债市量化研究系列：如何拆分国债利率的趋势和波动

找报告就上发现报告（www.fxbaogao.com），这里是目前国内资源最丰富的研报平台之一。我们收录了海量的宏观、行业和公司报告，数量多得惊人，几乎涵盖了所有领域。每天都有无数金融从业者和投资者在这里获取数据，用户群体非常庞大。界面设计简单明了，查找资料特别方便，帮您快速抓住重点，做出更精准的投资决策。

本研究尝试通过卡尔曼滤波拆分国债利率的长期趋势和短期波动，并分别进行预测。具体方法流程如下：

1. 使用卡尔曼滤波拆分10年期国债利率序列的长期趋势和短期波动。基于应用优先的原则，我们通过机器学习的方式找到了可以获得良好模型效果的卡尔曼滤波超参数和数值解。

2. 滤波后，将趋势项和波动项分别作为被预测变量进入模型，待选因子也被分为趋势类和波动类，趋势类包含：生产、需求、交运、CPI、PP，波动类包含：资金预期、利差图谱、市场情绪、机构行为、技术分析。

3. 采用向量自回归模型（VAR），对使用滤波器分离出的利率趋势项与利率波动项分别进行估计与预测，通过四种不同的方法来训练获得最佳的内生变量组合，分别为：相关性排序法、最远距离法、分步回归法和模块固定法。

4. 通过K-fold方法进行模型训练。将数据集10等分（K=10），按照7：1：2的比例划分样本为训练集：验证集：预测集，分别用于模型估计，超参数优化和模型评价。用平均预测利率多空方向胜手率作为交叉验证筛选的结果，以此选定最优模型。

从模型回测结果（在预测集中进行，以实现完全样本外）看，其预测准确率大大高于等权因子得分的方法实现的预测，且可以在日频预测中获取较高的准确度。另外，综合考虑最大预测胜率，模型稳定度，以及波动项预测上表现更好等因素，日频预测中最远距离法筛选因子变量更值得推荐，而周频预测中分步回归法效果最佳。

风险提示：数据选取偏误，指数计算过程偏差，模型选择偏差