布局海外的利器！：量化美债利率择时模型

证券研究报告 固收专题报告/2025.11.18 核心观点 ❖前期我们团队发布了10年国债和2年国债的择时模型，得到市场广泛关注，发布至今实盘也取得了较高准确率。但与此同时，我们之前的择时模型应用区间为2021年至今，很多投资者提出择时框架能否有更长期限区间的应用？此外除中国国债外，在其他标的上是否同样有效？我们选择10年期美债作为新的尝试。 分析师孙彬彬SAC证书编号：S0160525020001sunbb@ctsec.com 分析师隋修平SAC证书编号：S0160525020003suixp@ctsec.com 从结果来看，择时模型同样适用10年期美债，模型同样取得了较高胜率，同时趋势明显、观点明确，能够做左侧交易。短区间模型2023年4月至2025年11月样本外共形成26个择时区间，其中24个方向正确，2个方向错误，区间胜率92.30%，模型预测方向正确天数总和807天，错误天数42天，正确率94.80%，累计收益645.36bp。长区间模型2019年5月至2025年11月样本外共形成49个择时区间，其中46个正确，3个错误，区间胜率93.88%，模型预测方向正确天数总和2139天，错误天数79天，正确率96.31%，累计收益1559.8bp。 相关报告 1.《信用|农商折价、天安违约，金融风险再观察》2025-11-182.《 信 用|利 差 低 位 ， 控 制 久 期 》2025-11-163.《 转 债 市 场 新 高 ， 后 市 怎 么 看 ？ 》2025-11-16 分别以BCEY4T Index和BCEY6T Index作为多头持仓与空头持仓构建简单策略：短区间模型从2021年4月至2025年11月的策略净值为1.44，2023年4月至2025年11月的样本外测试集区间策略净值为1.31。长区间模型从2017年5月至2025年11月的策略净值为1.93，2019年5月至2025年11月的样本外测试集区间策略净值为1.70。 ❖因子方面，我们分别从Wind和Bloomberg数据库中同时选择原始因子，并对相同因子进行剔除，最终合计选择376个原始因子，其中127个月频因子，39个周频因子，210个日频因子，经差分等处理后共计735个因子。 ❖模型结构方面，首先调整模型的参数量和复杂度。其次是在原始因子较多的背景下，我们的长期限基线模型运算成本过高，因此我们采用预训练机制。模型复杂度提高的同时如何规避风险？我们使用集成模型：LSTM、GRU与XGBoost。 ❖风险提示：模型失效风险；因子失效风险；数据质量风险 内容目录 1美债模型效果如何？...............................................................................................31.1短区间美债择时模型............................................................................................31.2长区间美债择时模型............................................................................................42如何搭建美债择时模型？.........................................................................................62.1因子选择...........................................................................................................62.2模型结构调整.....................................................................................................73风险提示..............................................................................................................7 图表目录 图1：5日移动平均择时信号......................................................................................3图2：短区间美债择时模型累计回报与回撤...................................................................4图3：短区间策略净值曲线........................................................................................4图4：长区间美债择时模型........................................................................................5图5：长区间美债择时模型累计回报与回撤...................................................................5图6：长区间策略净值曲线........................................................................................6图7：模型最近20交易日逐日预测结果.......................................................................7 1美债模型效果如何？ 