公募纯债基金久期测算进阶版：久期测算更精确更稳定，助力辨识基金经理能力

公募基金作为债券市场的重要参与者，它们的组合久期变动受到市场广泛关注。本报告通过引入新的处理方法，对公募纯债基金久期测算模型进行优化，开发出2.0版本，显著提升了久期测算的精确度和稳定性。通过高频久期数据的跟踪，可以观察基金经理的操作风格和久期调整能力，细致的业绩拆解不仅帮助投资者更清晰地识别基金经理的久期风格与倾向，还能有效辨识具备卓越久期调整能力的基金经理，为投资者提供了宝贵的参考信息。 本报告推出公募纯债基金久期测算2.0模型，实现了比前代更精确、更稳定的久期测算。原版本的久期测算模型基于净值回归法，通过KMeans聚类的简化变量法克服多重共线性问题，并针对纯债基金的特征进行了细节处理。通过引入创新的处理方法，2.0模型显著降低了久期高估的风险，并提高了测算结果的稳定性，误差中位数从1.0版本的0.20年降低至0.12年，能够更好地跟踪市场整体久期走势。模型对单基金久期的估计也愈发精准，在不同时期和基金上都能保持较高的测算稳定性和准确性。 2.0版本的久期测算模型显示，截至2024年5月24日，中长期纯债基金的久期中位数为2.21年，位于近5年94.2%的历史分位数，近1个月久期中位数有逐周上升的趋势，且久期分歧度略有上升。短期纯债基金中位数为0.84年，位于近5年82.2%的历史分位数，3月以来久期从高位有所回落，操作较保守的基金数量近期有增长的趋势。 本报告利用高频久期数据，不仅跟踪分析了基金的久期变动，还深入挖掘了基金经理的操作风格和久期调整能力。高频数据的应用使我们能够细致拆解基金业绩，利用可比指数调整法及收益率曲线插值法，区分由收益率曲线变动和信用利差变动引起的价差收益，以及债券票息收益。价差收益可以衡量基金的久期调整能力，票息收益可以综合衡量基金的杠杆水平、券种选择与信用下沉程度。为投资者提供了宝贵的参考信息。 更重要的是，基于2.0版本的精准久期测算，我们得以有效辨识那些具有卓越久期调整能力的基金经理。通过综合考量价差收益、久期调整幅度、最大回撤和基金规模等因素，我们成功筛选出一批表现优异的基金经理。这些基金经理不仅展现出对市场变化的敏锐洞察，而且在风险控制和收益获取上均表现出色。 历史数据得到的规律存在失效风险、基金经理风格变动风险、基金久期与净值调整风险等。 内容目录 第一部分：纯债基金久期测算方法改进：精度更高、突变减少4 1、久期测算方法回顾4 2、如何进一步提升久期测算精度5 第二部分：最新久期测算结果：久期维持高位，中长债基久期2.21年、短债基金久期0.84年7 1、中长期纯债最新久期测算结果7 2、短期纯债最新久期测算结果9 第三部分：纯债基金久期跟踪与筛选：高频跟踪操作风格和久期策略能力，助力基金经理优选10 风险提示14 图表目录 图表1：Kmeans聚类方法示意图5 图表2：1.0版本债券指数构成5 图表3：1.0版本基金测算久期误差分布5 图表4：债券指数池相关性统计6 图表5：中长期纯债市场久期中位数6 图表6：短期纯债市场久期中位数6 图表7：中长期纯债测算久期误差分布7 图表8：短期纯债测算久期误差分布7 图表9：中长期纯债单基金误差中位数7 图表10：短期纯债单基金误差中位数7 图表11：中长期纯债型基金历史测算久期8 图表12：中长期信用型纯债基金历史测算久期8 图表13：中长期利率型纯债基金历史测算久期8 图表14：中长期信用型纯债基金历史扩散指数9 图表15：中长期利率型纯债基金历史扩散指数9 图表16：短期纯债型基金历史测算久期9 图表17：短期信用型纯债基金历史测算久期10 图表18：短期利率型纯债基金历史测算久期10 图表19：短期信用型纯债基金历史扩散指数10 图表20：短期利率型纯债基金历史扩散指数10 图表21：中长期纯债基金久期近3年波动率分布图10 图表22：短期纯债基金久期近3年波动率分布图10 图表23：不同久期调整幅度基金分类统计11 图表24：基金的可比债券指数选择12 图表25：纯债基金业绩拆解12 图表26：中长期纯债不同收益来源均值时间序列13 图表27：短期纯债不同收益来源均值时间序列13 图表28：久期调整能力较高的中长期信用型基金名单13 图表29：久期调整能力较高的中长期利率型基金名单14 公募基金作为债券市场的重要参与者，它们的投资交易行为受到市场广泛关注。