固收量化套利策略系列之二：基于宏观因子的国债期货跨品种套利策略

中信期货研究|固定收益策略报告(国债) 基于宏观因子的国债期货跨品种套利策略 ——固收量化套利策略系列之二 2024-05-29 投资咨询业务资格： 证监许可【2012】669号 报告要点 本文通过宏观因子预测期限利差，并据此构建了国债期货的跨品种套利策略，在不同品种之间均能获得不错的表现。保证金比例为10%时，T-TF、T-TS、TL-T、TL-TS和TL-TF的年化收益分别为18.83%、16.63%、41.02%、92.13%和35.68%。等权配置所有跨品种策略后，年化收益21.53%，最大回撤9.51%，月度胜率可达62%。 127 123 119 中信期货商品指数走势 中信期货十年期国债期货指数中信期货沪深300股指期货指数 260 220 中信期货商品指数 115180 111 140 107 摘要：本文分别从增长、通胀、信用、流动性、债券发行和交易、股市情绪以及利率期限结构这7个维度共选取了32个不同的细分指标及其变化率作为备选变量，并基于LARS算法和贝叶斯平均建立了期限利差的预测模型。 国债期货跨品种套利策略构建：首先对备选变量进行“频率对齐至月频-季节性 103 2023/52023/62023/72023/82023/92023/102023/112023/122024/12024/2 固定收益团队 研究员：张菁 021-80401729 zhangjing@citicsf.com从业资格号F3022617投资咨询号Z0013604 程小庆 021-60819969 100 调整-单向HP滤波提取趋势”的操作。对于T-TF、T-TS、TL-T和TF-TS，分别建 立对应期限的利差预测模型后进行跨品种套利；对于TL-TS和TL-TF，则通过预测N-S模型的斜率因子来构建套利策略。 国债期货跨品种套利策略表现：10%保证金比例下，T-TF跨品种策略年化收益18.83%，最大回撤10.77%；T-TS跨品种策略年化收益16.63%，最大回撤17.61%；TL-T跨品种策略年化收益41.02%，最大回撤14.63%；TL-TF跨品种策略年化收益35.68%，最大回撤20.66%；TL-TS跨品种策略年化收益92.13%，最大回撤19.31%；不过TF-TS跨品种策略表现相对一般，年化收益4.86%，最大回撤9.46%。 跨品种套利策略增强现券组合收益：等权配置上述除TF-TS外的5组跨品种套利策略，套利策略组合的年化收益可达21.53%，最大回撤9.51%，月度胜率可达62%，表现相较于单个配对更加稳健。该套利策略组合也可用于现券组合的收益增厚，增强组合年化收益能够获得显著的提升。 风险提示：回测仅基于历史数据；基差大幅波动可能导致回撤 chengxiaoqing@citicsf.com 从业资格号F3083989 投资咨询号Z0018635 重要提示：本报告非期货交易咨询业务项下服务，其中的观点和信息仅作参考之用，不构成对任何人的投资建议。我司不会因为关注、收到或阅读本报告内容而视相关人员为客户；市场有风险，投资需谨慎。 目录 摘要：1 一、收益率曲线斜率的影响因素3 二、收益率曲线斜率的预测模型5 三、国债期货跨品种套利策略构建6 四、跨品种套利策略增强现券组合表现14 免责声明17 图目录 图表1：预测期限利差的备选指标池4 图表2：宏观因子预处理流程5 图表3：T-TF跨品种套利策略净值7 图表4：10Y-5Y利差及预测信号（+1为预测利差上行，-1为预测利差下行，下同）8 图表5：T-TF跨品种策略表现8 图表6：T-TS跨品种套利策略净值8 图表7：10Y-2Y利差及预测信号9 图表8：T-TS跨品种策略表现9 图表9：TL-T跨品种套利策略净值10 图表10：30Y-10Y利差及预测信号10 图表11：TL-T跨品种策略表现10 