1.1短区间美债择时模型 对于不同类型的标的，我们的择时模型是否同样适用？对于波动较大、影响因素较为广泛的全球资产，我们能否同样进行波段识别？我们选择10年期美债作为新的尝试。 从结果来看，择时模型同样适用10年期美债，模型同样取得了较高胜率，同时趋势明显、观点明确，能够做左侧交易。 数据来源：Wind，Bloomberg，财通证券研究所 胜率及回报方面，2023年5月至2025年11月样本外共形成26个择时区间，其中24个方向正确，2个方向错误，区间胜率92.30%，模型预测方向正确天数总和807天，错误天数42天，正确率94.80%，累计收益645.36bp。 美债择时模型得到结果同样较为灵敏，能够捕捉到边际变化。但由于美债的绝对水平及波动性均高于中国10年期国债，因此回撤绝对值及均值相对稍高，累计回撤179.46bp，正确区间最大回撤23.86bp，所有区间平均回撤6.90bp。 从左侧效果来看，我们的美债择时模型依旧可以平均提前5-10天判断利率拐点，同时由于美债波动较大，为排除单日信号突变造成的影响，我们继续沿用5日移动平均作为择时信号。 数据来源：Wind，Bloomberg，财通证券研究所 从模拟净值曲线角度，我们以模型发出信号的第二天作为策略起点，以彭博BCEY4T Index作为多头持仓，BCEY6T Index作为空头持仓，从2021年4月至2025年11月进行回测，策略净值为1.44，2023年4月至2025年11月的样本外测试集区间，策略净值为1.31。 数据来源：Wind，Bloomberg，财通证券研究所 1.2长区间美债择时模型 择时模型在长区间是否有效？我们选择2017年作为一个更长区间的起点，样本外区间为2019年4月至2025年11月，共形成49个择时区间，其中46个正 确，3个错误，区间胜率93.88%，模型预测方向正确天数总和2139天，错误天数79天，正确率96.31%，累计收益1559.8bp，总回撤321.72bp，正确区间的最大回撤为30.96bp，所有区间平均回撤为6.57bp。 需要注意的是，由于长区间模型与短区间模型的起点有所不同，因此对于20个交易日的测试集窗口并未完全对齐；此外我们的长区间模型和短区间模型的超参数及选出因子存在一定差异：首先是部分因子起始时间较短，因此无法应用在长区间模型中；其次是重合区间每个窗口模型选出的因子也存在一定差异。因此长区间模型和短区间模型在重合区间的结果上可能存在边际上的细小差异。 数据来源：Wind，Bloomberg，财通证券研究所 数据来源：Wind，Bloomberg，财通证券研究所 长区间模型同样使用BCEY4T Index和BCEY6T Index作为多头和空头持仓，从2017年5月至2025年11月的策略净值为1.93，2019年5月至2025年11月的样本外测试集区间，策略净值为1.70。 数据来源：Wind，Bloomberg，财通证券研究所 2如何搭建美债择时模型？ 前期我们的多因子择时模型在10年国债与2年国债的表现已经证明了择时框架的有效性，而深度学习框架的调优更多注重于模块或功能的增减，而非整体方法的大规模变化。此外需要明确，对于多因子择时模型，因子质量及参数选择可能比具体的模型结构更为重要。美债市场更为完善，可用数据更多，例如波动率、跨资产指标以及其他相关衍生品等数据，因此逻辑上要尽可能多地纳入原始因子，然后利用技术方法筛选出最有效的因子；模型结构的调整应当注重于信息的提取、过拟合的规避以及运算成本的降低。 2.1因子选择 因子选取方面，由于美债收益率的影响因素较为广泛，Wind数据存在一定局限性及更新滞后性，我们分别从Wind和Bloomberg数据库中同时选择原始因子，并对相同因子进行剔除，最终合计选择376个因子，其中127个月频因子，39个周频因子，210个日频因子，经差分等处理后共计735个因子。 彭博因子主要涵盖以下几类：收益率曲线类如其他期限美债收益率等；利差类如10y、2y美债利差等；波动率类如Move指数等；通胀类如10年盈亏平衡通胀率等；经济增长类如非农就业等；货币政策类如联邦基金目标利率等；流动性类如SOFR等；股票类如标普指数等；外汇类如欧元美元；商品类如玉米期货等；以及一些其他的情绪指标、风险指标、市场结构指标、国债期货技术面指标等等。 在原始因子集足够全面的基础上，我们使用全因子搭建基线模型，然后进一步利用SHAP及IC值，采用二分法的逻辑筛选出最适宜的因子数量，来形成最终的因子集。 2.2模型结构调整 首先调整模型的参数量和复杂度。在20年3月疫情及熔断背景下，10年期美债在极低收益率水平下单日仍可能有30bp左右的波动，因此宏观事件的发生在短期内会对波段模型造成较大影响；同时整体来看美债的波动性较大，因此需要提高模型的复杂度以实现更好的拟合效果。 其次是在原始因子较多的背景下，我们的长期限基线模型运算成本过高。因此我们采用预训练机制，以减少部分运算成本，从而可以更快地训练模型，同时避免每个窗口从随机初始化开始训练，提升模型稳定性。 模型复杂度提高的同时如何规避风险？我们使用集成模型：LSTM、GRU与XGBoost，由于复杂度增加，我们需要进一步规避过拟合问题，采用集成模型来降低单一模型过拟合的风险，同时可以结合时序模型与非线性模型的优势，降低模型整体方差，得到更加平滑的输出结果。不同模型应用在不同的窗口也能捕捉到不同时期的差异化市场特征，从而提升模型择时的准确率和稳定性，对于市场状态的变化也更加鲁棒。 3风险提示 1、模型失效风险。模型输出的信号是基于特定的模型和历史数据计算得出的，然而市场环境是复杂多变的，包括宏观经济形势、政策调整、市场参与者行为等因素都可能发生变化。随着市场环境的改变，模型所依据的历