债市因子图鉴（一）：机构行为因子在债市量化择时中的体检、筛选与引入

机构行为因子在债市量化择时中的“体检”、筛选与引入 ——债市因子图鉴（一） 本报告导读： 三步完成:针对性的“因子体检”、S0P分流漏斗筛选和动态IC引入模型 孙越(分析师)021-38031033sunyue6@gtht.com登记编号S0880525080004 投资要点： 战争与债券利率：历史经验能告诉我们什么2026.03.02如何一边缩表一边降息：历史经验和现实逻辑2026.02.21产业永续债分析框架和机会挖掘2026.02.12如何择时股债对冲效率2026.02.05“做陡曲线”还是“宏观对冲”，基金参与国债期货的两面2026.02.01 首先全面刻画每一个机构行为因子的有效性与稳健性，设计了一套包含四大维度、十余项细分指标的“体检套餐”。基于机构行为因子运用的难点，我们扩展了常规的单一IC评价体系：（1）通过测算不同滞后周期下的IC值锁定因子的最佳的预测能力与周期；（2）增加测算胜率与赔率的非线性变化，以模拟不同环境下的盈亏比；（3）测算因子的峰度、自相关与换手率，实现信号形态优选；（4）分场景压力测试，测算因子在牛市下的“进攻性”，熊市下的“防御性”和震荡环境下的生存能力。 在因子“体检报告”的基础上，建立基于特征的三层SOP分流漏斗，构建“动量、反转、配置”三位一体的立体化因子库：首先剔除高换手、低效费比的噪声数据，随后依据信号的统计分布特征进行赛道分流。分布均匀且具备线性预测能力的归为动量因子，捕捉趋势延续；呈尖峰肥尾特征且具备极端收益优势的归为反转因子，捕捉情绪拐点；高自相关且回撤可控的归为配置因子，锁定安全边际。这一分类体系确保了因子在不同市场环境下各司其职。 基于上述筛选体系，我们量化拆解了不同机构在利率债不同期限上的行为逻辑，其中中期国债主要受理财子公司与中小银行驱动；而超长端国债则由保险机构的刚性配置与大型银行的避险情绪主导。特别是发现保险<1Y的累积净买入对长端国债行情具有显著的择时能力。这些发现将笼统的机构行为细化为具体的资金流向，验证了高质量因子本身即包含深刻的市场逻辑。 最后，为了验证因子筛选的有效性，我们分别构建了静态等权模型与动态IC自适应模型，其中后者在样本外（2025年7月至今）展现出了较强的有效性。本框架对于存在滞后或具备一定非线性特征的因子具有较强的普适性，同样适用于国债期货多空持仓、宏观数据等具有相似特征的因子体系。我们将在后续的系列报告中，进一步探讨该方法论在宏观量化领域的复用与拓展。 风险提示：历史数据存在失效的可能；模型核心参数依赖历史数据校准，易受样本区间结构性特征影响，量化模型效率可能衰减；极端行情波动。 目录 1.机构行为因子纳入量化模型：主观判断的缺陷......................................32.因子筛选——构建严谨的因子SOP筛选体系........................................42.1.多维度的因子评价体系...................................................................42.1.1.预测能力与周期优化：IC值与最佳滞后周期锁定......................42.1.2.盈亏比优化：胜率与赔率的非线性博弈.....................................52.1.3.信号形态优选：峰度、自相关与换手率.....................................52.1.4.环境适应性维度：分场景压力测试............................................52.2.核心SOP：基于因子特征的赛道分流..............................................52.2.1.初步筛选：剔除噪声因子..........................................................62.2.2.因子分类：动量、反转与配置...................................................62.2.3.独立性检验...............................................................................73.因子筛选结果与分析............................................................................73.1.影响中期债券的关键因子：理财与中小行行为................................73.2.影响长期债券的关键因子：银行机构行为与杠杆率.........................93.3.影响超长债券的关键因子：非银机构行为.....................................104.策略构建——从等权基准到动态自适应进化.......................................114.1.基准等权策略...............................................................................124.1.1.信号预处理：动态Z-Score与期限对齐....................................124.1.2.等权信号输出.........................................................................124.1.3.