可解释、可观测！基于微观交易指标的传统模型

核心观点：

• 构建了一套基于机器学习的利率量化模型，但模型缺乏可解释性，难以解释因子贡献和模型转向原因。
• 构建了一套衡量市场情绪的债市微观量化体系，旨在提高模型可解释性，并捕捉极端市场情况。
• 该体系从交易热度、机构行为、利差、大类资产四个方向选择指标，通过线性权重汇总构建大类指数，最终汇总得到微观债市总指数。
• 由于采用线性方法，因子权重清晰可见，便于解释和调整。

指标选择：

• 交易热度：哑铃热度、现券换手率、ETF折溢价、杠杆水平、TL/T多空比、TL/T成交比。
• 机构行为：公募基金久期、分歧度指数、基金超长利率买入比、券商长期国债买入比、大行长期国债买入比、中小行长期国债买入比、机构申赎、长期国债成交占比。
• 利差：互换政策利差、信用资金利差、信用国开利差、TL-T隐含利差。
• 大类资产：股债比价、沪深300隐含波动率、商品债券对数比价、汇债利差。

指数构建：

• 对每个大类使用岭回归聚合为大类指数。
• 将大类指数回归得到微观指标总指数原始值。
• 将原始值映射至以100为中枢的指数，100以上偏强，100以下偏弱。

指数效果：

• 定性分析显示，微观指数在主要波段与利率呈负相关性。
• 定量分析显示，基于指数的复合投票策略在2019年以来累计净值为1.14，夏普比率为1.18，卡玛比率1.41，最大回撤1.1%。

不同区间有效性分析：

• 指数在主要上行/下行区间与利率变化趋势一致。
• 指数持续处于100以上/以下时，利率趋势变化也与之对应。

风险提示：

• 模型失效风险、因子失效风险、数据质量风险。