其组合久期变动能够反映机构投资者对于市场的观点变化，对于指导投资构建交易策略具有很高的价值。 2023年8月6日我们推出了《一种高精度的公募纯债基金久期测算方法》，我们从传统的净值回归模型出发，根据纯债基金的特殊属性，对若干重要细节问题进行应对，从而最终探索出一种稳定性与准确性均较高的方法。在本文中，我们重新回顾基金久期测算模型，对测算久期易被高估及久期结果不稳定问题进行针对性处理，开发更加精准的纯债基金久期测算2.0版本。 在此基础上，本文用高频久期数据对基金进行跟踪分析，将基金业绩拆解为收益率曲线变动和信用利差变动引起的价差收益部分，和债券票息收益部分，从而更细致地研究基金经理的操作风格和久期策略能力，进而实现对基金经理的筛选。 1、久期测算方法回顾 目前市场主流采用净值回归法对久期进行估计。净值回归法用基金净值对一系列解释变量进行回归，并以拟合系数对解释变量的久期进行加权求和来得到基金久期。其使用高频净值数据，可以做到日频跟踪的基金期限拆解和久期估算。 净值回归中最基本方法是将基金净值增长率对债券指数收益率进行带有约束条件的多元线性回归。其思想是通过对基金的日度收益做期限拆解，从而大致得出基金不同期限品种的仓位，继而估计基金久期。模型选用适合的自变量对纯债基金的复权单位净值涨跌幅进行解释，在变量选择层面，自变量在久期层面需要具有明显的区分度。中债系列债券指数以待偿期限进行划分，将各类债券分为1年以下、1-3年、3-5年等多个字段，目前中债-新综合系列财富指数被广泛地使用作为久期模型的解释变量。 模型的基本公式如下： 𝑟�,�=�+𝛽<1𝑟<1,�+𝛽1−3𝑟1−3,�+𝛽3−5𝑟3−5,�+𝛽5−7𝑟5−7,�+𝛽7−10𝑟7−10,�+𝛽>10𝑟>10,� 0.8≤∑�≤1.4,0≤�≤1.4 基金收益率𝑟�可以由不同期限下的指数收益率𝑟�、以及基金�加权得到。其中，回归系数�的总和在0.8和1.4的范围之内，对应了债券基金80%的债券资产占比下限和最高40%的杠杆上限（不考虑定开式基金）；同时，回归系数�应介于0到1.4之间，此上下界描述了该部分空仓或满仓的两类极端情况。 基金的测算久期可由如下公式得到： 𝐷𝑓,�=𝛽<1𝐷<1,�+𝛽1−3𝐷1−3,�+𝛽3−5𝐷3−5,�+𝛽5−7𝐷5−7,�+𝛽7−10𝐷7−10,�+𝛽>10𝐷>10,� 即基金测算久期𝐷�可以由不同期限下的指数公布久期𝐷𝑖,�加权求和得到。 多元线性回归方法简洁明了，逻辑清晰，但在实际操作中，往往会出现由多重共线性导致的模型缺乏稳定性。比如我们用不同待偿期限的中债系列债券指数作为自变量，这些指数之间有着很强的相关性，如中债新财富指数中相关系数多数在0.8以上。多重共线性会导致模型估计失真或者难以准确估计，样本的微小扰动都可能给回归系数带来很大的变化。而回归系数正是我们计算基金久期的关键中间变量，久期测算结果的稳定性不足的情况多是由此导致。 因此，基金久期测算的核心，就是如何在符合经济学含义的基础上，解决多重共线性问题。为避免多重共线性问题，市场上进行了不同的尝试，主流方法包括：岭回归法、lasso回归法、简化变量法、逐步回归法等。 岭回归和lasso回归思路较为相似，都是通过增加惩罚项对回归系数进行约束，使得回归系数变小或趋向于0，从而减少共线性的不稳定性。虽然这两种方法可以小幅提升久期测算的准确度，但是，这两种回归方法是有偏的，且在久期测算问题中，回归系数变小意味着基金债券资产的总仓位变小，并不符合实际。