图表12：TL-TS跨品种套利策略净值11 图表13：30Y-2Y利差及预测信号11 图表14：TL-TS跨品种策略表现11 图表15：TL-TF跨品种套利策略净值12 图表16：30Y-5Y利差及预测信号12 图表17：TL-TF跨品种策略表现12 图表18：TF-TS跨品种套利策略净值13 图表19：5Y-2Y利差及预测信号13 图表20：TF-TS跨品种策略表现13 图表21：不同跨品种套利策略的收益相关性14 图表22：不同跨品种套利策略的月度收益率15 图表23：跨品种套利策略组合净值15 图表24：跨品种策略组合表现16 图表25：跨品种套利策略增强组合净值16 图表26：跨品种套利策略增强组合表现16 在上篇系列报告《国债期货套利策略系列之一：基于多空移仓矛盾的跨期套利策略及优化》一文中，我们对单个国债期货品种构建了远近月合约之间的跨期套利策略。本篇报告，我们将展开对不同品种之间的国债期货合约的套利策略研究。 国债期货跨品种套利的本质，在于交易收益率曲线的斜率变化。当预期收益率曲线变陡时，可以通过做多短端合约、做空长端合约来实现做陡曲线的操作；反之当预期收益率曲线变平时，则做多长端合约、做空短端合约。除此之外，合约基差也会影响跨品种套利的效果，但本文暂不考虑基差带来的影响，只探讨如何对未来收益率曲线的斜率变化进行预测。 一、收益率曲线斜率的影响因素 收益率曲线的斜率大小由长端利率和短端利率共同决定。因此，预测利率曲线斜率可以分别从影响长端利率和短端利率的因素入手。其中，短端利率更多受到资金面和货币政策的影响，而长端利率除了受到流动性的影响外，更多受到经济增长、通胀预期以及信用环境等因素的影响。 除经济数据之外，其它因素如债券的交易和发行以及股市情绪，也会通过影响长端利率的变化进而引起期限利差的变动。此外，学术界的预期理论认为，当前的利率期限结构包含了对未来收益率曲线形态的预期。因此，我们也将当前N- S模型的三个参数的取值考虑在内，作为预测未来期限利差变化的变量。 综上所述，我们分别从增长、通胀、信用、流动性、债券发行和交易、股市情绪以及利率期限结构这7个维度共选取了32个不同的细分指标作为备选变量， 对未来期限利差的边际变化进行预测，如图表1所示： 图表1：预测期限利差的备选指标池 指标维度指标名称 发布频率 发布时间 滞后期数 制造业PMI 月 每月最后一天 0 工业增加值同比 月 每月中旬 1 OECD中国领先指数 月 每月中旬 1 增长 房地产开发投资完成额同比 月 每月中旬 1 基建投资同比 月 每月中旬 1 进出口金额同比 月 每月上旬 1 CPI同比 月 每月中上旬 1 PPI同比 月 每月中上旬 1 通胀CRB综合现货指数 日 每日 0 南华商品指数 日 每日 0 70大中城市房价同比 月 每月中旬 1 社融同比 月 每月中上旬 1 M1同比 月 每月中上旬 1 信用M2同比 月 每月中上旬 1 金融机构各项贷款余额同比 月 每月中上旬 1 30城商品房成交面积 日 每月中上旬 0 R007 日 每日 0 DR007 资金面 美元指数 日日 每日每日 00 银行间质押式回购成交量 日 每日 0 新增专项债发行额 月 每月上旬 2 专项债发行额 月 每月上旬 2 债券发行和地方政府债发行额 月 每月上旬 2 交易银行间现券交易：保险机构 月 每月中旬 2 银行间现券交易：地方政府债 月 每月中旬 2 中债-地方政府债托管量 月 每月中旬 2 沪深300股息率 权益 50ETF期权持仓量PCR 日日 每日每日 00 50ETF期权成交量CPR日每日0 期限结构 水平因子斜率因子曲率因子 0 取每月末的中债 月即期收益率进行0 参数拟合 0 资料来源：Wind中信期货研究所 二、收益率曲线斜率的预测模型 （一）数据预处理 如第一章的图表1所示，大部分备选指标为月频发布的宏观基本面数据，且发布存在一定时滞。