2025年彭博中国区FICC量化训练营案例展示 量化分析与机器学习在金融行业的创新应用

2025年彭博中国区FICC量化训练营案例展示 量化分析与机器学习在金融行业的创新应用 目录 中国工商银行：外汇、美债和国债三类策略，兼具准确性与稳定收益中国银行：微观信号与模式识别，覆盖交易与分析交通银行：EUR/CNY期权定价，聚焦波动率差异分析上海浦东发展银行：债券量化策略-兼顾商业银行自营盈利性与做市流动性中国民生银行：通过非监督量化分析，从市场数据与宏观经济发布数据中自发识别隐藏的市场regime与叙事主题变化平安银行：外汇掉期的套期策略与波动率调整江苏银行：利用BQuant分析工具重新认识Nelson-Siegel模型广发银行：量化工具与规则化交易策略浙商银行：债券因子模型与欧元趋势策略上海农商银行：外汇黄金趋势交易策略富邦华一银行：国债流动性溢价收敛监控以及相关策略的构建49141820222527293133 2025年8月22日，彭博中国区FICC量化训练营（CodeCrunchChina）在上海和北京两地圆满收官。在本次活动中，参与者通过彭博量化平台BQuantDesktop，结合彭博数据和工具、针对不同的标的和主题，制定量化交易策略或开发量化分析应用，全面展示了量化投研的独特优势与创新能力。本期量化训练营共有16家领先金融机构和专家组成的团队参与，通过线上培训与线下大师分享会交流想法、切磋经验，最终取得卓越成果，集结成册。 彭博量化训练营不仅仅是一场竞赛，更致力于为金融从业者提供高质量的交流平台，分享专业知识与实践经验，促使不同背景的参与者能够互相激励、推动创新，共同把握行业趋势与机遇。 在训练营结营仪式上，彭博大中华区总裁汪大海、彭博量化平台BQuantEnterprise企业业务全球负责人游兆聪、BQuant研究部门负责人段松云分别发表致辞。 2025年是彭博进入中国内地市场30周年。三十年来，彭博与中国金融市场携手前行，始终以数据、技术与服务为桥梁，助力全球投资者与中国市场的深度连接。在量化领域，彭博见证了本土机构的迅猛发展，从早期探索到如今百花齐放、百家争鸣的盛景。面向未来，量化投研将更强调多维度数据融合与跨市场洞察。我们相信，真正的引领者是那些敢于突破边界、勇于探索的实践者。” 汪大海-彭博大中华区总裁 很高兴CodeCrunch继伦敦站圆满举办后来到中国，借此机会与本地量化专家们分享BQuant的特别与强大之处，感受其对量化投研带来的便捷与助力！” 游兆聪-彭博量化平台BQuant Enterprise企业业务全球负责人 很荣幸看到许多金融机构愈加熟练使用、深度信赖BQuant。它能轻松处理数据分析、因子建模等任务，使创新的投资构想得以更快实现，量化投研成果也更上一层楼。”段松云-BQuant研究部门负责人 中国工商银行： 外汇、美债和国债三类策略，兼具准确性与稳定收益 中国工商银行团队分别聚焦外汇、美债和中国国债三个领域的量化策略，应用机器学习与因子增强的方式构建模型，实现策略落地，回测表现稳定。 欧元兑美元的外汇策略：机器学习加反转增强 策略亮点 •利用机器学习模型预测欧元兑美元未来汇率方向变化，形成开仓平仓信号，并构建反转因子增强策略效果。 •采用三个机器学习模型进行学习，鉴于欧元对美元汇率月级别趋势性明显，在t+20的预测上准确率可达85%-87%。•选取10天收盘价的累计涨跌幅作为反转因子，识别长单边行情末尾，降低无效交易。 结论与价值 回测区间为2024年5月1日至2025年4月30日，在设定滑点及交易手续费后，仅用机器学习模型的直接策略年化收益率约10.72%，夏普比率1.378；加入反转增强策略后，年化收益率有所提高，夏普比 率也有所提 升，最 大回撤 相对减 小。在欧 元整体上升 趋 势中，该 策略能 跑赢 持 有欧 元 仓位不动的策略，且反转增强策略在震荡阶段无效交易信号更少，胜率更高。 