波动率控制与最终输出...........................................................124.1.4.初步回测结果.........................................................................124.2.引入动态IC的自适应增强............................................................145.风险提示............................................................................................16 1.机构行为因子纳入量化模型：主观判断的缺陷 机构行为研究是利率择时中具有重要意义的一环，尽管市场风格不断轮动，但对主力机构动向的跟踪从未间断。目前市场对于机构行为的观测体系已日趋成熟，普遍围绕资金的“交易—配置—负债”链条展开，具体而言： 一是现券交易与资金情绪，涵盖了从大型银行到理财子等各类机构在不同期限（1Y以内至10Y以上）的净买入分歧，以及质押式回购市场的杠杆水平，直接反映市场的短期拥挤度与资金情绪； 二是持仓与久期特征，侧重于中长期视角，通过月度托管增量与高频久期测算，刻画各类机构的存量配置偏好与风险敞口变化； 三是一级市场与产品端压力，包括一级招投标的全场倍数，以及理财破净率、基金发行份额等负债端指标，从供给侧与需求侧反映市场情绪。上述指标共同构成了当前债市机构行为研究的基础数据池。 但当前市场在考察机构行为因子时往往依赖主观视角与经验法则，将其引入量化研究具有较多难点和问题，具体而言： ①不确定的滞后性与持续性：债券市场大部分为场外交易，资金/资产买卖并不总是即时引发价格波动，而是更多体现为其博弈态度。对行情的实质影响力往往需要在后续数个交易日中才逐步强化与兑现，且不同因子的 滞后时间可能不同。②因子权重的非对称性：一方面不同机构的行为特征差异巨大，部分表现为 明显的趋势跟随，部分则表现为强烈的均值回复，这使得不同机构的买卖因子对债市的影响方向可能相反；另一方面，部分机构行为在平时的震荡市中信号微弱，但在极端时刻却能提供极强的方向性指引。 ③市场环境的非普适性：机构资金在牛市和熊市中的博弈心态截然不同，或 导致部分因子与后续债市行情的关系，在不同市场切片下表现极其分化。 针对上述问题，我们在本文中构建了一套适配机构行为因子的多维度因子评价体系与标准化SOP筛选流程，旨在解决机构行为数据在量化落地中的难点，筛选出真正具备解释力与统计稳健性的优质因子，确保每一个入库机构行为因子都能有效捕捉利率债市的机构资金博弈特征。 资料来源：国泰海通证券研究 2.因子筛选——构建严谨的因子SOP筛选体系 2.1.多维度的因子评价体系 基于我们在前文中所指出的机构行为因子运用的难点，常规的单一IC评价体系显然无法满足需求。因此，为了全面刻画机构行为因子的有效性与稳健性，我们设计了一套包含四大维度、十项细分指标的“体检套餐”，获取多维度的“体检指标”。 2.1.1.预测能力与周期优化：IC值与最佳滞后周期锁定 针对机构行为对行情影响存在的滞后性与持续性，我们认为不能再“刻舟求剑”地使用固定预测周期。考虑到不同类型机构的操作逻辑与资金发酵时间不同，因此我们采用动态寻优的方式来锁定因子的真实作用周期： 指标1：多周期IC测试。我们分别计算了因子对未来T+1、T+5、T+10及T+22日收益率的Rank IC，观察资金博弈兑现的时间轨迹。 指标2：最佳周期锁定。选取IC绝对值最大的周期作为该因子的“最佳有效持有期”，以此应对不同机构资金发酵的节奏差异。 指标3：ICIR。计算IC均值/ IC标准差。相比于IC绝对值，ICIR可以剔除波动干扰，更有效的反映了因子预测能力的稳定性。 2.1.2.盈亏比优化：胜率与赔率的非线性博弈 针对机构行为因子可能存在的非线性特征，仅看全局IC往往会埋没许多优秀的极端预警因子。为此我们引入盈亏比维度的评价： 指标4：胜率。即开仓后收益为正的概率；并分别计算多头胜率与空头胜率指标5：尾部赔率。我们专门考察因子值处于极端分位数（10%或90%）时的表现： Tail Odds=极值区间平均盈利/极值区间平均亏损 该指标旨在精准识别那些在机构行为达到极值时，能够提供巨大反转 收益或破位收益的因子。 2.1.3.信号形态优选：峰度、自相关与换手率 针对机构博弈中“趋势与反转特征不一致”的痛点，我们需要在因子入库前就明确其适用的策略类型，避免错配。我们重点关注其统计分布特征： 指标6：峰度。用于衡量数据分布的陡峭程度，其中低峰度因子分布相对均匀，适合作为动量因子；高峰度因子往往存在明显的“肥尾”效应，意味着信号稀疏但强烈，天然适合作为反转因子。 指标7：自相关系数。衡量因子当期值与滞后一期值的相关性。ACF极高意味着因子变化缓慢，此类因子往往对应Carry类策略，虽然爆发力弱但胜在稳定。 2.1.4.环境适应性维度：分场景压力测试 针对机构行为在牛熊市表现不一的痛点，为了检验因子的真实鲁棒性，我们并未止步于全样本均值，而是人工划定了三个典型的历史市场切片进行压力测试。考虑到机构行为因子改版后，存量数据的时间相对较短，因此我们对选择的时间段也不超过2个月，具体而言： 指标8：牛市环境。检验因子是否具备“进攻性”，能否在行情顺风时跑赢基准。 指标9：熊市环境。检验因子的“防御性”，重点剔除那些在债市调整期发生大幅回撤的因子。 指标10：震荡环境。检验因子在无明显趋势下的生存能力。 通过上述四大维度的全面扫描，我们为每一个原始因子生成了一份详 尽的筛选指标，这为随后的SOP赛道分流提供了坚实的数据支撑。 2.2.核心SOP：基于因子特征的赛道分流 在获取了所有因子的“多维体检指标”后，为了避免将不同博弈属性的机构行为混为一谈，我们设计了一套三层SOP（Standard Operating P