债券量化系列：量化择时信号的选择与合成

量化择时信号的选择与合成 2025年08月25日 ➢最终我们构建的均权策略组合22年以来的年化收益为5.1%，最大回撤-0.5%，业绩基准年化收益率2.5%，最大回撤-1.1%。 ➢模型综述：本文整理了我们从不同角度回测后得到的有效择时信号，并通过合理的方式将各信号进行有效整合。子类信号主要包括5个使用量价数据构造的信号，以及3个结合非传统量价数据构造的信号，信号整合方式上我们测试了3类信号整合方式，并选择其中一个为最终的信号合成方式。 分析师徐亮执业证书：S0100525070004邮箱：xliang@mszq.com ➢量价模型：在现券的各类择时信号中，使用量价数据构建的信号相对简单有效，这主要是由于债市的趋势性特征决定的。自15年以来，由于经济增速从过快逐渐转为平稳增长，债市收益率也呈现显著的趋势下行特征，从长债基准的10年国债收益率来看，每一次债市运行周期的峰值均低于前高，均线在大部分时期均呈现震荡下行的走势，因此基于债市的趋势性特征构造的信号能取得较好的表现，我们考虑使用分位数模型、布林带模型、MACD模型、DNS模型和多空比5个模型来反应各类量价模型的特征。 相关研究 1.海外利率周报20250824：JH会议，9月降息预期再度高企-2025/08/242.债券策略周报20250824：债市稳住了吗-2025/08/243.固收专题：怎么看关键期限国债新发定价与活跃券切换-2025/08/244.信用债周策略20250824:当前怎么看待信用债ETF-2025/08/245.转债周策略20250823：转债强赎对正股影响几何？-2025/08/24 ➢非量价模型：除了量价类数据外，我们考虑同时使用其他的数据来生成择时指标，主要包括机构交易和基金净值两类数据。机构交易数据我们主要考虑基金、农商行、券商和保险4类交易量较大，且数据相对而言受一级市场影响较少的机构的行为数据，基金方面，我们主要考虑利率债占比较高的基金数据。我们考虑使用净买入模型、机构期限轮动模型和基金久期模型来反应各类量价模型的特征。 ➢信号合成：在获取了8个子类信号后，我们考虑以不同的方式进行信号合成。综合来看，使用均权时序模型能取得较为平稳的信号，组合风险收益特征也相对较好。最终我们构建的均权策略组合有69%的区间看多，有31%的区间看空，22年以来的年化收益为5.1%，最大回撤-0.5%，业绩基准年化收益率2.5%，最大回撤-1.1%。 ➢风险提示：利率债发行节奏加快，经济增长预期显著变化，货币政策的不确定性，流动性风险，利率波动风险。 目录 1基于不同角度构建差异性信号..................................................................................................................................31.1量价类信号..........................................................................................................................................................................................31.2非量价类信号......................................................................................................................................................................................82不同市场下的信号合成..........................................................................................................................................113风险提示..............................................................................................................................................................13插图目录..................................................................................................................................................................14 1基于不同角度构建差异性信号 本文整理了我们从不同角度回测后得到的有效择时信号，并通过合理的方式将各信号进行有效整合。子类信号主要包括5个使用量价数据构造的信号，以及3个结合非传统量价数据构造的信号，信号整合方式上我们测试了3类信号整合方式，并选择其中一个为最终的信号合成方式。 1.1量价类信号 在现券的各类择时信号中，使用量价数据构建的信号相对简单有效，这主要是由于债市的趋势性特征决定的。自15年以来，由于经济增速从过快逐渐转为平稳增长，债市收益率也呈现显著的趋势下行特征，从长债基准的10年国债收益率来看，每一次债市运行周期的峰值均低于前高，均线在大部分时期均呈现震荡下行的走势，因此基于债市的趋势性特征构造的信号能取得较好的表现 资料来源：wind，民生证券研究院 1.1.1分位数模型 由于债市利率在不同的时间段存在运行区间差异，比如对于10年国债利率，在2010年至2015年基本运行在3%以上的位置，而近3年则利率均在3%以下，因此使用滚动分位数可以对数据进行有效的清洗，比如在近年的下行趋势中，如果直接根据利率的变动情况生成信号，则会面临震荡行情下的信号显著性较差，而通过月滚动分位数处理后，就可以直观判断利率是否运行至阶段性高点。