多资产系列报告（三）：如何以量化策略增厚信用债收益？

如何以量化策略增厚信用债收益？——多资产系列报告（三） 2026年01月27日 证券分析师芦哲执业证书：S0600524110003luzhe@dwzq.com.cn证券分析师刘子博执业证书：S0600524120014liuzb@dwzq.com.cn IPCA模型属于条件因子定价模型，核心在于使用交替最小二乘法（ALS），寻找使模型误差平方和（SSE）最小的({𝒇𝒕+𝟏},𝚪𝜷)。 相关研究 《二手房销售景气度明显回暖》2026-01-26 《海外宏观与交易复盘：特朗普再度“TACO”，金银续创新高》2026-01-26 其中，𝑟𝑖,𝑡+1代表信用超额收益，𝑓𝑡+1代表K个潜在因子、𝛽𝑖,𝑡代表对应的因子载荷。模型最重要的部分在于，因子载荷𝛽𝑖,𝑡的计算方法基于L个债券特征𝑧𝑖,𝑡′，即IPCA模型依靠信用债超额收益以外的特征（例如修正久期、动量指标、财务指标等）动态测算𝛽𝑖,𝑡，进而更加高效、及时、全面地反映风险变化。 从样本外测算结果看，IPCA模型在国内信用债市场的应用效果较美国信用债市场更好。具体表现在𝑅2、定价误差等检验指标表现更好。究其原因，这可能来自国内信用债发行主体相对更加集中、模型在国内应用时选用的时间周期更短且特征更少等因素。 如果对IPCA模型的因变量、输入特征稍加调整，模型可用于辅助国内传统的信用利差研究。以城投债为例，模型给出的常数因子是过去10年影响城投债利差的最重要因子，其在客观上影响了基本面因子的重要性；而同期市场面因子的重要性基本保持区间震荡。这不仅符合近年“化债政策驱动城投利差”的常识，常数因子拐点也完全对应两次化债政策拐点：①2018年7月，“27号文”开启“隐债十年清零”的化债历程。②2023年7月24日，中央政治局会议提出要有效防范化解地方债务风险，制定实施一揽子化债方案。当年8-9月，以“35号文”为代表的一揽子化债政策开始落地。 考虑到IPCA模型可以被近似视为“对L个特征驱动的投资组合（X）”应 ◼（1）基于对每一期因子值的预测值、因子值预测值的协方差对每一样本日期估算应当配置于各个因子的投资组合头寸比例，以期实现“均值-方差”思路下的最优切线组合。 ◼（2）基于每一样本日期对应的实际因子值，代入上述投资组合头寸比例，考虑交易成本后，对投资组合收益进行回测。◼（3）计算投资组合的夏普比率。 不难算得，以国内活跃发债主体为样本范围时，上述基于IPCA因子的策略组合“风险调整后收益”表现较为突出，策略核心优势体现在： ◼（1）高夏普：自有夏普比率数据以来，策略组合的夏普比率从未低于1.45；自2025年5月至12月，策略组合的夏普比率始终高于2.2。 ◼（2）收益/风险的不对称性：自有策略组合信用超额收益数据以来，在 75%的样本日期策略组合信用超额收益数据为正值。自2024年1月至2025年12月，策略组合信用超额收益的最大值高达0.13%，但最小值仅为-0.03%。 ◼（3）实践可操作性较强：与股票市场相比，信用债市场的最大不同之一在于流动性较差，对于投资人想要买入的个券A，很难保证二级市场一定存在合适的券源。但在此处的投资策略中，我们配置权重参考的是“L个特征‘归纳’而来的K个潜在因子”，因此即使无法买入个券A，但通过买入具备类似风险特征的个券B，我们依然可以实现投资组合对K个因子的心仪配置权重。 ◼风险提示：（1）对模型所用特征可能选取不够全面。（2）在计算“信用利差”时，以国债收益率作为信用利差的被减项，没有充分考虑税收差异带来的影响。（3）在计算“信用超额收益”时，以“中证国债及政策性金融债指数收益”线性插值估算“国债对冲组合”持有收益可能不够准确。（4）部分样本主体在每年3月末已披露上年年报，模型由财报获取的部分特征数据可能未及时更新。（5）以2016年至2025年为计算周期，可能导致部分指标选取的滚动窗口期被动偏短。 内容目录 1.1.从实务角度理解.........................................................................................................................61.2.从数学角度理解.........................................................................................................................61.3.如何检验模型效果？.................................................................................................................7 2.模型输入数据如何选取？..................................................................................................................7 2.1.因变量如何计算？.....................................................................................................................72.2.特征如何选取？.........................................................................................................................82.3.