因此，岭回归和lasso回归从原理上并不适合处理基金久期测算的问题。 简化变量法通过一定规则筛选解释变量，来处理多重共线性，使得回归系数更为稳定，而如何合理筛选自变量成为该方法的关键，筛选后的自变量理论上要有低相关性，且有代表性。逐步回归法简单来说是分步地从大量可供选择的变量中选取最重要的变量，建立回归模型。从实践上来说，逐步回归法对于短久期指数并不友好，而短久期债券品种往往是债基重要的底仓选项，剔除短久期指数也会导致债基久期的高估。 综合考虑各种方法的优劣势情形，我们在久期测算1.0版本中采用了KMeans聚类后的简化变量法来处理多重共线性问题。具体地，我们先用KMeans聚类方法把指数按照特征模式分组，使得同组中的指数模式相近，不同组的指数差异较大、相关性较低。然后再在每组中选择对基金解释程度最高的指数，即用组内每个指数逐个与基金净值涨跌做线性回归，得到它们的拟合优度，继而选择拟合优度最大的那一个指数，纳入回归自变量。这样得到的自变量族，既保留了基金不同特征模式，又降低了自变量相关性。 图表1：Kmeans聚类方法示意图 来源：Wind，国金证券研究所 在多重共线性问题之外，纯债基金的某些特殊属性，也给测算带来了很多的困难，我们在久期测算1.0版本中针对性地进行处理与应对： 问题一：债基净值虽然每天发布，但最多只能精确到小数点后四位，再加上债券本身波动就很小，四舍五入影响下使得可供观察的净值增长率间隔出现0，净值的增长可能包含上一日的部分或积累至下一日，并非完全反映当日波动。这导致净值实际介于连续和离散数据之间的形态，净值曲线会呈现锯齿状。而债券指数往往有七位有效数字，精度更高。两者的精度不同会导致更大的回归误差。 应对：为了缓解自变量与因变量精度不同导致误差的问题，我们观察了数据的稳定性，对这些数据的涨跌幅都做了滚动窗口平均。 问题二：影响基金净值变化的因素颇多，债券票息、仓位调整、久期变动只是其中的市场部分，而若出现大额申赎、信用违约等非市场原因造成的净值跳动，其显著性往往超过日常的交易，呈现的净值高波动性会使得回归模型认为基金配置了更多的高久期债券，从而高估基金的久期。 应对：为了避免因为大额申赎、信用违约等原因造成的久期高估，我们将波动过大的交易日做了剔除处理。剔除方法是选择当日波动最大的指数，将其波幅倍数作为阈值，若基金当日净值涨跌幅的绝对值超过阈值，则进行剔除。 问题三：在模型中，我们只考虑了相对于基金净资产的久期，忽略了杠杆在债市策略中的关键作用。纯债基金的高久期可能是久期调整导致的，也可能是杠杆拉升使得净值波动更大导致的。同时在检测实际回归效果中作为参考的久期数据，即在年报/半年报公布的利率敏感性久期，是基于债券资产来计算的，实际上不包含杠杆的因素。 应对：在模型得到测算结果后，我们对结果按测算仓位进行调整，还原因杠杆因素带来的久期变动。2、如何进一步提升久期测算精度 久期测算1.0版本中，我们以净值回归法作为起点，对其进行更符合纯债基金特征的针对性调整，取得了较好的 测算效果。而近期的跟踪效果显示，它还有一定的改进空间。首先，在某些时期中测算久期的高估现象较为明显；其次，久期结果的稳定性仍有待提高。 图表2：1.0版本债券指数构成图表3：1.0版本基金测算久期误差分布 来源：Wind，国金证券研究所来源：Wind，国金证券研究所 1.0版本中债券指数选取了中债信用债总财富和中债国债及政策性银行债财富两族，考虑到大部分中长期纯债基 金的久期均集中在1-3年分段，债券指数中的短期限分段只有中债信用债总财富（1年以下）这一个指数，而长期限分段则有八个指数去刻画不同的场景，短久期段的解释精度明显不足，测算出来的久期更容易被高估。跟踪数据也确实显示，从上图的误差分布来看，图形出现了明显的左偏分布，更多基金的测算久期出现了高估。对于短期纯债基金，这一现象则更加明显，其平均久期约为1年左右，目前选取的自