分位数模型 通过设置不同阈值来判断债市是否进入趋势行情还是反转行情。比如设置为周期较短的月滚动分位数时，25年2月14日，月分位数从47%快速上行至73.6%，而后在20天内10年国债利率从1.63%快速上行至1.88%。 资料来源：wind，民生证券研究院 资料来源：wind，民生证券研究院 我们以20日分位数上穿75%生成看空信号，下穿25%生成看多信号，为了观测择时信号的有效性，我们考虑一个根据信号表现进行久期调整的组合。我们以近10年为回测区间，当信号看多时，组合配置10年国开债，当信号看空时，组合配置1年国开债，即信号表现会决定组合的久期表现，信号使用日度信号的滞后1期（即根据当日生成的信号，进行下一交易日的择时），每次调仓的交易成本设置为万分之2，1年国开和10年国开的净值为根据中债估价收益率序列生成的虚拟券组合。策略组合有56%的区间看多，44%的区间看空，因此我们以56%的10年国开债叠加44%的1年国开债构建业绩基准。策略组合近10年的年化收益为3.77%，最大回撤-2.04%，业绩基准年化收益率2.76%，最大回撤-3.9%。 资料来源：wind，民生证券研究院 资料来源：wind，民生证券研究院 1.1.2布林带模型 除了分位数外，使用均值-标准差作为评估市场状态的布林带模型也是一个常用的策略。我们以10日均线加减2倍10日标准差生成布林带的上下界，当利率运行在布林带中间时，被视为一个合理运行的市场，当利率上行较快突破布林带，比如2月17日、7月10日等时点，反应短期利率上行过快，可能有外生冲击导致了市场的重定价，后市利率可能呈现上行走势，反之，当利率下行较快突破布林带下界时，一般反应市场的情绪有明显的好转，后市利率可能有一定的下行，我们以此构建择时信号。策略组合有59%的区间看多，有41%的区间看空，近10年的年化收益为3.74%，最大回撤-2.63%，业绩基准年化收益率2.8%，最大回撤-4.2%。 资料来源：wind，民生证券研究院 资料来源：wind，民生证券研究院 1.1.3动量模型 除了利用基础方式构建的策略外，由于债市的趋势性特性，技术指标中的动量指标在债市择时中通常也能取得比较好的表现，其中，我们使用在趋势市中表现较好的MACD指标来进行择时。MACD指标使用短线相比长线的突破状态来观测市场是否处于一波上行趋势或是下行趋势，并以此生成择时模型。策略组合有53%的区间看多，有47%的区间看空，近10年的年化收益为3.55%，最大回撤-2.18%，业绩基准年化收益率2.7%，最大回撤-3.6%。 资料来源：wind，民生证券研究院 资料来源：wind，民生证券研究院 1.1.4DNS模型 除了使用单个期限的收益率序列生成的择时模型外，我们还考虑了基于收益率曲线变动特征生成的DNS模型，该模型通过将收益率曲线分割成基准因子、斜率因子和曲率因子三条特征曲线，并基于各对象曲线系数的内生特征进行预测。其中基准因子(系数𝛽1)反应收益率曲线的方向性变化特征，斜率因子(系数𝛽2)是一根具有一定上凸形态的上倾曲线，反应收益率曲线的期限利差变化情况，曲率因子(系数𝛽3)是一根上凸形态的曲线，由于在期限较短时，收益率曲线的斜率会急剧上行，因此曲率因子反应的是曲线的短端扭曲情况。 通过使用OLS回归，可以基于三因子特征对收益率曲线进行拟合，但由于交易扰动的存在，实际收益率曲线和拟合曲线会存在交易扰动部分，所以三因子叠加后的曲线与手机收益率曲线在比如10年等交易活跃的区间会有一定的利差，该部分利差即交易产生的曲线定价差。 资料来源：wind，民生证券研究院 资料来源：wind，民生证券研究院 我们基于收益率曲线的月度内生性变动，使用AR(2)模型进行未来预测，并考虑交易扰动后可以得到一个月后的10年预测利率，通过将其与基期利率比较就可以生成利率择时模型。策略组合有56%的区间看多，有44%的区间看空，18年以来的年化收益为4.1%，最大回撤-1.8%，业绩基准年化收益率3.2%，最大回撤-2.6%。 资料来源：wind，民生证券研究院 资料来源：wind，民生证券研究院 1.1.5多空比模型 最后，由于国债期货走势与现券走势相关度较高，因此使用国债期货数据也可以有效对现券走势进行择时。我们考虑使用国债期货的10年合约中多空双方的力量对比来生成择时模型，其中看多力量为3个合约的多开、空平、多换的合计，看空力量为3个合约的空开、多平、空换的合计，我们使用30日平均多方力量和空方力量的对比生成日度多空比，最后以日度多空比的10日变动方向生成择时模型，如果多空比上行则生成看多信号，多空比下行生成看空信号。策略组合有51%的区间看多，有49%的区间看空，18年以来的年化收益为3.2%，最大回撤-2.1%，业绩基准年化收益率3.1%，最大回撤-2.4%。 资料来源：wind，民生证券研究院 资料来源：wind，民生证券研究院 1.2非量价类信号 除了量价类数据外，我们考虑同时使用其他的数据来生成择时指标，主要包括机构交易和基金净值两类数据。机构交易数据我们主要考虑基金、农商行、券商和保险4类交易量较大，且数据相对而言受一级市场影响较少的机构的行为数据，基金方面，我们主要考虑利率债占比较高的基金数据。 1.2.1净买入跟踪模型 对于机构交易数据，我们首先将不同类型机构对不同期限品种的净买入视为不同主体的投资行为，并分别以正向和反向生成择时信号，比如基金公司对长端品种净买入，一般在利率趋势下行过程中胜率较高，我们在这种市场下跟随基金对长端利率债的净买入行为，将不同类型市