样本范围如何确定？...............................................................................................................10 3.1. IPCA模型在国内信用债市场更具应用价值.........................................................................123.1.1.与美国相比，国内信用债发行主体相对更加集中.....................................................133.1.2.在国内应用时，模型选用的时间周期更短、特征更少.............................................153.2. IPCA模型有助于辅助国内传统信用利差研究.....................................................................16 5.风险提示............................................................................................................................................20 图表目录 图1：为避免过多考虑债券发行数量偏高的主体，应合理控制同一样本日期同一发行主体的样本券数量..................................................................................................................................................12图2：自2018年至2025年，国企在信用债净融资规模中的占比始终高于98%........................14图3：2025年，非国有企业信用债净融资规模实现近8年首度回正............................................14图4：美国信用债市场的IPCA模型选用了大量衍生指标作为特征输入.....................................16图5：城投利差受政策驱动的特征较为明显，常数因子自2025年下半年以来维持低位...........17图6：自2025年5月至12月，策略组合的夏普比率始终高于2.2...............................................18图7：策略组合每月调整一次对三因子的风险敞口.........................................................................19 表1：海外股、债领域多因子模型常用特征举例...............................................................................9表2：对国内信用债市场应用IPCA模型的特征选取.....................................................................10表3：模型输入数据的描述性统计.....................................................................................................12表4：IPCA模型在国内信用债市场的样本外组合预测R²超过20%.............................................13表5：信用债是许多美国科技巨头核心融资渠道之一.....................................................................15 结合国内外实际，我们选用IPCA模型对国内信用债市场定价进行探讨。截至2025年12月，A股上市公司总市值达到123万亿元，国内债券市场总规模达到196万亿元，其中信用债市场总规模达到52万亿元，相当于A股总市值的42.3%。然而，尽管信用债市场总规模较为庞大、对经济的重要性较为突出，业界对信用债定价的量化研究仍十分匮乏。 从美国信用债市场的量化研究经验看，早期Merton Model（1974）提出了依托期权定 价 模 型 （B-S公 式 ） 和 公 司 资 本 结 构 的 结 构 性 模 型 ， 传 统 计 量 经 济 学 的VAR/VECM/GARCH等模型从不同视角探讨了哪些因素可能影响信用债收益/信用利差。伴随股票量化研究的日益成熟，业界（如标普公司）逐步将Fama、French等提出的多因子模型代入信用债市场进行了初步探讨。但是，受制于多因子模型假设的线性关系不适合信用债市场、“因子动物园”等问题难以规避，目前，美国信用债市场的量化研究已转向新兴领域的机器学习、IPCA模型等方法。通过对比多种方法的数理依据、经济解释、实践效果、所需数据可得性等因素，我们最终选用IPCA模型对国内信用债市场定价进行探讨。 从实证结果看，IPCA模型在国内信用债市场的应用效果较美国信用债市场更好，具备“从模型到策略”的转化价值。在以国内活跃发债主体为样本范围时，基于IPCA因子的策略组合“风险调整后收益”表现较为突出，策略核心优势体现在： ➢高夏普：自有夏普比率数据以来，策略组合的夏普比率从未低于1.45；自2025年5月至12月，策略组合的夏普比率始终高于2.2。 ➢收益/风险的不对称性：自有策略组合信用超额收益数据以来，在75%的样本日期策略组合信用超额收益数据为正值。自2024年1月至2025年12月，策略组合信用超额收益