团队成员 10年期美债收益率预测： 融合机器学习预测和均值回归套利机制的债券量化交易框架 策略亮点 •构建162个月频预测的特征值，包含资产量价因子、宏观因子（使用彭博Calendar数据）、供需因子等，剔除缺失值超50%的因子，对齐日频数据至月频。 •运用近10年的美债收益率月度数据，将数据划分为训练集、测试集和预测集，通过XGBoos t机器学习模型开展滚动预测。在得到模型预测值与真实值的误差序列之后，引入均值回归半衰期（Half-LifeofMeanReversion）的估计方法，并利用离散化的Ornstein–Uhlenbeck（OU）过程来衡量误差相对于均值的偏离在多长时间内回归至50%的水平，检验得到预测值和真实值之间的误差具有均值回归的特性。 •基于预测值与真实值之间的误差构造均值回归信号，结合理论贴现模型估算持有期间的理论收益率，并引入动态阈值机制自适应的控制开仓与平仓时机，实现稳健的多空交易策略。 •策略还引入特征重要性筛选与参数优化流程，提升了模型的可解释性与策略的执行效率。 结论与价值 •实证结果表明，所构建的策略在历史样本中具备较强的超额收益获取能力与风险控制能力，为债券市场中的量化交易提供了有效框架与实用工具。 •策略平均持仓时间约77天，平均年化收益率超过8%。 团队成员 10年期国债策略： 基于多特征衍生和模型筛选的利率预测及交易策略 策略亮点 •从彭博BQuant提取80+种原始数据，运用多种特征衍生方法，得到60 0+个衍生特征，以此为基础尝试多种建模策略组合。•原始数据包括10年期国债收益率日线序列、宏观指标（如CPI、PPI）、中国国债各期限收益率序列以及相关汇率美元指数等。通过价差、滞后差分、滑窗、技术因子、时间特征等方法进行特征衍生，并对特征进行融合。•采用时间序列的K折交叉验证方法，避免时间上的数据泄露，最终确定使用XGBoost模型预测10年期国债利率的短期变化方向，该模型在验证集上的平均UC超过0.75，利率涨跌预测准确率超70%。在此基础上，构建交易策略。•该模型在验证集上的平均AUC超过0.75，国债收益率预测下降方向准确率为80%，上升方向准确率为72%。在此基础上，构建交易策略，回测效果如下： 结论与价值 回测时段选择2024年6月至2025年7月，标的为期间活跃的10年期国债现券（24年付息国债11）。结果显示，该策略交易约21次，年化收益率5.5 8%，高于持有债券不动的收益，能够避开债券价格低谷，交易次数较少，有效控制手续费，实现相对稳定且收益率较好的效果。 团队成员 冒卜颖 中国银行： 微观信号与模式识别，覆盖交易与分析 中国银行金融市场部团队提交了四个外汇领域的量化交易策略，并聚焦于分析应用类别的智能识别技术。 基于CNY市场订单不平衡现象的交易策略 策略亮点 •借助市场中央订单簿数据，深入观察市场微观结构。信息不对称（内部信息、大额订单）等情况可能引发暂时的订单失衡现象，市场价格会被推向订单量相对较少的方向。 •每秒计算当前 市场订单不平 衡度指 标，设 定阈值判断是否出现不平 衡信号，进行相应的仓位调整操作。每个交易日结束时进行平仓。 结论与价值 该策略胜率不依赖于汇率走势，两种汇率变化下均能获得较高胜率。短时预测准确性较高，市场响应迅速且实时计算便捷。局限性在于策略容量有限、参数调整复杂、对低延迟要求高，难以刻画冰山单等隐藏流动性。 经典自动做市策略在低延迟交易中的应用 策略亮点 •自动化做市商需要持续进行双边报价，面临着点差收益和库存价值波动风险的平衡问题。做市商通常使用经典的Avellaneda-Stoikov自动做市策略，通过动态调整点差，平衡收益（日终市值期望）与风险（日终市值波动）。 •使用HJB方程求解做市商报价最优化问题，近似解表明点差与库存和距离日终的时间存在正相关关系。 