市收益率的高点，此后每一轮利率高点的值都会低于上一轮峰值，因此为了标准化阈值寻优的过程，我们使用MACD值的百日所处分位数来替代原本的数值，通过评估不同阈值下的总体表现，我们将全样本下的最终的操作阈值设定为9%和62%，即当MACD在过去百日的分位数达到62%时，我们采取买入操作，在过去百日的分位数达到9%时，我们采取卖出操作。根据这一操作信号，20年以来，策略超额为23.7BP，其中买入信号胜率为50%，卖出信号胜率为64.3%。 接着我们引入三个市场分割模型，按照同样的方法在不同的市场状况下寻找更优的操作阈值。由于不同的市场分割模型可能会切割出不同数量的市场状态，因此我们在9%和62%全局最优的阈值的基础上，考虑在单个市场状态下进行正负1%-5%的阈值修正后，考察是否能提升策略的总体胜率与超额收益。 综合来看，三种市场切分模型均能对原始的操作信号产生有效的正向补充。根据测试区间的表现来看，基础分割模型的边际调优表现相比之下最弱，这可能是由于该模型基于两个高频维度（涨跌和波动）的切割使得同类市场之间的类别特性过弱，导致综合表现相对较差。分位数模型表现最好，根据测试区间的表现，该模型能相比全样本模型更有效地判断利率低点，这主要是由于21年下半年至22年初，利率呈现波段式下行的特征，而基于分位点生成的市场状态判断在此类行情中适用性较好；相比分位数模型，周期切分模型虽然也能一定程度上进行市场低点的判断，但由于债市的运行节奏和宏观因子的表现不完全同步，因此在左侧提示上，使用宏观经济周期切分的方法效果不如分位数模型好。 风险提示：经济表现超预期、宏观政策超预期、市场切割模型失效、量价指标失效 请务必阅读正文之后的信息披露和法律声明 内容目录 1.不同场景下的常用市场状态分割方法4 2.市场状态分割对择时指标的优化7 3.风险提示12 信息披露13 图表目录 图1：10Y国债收益率2002年以来的基础市场状态分割结果（单位：%）5 图2：基于10日收益率变化速率的市场切割（单位：%）6 图3：工业增加值当月同比的1、2月平滑结果及6M均线（单位：%）6 图4：DR007利率及6M均线（单位：%）6 图5：基于货币周期和基本面周期的市场分割（单位：%）7 图6：10Y国债YTM及10日MACD（单位：%）8 图7：10Y国债YTM及根据相应阈值生成的操作信号（单位：%）9 图8：10Y国债YTM及基础分割模型下的操作信号（单位：%）10 图9：10Y国债YTM及分位数模型下的操作信号（单位：%）11 图10：10Y国债YTM及周期切分模型下生成的操作信号（单位：%）11 表1：指标说明4 表2：指标说明5 表3：指标说明6 表4：基于12年至19年数据的MACD百日分位数阈值寻优（单位：%）8 表5：市场分割模型与操作阈值10 1.不同场景下的常用市场状态分割方法 市场状态判断是我们施用不同策略的前提。比如在债市较为景气的时期，收益率呈现持续下行的态势，加久期和拉高杠杆是常用的有效套利策略，而当市场存在收益率上行压力的时候，将久期降低至合适的区间可以减小利率风险对组合回撤的影响。 在量化策略实现的过程中，买入卖出信号的触发阈值通常需要根据历史数据进行寻优，而切分市场状态后寻优得到的阈值通常能在针对性的市场中取得更好的表现。本文列举了三类常用的市场状态切割模型，并以MACD方向判断模型为例，测试了这三种市场切割模型对模型方向判断胜率的增益效果，为了使得各模型平行可比，我们取10日为标准化区间。 基于涨跌分析和波动幅度分析基础上的基础分割模型是较常用的市场状态分割方法。我们以中债国债10年期收益率曲线为基础，以10日为测算区间，生成 涨跌幅和波动率两个评估指标，并以此作为基准将曲线历史数据分割为了5个状 态，震荡态为起始时期的默认基础值。为了避免市场状态切换过快，只有当连续5个交易日均判定为新的市场状态时，市场状态才会更新，否则延续上一日的市场状态。 表1：指标说明 指标名称计算说明 涨跌幅中债国债10Y收益率的10日涨跌幅度波动率中债国债10Y收益率的10日滚动波动率 涨跌幅大于等于阈值（其历史45%分位数的绝对值和55%分位数绝对值中的较大者），波动率大 熊陡于等于其历史50%分位数 涨跌幅大于等于阈值（其历史45%分位数的绝对值和55%分位数绝对值中的较大者），波动率小熊平于其历史50%分位数 涨跌幅小于阈值（其历史45%分位数的绝对值和55%分位数绝对值中的较大者），波动率大于等牛陡于其历史50%分位数 涨跌幅小于阈值（其历史45%分位数的绝对值和55%分位数绝对值中的较大者），波动率小于其牛平历史50%分位数 震荡态不属于上述四种状态的其他情况，基础默认值 资料来源：德邦研究所 从基础市场状态分割的结果来看，使用涨跌幅和波动率的分割方式在市场趋势性较强的时候能对市场状态进行较有效的判断，但在市场偏震荡的时期，比如11年底、16年初及22年，市场状态切换频率过快导致该种方法在后市方向判断上的有效性较差，即这些时期的基期市场状态为基准测试的阈值，在预测时由于市场状态变化，方向判断模型的有效性可能会有一定的下降。 