债市量化系列之七：如何搭建一个能感知环境+共振决策的利率择时模型

本报告提出了一种能感知环境并实现共振决策的利率择时模型，旨在解决传统模型在数据噪声、因子筛选和市场环境适应性方面的不足。模型主要分为三个环节：

1. 因子重构与筛选：

   • 通过多维非线性变换将原始机构行为数据重构为1429个衍生特征，分为趋势类（捕捉资金边际交易意愿）、敏感度类（识别博弈行为）和极值类（识别拥挤与回归拐点）。
   • 将因子划分为进攻库（专注多头收益）和防守库（专注尾部风险），并筛选出多空收益特征显著的因子。

2. 模型构建：

   • 采用L1逻辑回归分别构建进攻和防守子模型，进攻模型预测“未来10日累计收益跑赢资金利率”的概率，防守模型预测“未来10日累计下跌超过-0.30%”的概率。
   • 对模型输出概率进行5日平滑，确保信号连续性。

3. 市场状态识别与仓位决策：

   • 引入GMM模型，通过杠杆率和波动率将市场划分为6种正交状态，并结合波动率风控机制，动态调整仓位。
   • 构建仓位决策矩阵：L1进攻信号确定基础仓位，GMM状态机微调仓位，L1防守模型作为否决机制。

回测结果：

• 在2021年至2026年间，7-10Y与10+期限的周度策略年化收益分别为9.03%和17.73%，最大回撤分别压缩至-0.75%和-3.53%，夏普比率分别为3.78和3.26。
• GMM状态机贡献了1.45%的择时Alpha，且在分年度回测中持续稳定提供超额收益。
• 因子筛选的稳健性检验显示，不同截止时间下的策略表现一致，证实因子具有强时序连贯性。

结论： 该模型通过L1-GMM复合框架，有效结合微观机构行为与宏观市场状态，实现了择时能力的提升和风险控制，在多周期、多环境下均表现稳健。