债券量化系列之一： 宏观数据与非线性模型

SarahWang

★主要内容
本文探讨三个利率量化择时中可能遇到的问题：一是宏观指标的滚动窗口线性预测回归，宏观指标对利率的影响呈现一定的周期性特征，通过加入经济周期状态变量可一定程度上提升有效预测占比。二是降维模型的应用，传统的因子降维模型往往建立在输入数据集都包含有效信息的基础上，更大量数据的加入并不一定会带来更有效的结果。基于单因子滚动窗口筛选的结果再进行降维，或可以提升模型稳健性。三是机器学习模型在债券超额收益预测中的应用实证，基于海外市场研究，机器学习模型在债券超额收于预测中取得远优于传统模型的效果，我们采用XGBoost模型在中债市场的实证研究亦得到相似的结论。
从债券超额收益的样本外预测误差角度对不同模型效果进行总结：首先，机器学习XGBoost回归树模型具有非常显著的模型优势；其次，对于线性预测框架而言，进行宏观数据的单因子滚动窗口筛选具有一定的提升效果；最后，对于不同期限超额收益预测效果对比，传统模型对中长期预测效果相较弱，机器学习模型结果对于不同期限预测均较为稳健。
利率债久期择时策略表现方面，机器学习模型相对于线性模型具有显著优势，加入宏观数据的择时效果更优：采用机器学习模型XGBoost久期择时策略效果方面，基于国债财富指数实现年化收益5.05%，最大回撤-2.58%，年化波动2.56%，夏普比率1.97，平均持仓周期3.4个月，回测区间为2011.04至2021.12；基于国开债财富指数实现年化收益6.6%，最大回撤-2.2%，年化波动3.2%，夏普比率2.08，平均持仓周期3.2个月，回测区间为2013.02至2021.12。
★风险提示
量化模型有效性基于历史数据得出，不排除失效的可能。