图1：10Y国债收益率2002年以来的基础市场状态分割结果（单位：%） 资料来源：Wind，德邦研究所 除了基于涨跌分析和波动幅度分析基础上的统计归类外，压力测试中常用的分位数模型也可以从收益率变化的速率的历史分位数表现对历史样本进行切割。我们先计算10Y国债收益率的10日变动，接着以其在过去100天内的不同分位数区间将样本进行切割为5个状态，同样为了避免市场状态切换过快，只有当连 续5个交易日均判定为新的市场状态时，市场状态才会更新，否则延续上一日的市场状态。 表2：指标说明 指标名称计算说明 涨跌幅中债国债10Y收益率的10日涨跌幅度 快速上行涨跌幅在过去100天内处于80%-100%分位数 普通上行涨跌幅在过去100天处于60%-80%分位数 快速下行涨跌幅在过去100天处于0%-20%分位数 普通下行涨跌幅在过去100天处于20%-40%分位数 震荡态涨跌幅在过去100天处于40%-60%分位数，基础默认值 资料来源：德邦研究所 由于该方法仅基于收益率变化速率所处的历史分位数情况对样本进行切割，因此其稳定性较差，比如收益率快速上行时期，既有可能出现在利率快速上行的趋势性行情中，也有可能出现在利率快速下行后的反转性行情中，同时虽然经过了一定的稳定性处理（连续5日同信号变更），但每段市场表现的持续期较短，容易频繁发生市场状态切换。 图2：基于10日收益率变化速率的市场切割（单位：%） 资料来源：Wind，德邦研究所 除了根据收益率变化特征外，基于货币周期和基本面周期的周期切分模型在解释债市大周期时的效果较好。我们分别以工业增加值的同比变化和DR007的20日均值反映基本面和货币面这两个驱动债市的主要因素。对于工业增加值同比， 考虑到1月和2月春节效应的影响，曲线上会存在明显的跳点，因此我们取1、2月复合增速作为1、2月的总增速，对当年1月和2月的工业增加值进行平滑处理，同时考虑到20年春节的疫情冲击，我们将20年和21年增速也做平滑处理，最后以6个月均线的变化来反映基本面的方向，对于DR007，我们同样使用6M均线来反映货币面的变化方向。 图3：工业增加值当月同比的1、2月平滑结果及6M均线（单位：%） 图4：DR007利率及6M均线（单位：%） 资料来源：Wind，德邦研究所资料来源：Wind，德邦研究所 通过结合基本面方向和资金面方向的变化，我们可以得到4种组合，分别对 应不同情况下的债市运行背景。其中由于工业增加值为月度数据，只要连续2期出现同向变化，我们就会更新基本面方向，DR007的120交易日（6M）均线则沿用连续5期的判断逻辑。 表3：指标说明 指标名称计算说明 基本面方向对1、2月平滑处理后的工业增加值同比的6M均线波动方向（连续2期判断）资金面方向DR007利率的6M均线波动方向（连续5期判断） 紧货币高景气基本面方向上行，资金面方向上行紧货币低景气基本面方向下行，资金面方向上行 宽货币高景气基本面方向上行，资金面方向下行宽货币低景气基本面方向下行，资金面方向下行资料来源：德邦研究所 虽然基于基本面方向和资金面方向变化的市场分割能从理论角度对债市运行背景进行较好的分类，但实际场景中，影响市场变化的因素很可能是复合性质的，即多因素共同影响的结果，比如理论上在紧货币同时高景气的环境下，债市利率上行的趋势会较强，但在06年、10年等时刻，我们观测到了这种环境下，债市利率仍有明显下行的情况。 图5：基于货币周期和基本面周期的市场分割（单位：%） 资料来源：Wind，德邦研究所 2.市场状态分割对择时指标的优化 虽然各类市场分割方法均具有一定的局限性，但不可否认的是，这些方法均将历史样本按照一定的特征进行了分类，在这些市场分割方法的应用场景上，即择时指标的学习区间选择时，通过加入市场分割模型后，通常能有效提高指标的胜率。 我们以泛用性较高的MACD指标的10日趋势反转信号为测试对象。该指标首先生成10日和20日均线，接着通过观测短线和长线的差值情况生成观测指标，当MACD指标过高时，代表市场短期上升动能过强，后市存在利率下行的可能性，当MACD指标过低时，代表市场短期下降动能过强，后市存在利率上行的可能性。 图6：10Y国债YTM及10日MACD（单位：%） 资料来源：Wind，德邦研究所 首先在全样本情况下，我们以12年至19年的数据作为训练集，计算MACD 指标在不同阈值下的60日后涨跌情况，考虑到14年是债市收益率的高点，此后每一轮利率高点的值都会低于上一轮峰值，因此为了标准化阈值寻优的过程，我们使用MACD值的百日所处分位数来替代原本的数值，并以不同的分位数区间计算其方向胜率，以不同的高