结论与价值 使用双边固定点差的简单策略作为对照组，展示10 0次模拟的关键指标统计结果：AS模型策略的损益期望为正，损益分布较简单策略更加向均值集中；AS模型的每日最大敞口、最大敞口的波动均小于简单策略；简单策略的成交量和平均日损益略大于AS策略；简单策略的日损益的标准差显著大于AS策略。 离岸–在岸人民币市场的自相关与联动效应的研究 策略亮点 •近年来在岸与离岸人民币市场的联动性增强，通过探索离岸与在岸人民币汇率的领先 – 滞后关系，利用两者短期联动差异生成交易信号。 •对离岸汇率变动与在岸汇率变动建立二维向量自回归模型，使用历史数据回归对模型进行估计，再利用训练后的模型进行模拟回测。 结论与价值 对三种 场 景（基 准 场 景、延 迟 执行 场 景、高 手 续 费 场 景）进行 分析对比，显 示 执行 速 度与手 续 费率对策略结果影响较大，需采用自动化方式开展策略并注意交易成本。策略后续使用LSTM模型对数据进行训练，得到更优效果。 智能模式识别技术在抓取交易信号中的探索 策略亮点 •外汇市场的规律复杂多变，需要使用基于量化技术的价格模式识别方法，挖掘价格的行为模式预测未来趋势或辅助决策制定。•基于历史相似走势可能重复的理论，通过计算目标时间段走势与历史时间段走势的相似度，筛选最相似片段的后续走势作为预测依据。•分别使用四类算法进行对比，余弦相似度、相关系数、闵可夫斯基距离、动态时间规整（DTW）。不同算法各有其适用场景和特点，使用时需考虑各自的缺点。 结论与价值 使用一年期EURUSD数据进行策略回测，每天用余弦相似度算法去匹配前20天的走势，根据匹配的相似度最高的走势判断未来3天的涨跌信号，年化收益率到达25.5%，以单向做多为主；该策略还需结合宏观经济情况，避免过拟合，未来计划提取更多非价格特征，对模型进行优化。 团队成员 交通银行： EUR/CNY期权定价，聚焦波动率差异分析 波动率差异分析 策略亮点 •隐含波动率是对未来的预测，需按到期日调整至实际波动率，避免直接对比当前值导致偏差。根据不同期限的波动率，适用于不同的调整方式。期限越长，隐含波动率与实际波动率偏差越接近0、标准差越小，吻合度高；期限越短，噪音大、偏差大。 •采用B-S期权定价模型，分别使用“调整后的实际波动率”和“隐含波动率”计算期权理论价格。 •每日根据期权Delta进行动态对冲，计算对冲后累积误差（P&L偏差），若误差均值接近0，说明波动率参数有效。 1W EURCNY Option Delta Hedge PnL 1Y EURCNY Option Delta Hedge PnL 结论与价值 回测区间为2020年1月至2025年8月。短期而言，调整后的实际波动率可用于EUR/CNY期权定价，但需平滑噪音，隐含波动率可作补充参考，两者结合能提升定价准确性；长期而言，隐含波动率预测性更强，但需结合宏观因子调整，避免单一依赖波动率导致定价偏差。未来将进一步优化，可拓展至更多货币。 EURCNY期权定价 策略亮点 •目前银行间市场90%都是USDCNY期权，EURCNY期权流动性太差，波动率曲面数据不足，因此本研究创新性地从历史USDCNY和EURCNY的实际相关性和隐含相关性构建了EURCNY的历史实际波动率和隐含波动率。•后续使用delta hedge的方法，计算了分别采用不同相关性计算的波动率定价香草期权的PnL。•Delta hedge采用市场波动率和来自实际相关性的余弦定理波动率。 结论与价值 回测区间为2020年1月至2025年8月。采用隐含相关性和实际相关性推导的EURCNY波动率曲面都是可行的，在长期的期限下二者的区别会更大。未来的进一步研究想法包括研究经济事件周期的相关性，分析不同delta和行权价的期权，使用更精密的delta定义，通过平滑实际波动率降噪，使用更高频的数据等等。 团队成员 李明 上海浦东发展银行： 债券量化策略-兼顾商业银行自营盈利性与做市流动性 策略亮点 •以布林带策略为基础，策略目标是多次小规模盈利与少量中等亏损，获取统计意义