除制造业PMI指标外，其余月频发布的数据均存在1至2期的滞后性，因此我们在使用时，对于月频公布的数据按照图表1中的滞后期数进行滞后处理。对于资金面、权益、期限结构等日频指标，我们在每月月末取其当月的日度均值进行降频处理，以将其维度对齐至月频。 接下来，对于上述经过滞后和降频处理过的指标，我们按照拓展窗口对其进行季节性调整和单向HP滤波处理，以去除其季节性并提取趋势性（期限结构维度的指标不做季调和提取趋势处理），这样可以在预测未来期限利差的变化时提升模型的稳定程度。 此外，在经过季节性调整和提取趋势后，我们也计算了处理后指标当月的变化率，作为额外的变量加入预测模型中。 图表2：宏观因子预处理流程 滞后处理 •对于部分月频公布的经济数据，按照前文的公 布时滞进行滞后处理 数据变频 •对于日频公布的指标，取当月平均值作为月频 数据 季节性调整 •除利率期限结构维度的数据外，其余维度数据 按照拓展窗口进行季调 提取趋势 •对季调后的指标，采用单向HP滤波提取趋势 计算指标当月变化率 •计算处理后指标的环比变化率，作为变量加入 模型 资料来源：Wind中信期货研究所 （二）预测模型的选择和建立 在对未来的期限利差变化进行月频预测时，由于月频数据的样本量并不算大，因此采用较为复杂的深度学习或树模型可能出现较为严重的过拟合效应，故本文采用的预测模型仍然以线性模型为基础。 考虑到所选取的备选变量较多，因此为了降低多重共线性的影响，本文采用了最小角回归（LeastAngleRegression,LARS）算法。该算法是一种针对线性回归问题进行特征选择和回归系数计算的迭代算法，相较于一般的逐步回归法更加准确。此外，考虑到样本内的最优模型在样本外的预测效果不一定最好，我们考虑利用贝叶斯平均方式对多个线性模型进行加权，即通过平均多个模型来降低采用单一最优模型所导致的不确定性。 最后从模型拟合和预测的角度，我们采用固定长度的滚动窗口对未来一个月的期限利差变化方向进行预测，具体如下： 每个滚动窗口期内，采用LARS算法选择N个变量进行预测，其中1≤N ≤5，这样每个窗口期内可以得到5个备选模型 分别对5个备选模型基于最新一期的自变量值进行预测，得到最新一期的期限利差变化的预测值 保留调整后R方大于0的M个模型（M≤N≤5） 将上述得到的M个模型的预测结果按照回归方程的BIC值进行加权，得到最终的预测结果，加权方式具体如下： 𝑑𝐵𝐼�=𝐵𝐼𝐶𝑎𝑙�−𝑚𝑖𝑛(𝐵𝐼𝐶𝑎𝑙𝑙) −𝑑𝐵𝐼� 𝑤𝑒𝑖𝑔ℎ�=�2 𝑌̃=𝑤𝑒𝑖𝑔ℎ�∙𝑠𝑖𝑔𝑛(𝑌̃𝑖) 上述的𝐵𝐼𝐶𝑎𝑙�为M个模型的BIC向量，𝑌̃�为第i（1≤i≤M）个模型的预测结果。若𝑌̃>0，做陡曲线；若𝑌̃<0，做平曲线。 三、国债期货跨品种套利策略构建 在这部分，我们将第一章展示的7个维度下所有细分指标按照对应的公布时滞处理后作为备选自变量，将下个月利差的变化值作为因变量，并利用第二章提出的模型框架进行拟合和预测。此处我们交易的标的为已上市的四个国债期货品种（T、TF、TS、TL）的主力合约。 另一方面，考虑到30Y-2Y以及30Y-5Y利差与利率曲线的斜率因子走势较为吻合，为了不失一般性以及节约计算时间，我们直接通过预测利率曲线斜率因子 的变化方向来构建TL-TS和TL-TF的多空组合，即当预期利率曲线斜率因子上行时，做空TL同时做多TF或TS，反之亦然。而10Y-5Y、10Y-2Y、30Y-10Y和5Y-2Y利差并不能较为完整地刻画出整条利率曲线的陡平形态变化，因此需要分别对它们建立预测模型。 此外，为了排除长久期国债期货相较于短久期国债期货波动更大的影响，我们按照久期中性原则计算手数的配比。在对跨品种合约构建多空头寸的过程中，我们每周第一个交易日对合约手数进行调整，以使得整个组合久期敞口为0。 最后，为了避免移仓换月阶段，合约基差收敛以及跨期价差波动对策略带来的影响，我们在移仓换月期开