2025-08-15 12:01:51
利率量化模型在不同标的下是否同样适用？我们从短端出发寻找答案。从结果来看，择时模型同样适用于预测2年国债走势，且延续了10年国债利率预测的优势——胜率较高、回撤有限、关注趋势、观点明确、左侧提示。
2年国债利率预测模型，短端走势的锚！我们的2年国债择时模型和10年国债择时模型相比胜率更高。从23年6月20日开始至2025年8月11日的18个区间，模型胜率基本满分，累计收益288.56bp。
2年国债模型与10年国债模型有什么区别？我们首先尝试仅将10年国债模型中的目标变量更换为2年国债到期收益率，结果较好、但还有优化空间。第一，从敏感性角度分析，2年国债模型需要重新调整超参数。第二，从因子选择及作用机制角度，2年国债需要新的因子集以及因子应用方式。
2年国债模型如何调整参数？第一，相比回测，预测更为重要。我们主要聚焦于最后一个具有实际预测意义的窗口，关注其训练集及验证集的表现来获得更为适宜的超参数。第二，参数的调整，要兼顾经济与统计逻辑。2年国债较为敏感，对于窗口和预测时滞的参数调整范围要符合市场逻辑，需要更为精确的模型，但也要避免复杂模型带来的过拟合问题。
2年国债模型如何选择因子？第一，2年国债模型需要减少部分基本面数据。第二，2年国债模型需要减少低频因子，增加高频因子。第三，2年国债需要丰富资金面因子与技术因子。第四，建立因子打分机制，对不同窗口应用动态因子。
是否存在过拟合？我们从2025年5月15日至今，使用最后的单窗口模型逐日进行预测，模型准确识别了利率5月的多转空、6月的空转多以及7月的多转空拐点。我们在未来会严格遵循每过一个窗口即重新调整因子、超参数，进行全窗口训练回测和最后窗口的精细化调优的原则，更加高频地维护我们的短端模型，以便获得准确的择时结果和进行及时的纠错。
风险提示：模型失效风险；因子失效风险；数据质量风险
01
2年国债利率预测模型，短端走势的锚！
利率量化模型在不同标的下是否同样适用？我们从短端出发寻找答案。
从结果来看，择时模型同样适用于预测2年国债走势，且延续了10年国债利率预测的优势——胜率较高、回撤有限、关注趋势、观点明确、左侧提示。
我们的2年国债择时模型和10年国债择时模型相比胜率更高。从23年6月20日开始至2025年8月11日的18个区间，模型胜率基本满分，累计收益288.56bp。
2年国债模型结果更加灵敏。样本外来看，除24年Q2的利率阶段性回升拐点没有识别外（约10bp，持续6个交易日），对2024年3季度的利率波动、2025年1月的短端利率迅速上行以及今年7月利率的翻空均实现了较好的识别。
对于回撤，模型所有区间内最大回撤为10.1bp（即区间内和区间起点相比，利率变动方向相反的最大幅度），主要是由于模型结果偏左侧，而非模型本身看错；所有区间平均回撤为2.16bp。
模型结果依旧稳健，较少出现反复。从左侧效果来看，我们使用5日移动平均结果作为择时信号，可以提前5-10天捕捉到利率的多空转换。
模型的震荡区间控制效果有所提升，绝大多数时刻可以发出明确择时信号，从原始信号来看，仅有8.04%的预测结果发出40%-60%区间的震荡信号。
从模拟净值曲线角度，我们以模型发出信号的第二天作为策略起点，以中债7-10年国开行债券净价指数作为多头持仓，中证0-1年国债指数作为空头持仓，从2021年6月30日至2025年7月11日进行回测，仅考虑资本利得的情况下，策略净值为1.16，2023年3月至2025年7月11日的样本外测试集区间，策略净值为1.11。
我们以中债1-3年国开行债券财富指数作为多头持仓，R001作为空头持仓持有现金构建策略，按照1年360日计算利息，2024年7月1日以来策略累计收益率3.07%，中债1-3年国开行债券财富指数累计收益率2.45%，持有现金累计收益率(R001)1.93%。
02
如何搭建2年国债模型？
2.1
为什么不做期限利差择时？
我们尝试了将期限利差设置为目标变量，但效果并不理想。期限利差除了收窄或放宽的趋势方向，其日间波动较大，难以形成稳定的择时区间。
2.2
2年国债模型与10年国债模型有什么区别？
我们首先尝试仅将10年国债模型中的目标变量更换为2年国债到期收益率，结果较好、但还有优化空间。例如今年1月6日至1月13日的6个交易日内，两年国债到期收益率迅速上行23.83bp，但模型未能较好识别。
第一，从敏感性角度分析，2年国债模型需要重新调整超参数。我们的模型中包含窗口长度、预测时滞、学习率、正则化系数等超参数，适用于10年国债的超参可能并不适用于短端，2年国债需要重新训练回测以及预测检验来找到适宜的超参数。
第二，从因子选择及作用机制角度，2年国债需要新的因子集以及因子应用方式。对于利率曲线整体趋势的择时，我们的10年国债模型的因子集效果表现较好，但本质上2年国债与10年国债收益率是两条不同的曲线，识别一些短区间波动需要更为精确及细致的因子。其中2年国债波动及尾部风险较大，例如今年1月短端的调整主要来源于央行停止国债买卖后的资金紧张，刻画这一阶段的短端利率波动就需要更多的资金信息。
2.3
2年国债模型如何调整超参数？
第一，相比回测，预测更为重要。我们的所有样本从2021年4月起按照500个交易日一个窗口，其中最后20个交易日为测试集，滚动训练及预测，共划分为28个窗口，并聚焦于最后一个具有实际预测意义的窗口，关注其训练集及验证集的表现来获得表现最好的超参数，对于前序窗口的回测我们使用相对表现较为平均的超参数。
第二，参数的调整，要兼顾经济与统计逻辑。2年国债较为敏感，对于窗口和预测时滞的参数调整范围要符合市场逻辑，某些短窗口与长时滞的组合或许有非常优异的表现，但违背市场规律的参数组合并不具有说服力；此外在调整学习率、正则化系数、模型结构的过程中，2年国债需要更为精确的模型，但也要避免过于复杂的模型导致的过拟合问题。
2.4
2年国债模型如何选择因子？
第一，2年国债模型需要减少部分基本面数据。
第二，2年国债模型需要减少低频因子，增加高频因子。对于2年国债模型原始因子集，我们总计选择247个原始因子，经差分、同比等处理后共计372个因子，其中75%以上日度因子。
第三，2年国债需要丰富资金面因子与技术因子。
第四，建立因子打分机制，对不同窗口应用动态因子。我们将时间衰减处理后的SHAP值和IC值归一化，并进行线性加权来对因子进行综合打分。其中赋予SHAP的权重相对较高，更偏重对模型的内生解释，最终我们选择排名前200的因子作为动态因子集。
2.5
是否存在过拟合？
首先，我们需要正确认识过拟合。过拟合现象没有绝对的标准，普适的看法是在训练集上表现非常好，但验证集或测试集表现较差，从损失函数的具体表现来看，是训练集的损失函数持续下降，验证集的损失函数先降后升，模型过度学到了不该有的“噪声”。我们从23年6月开始的样本外区间，本身是由20个交易日组成的测试集滚动而来，此外在多重正则化限制下，模型的损失函数表现良好，验证集损失没有出现先降后升的现象。
其次，我们的正确区间以区间的起点与终点为基准，区间的100%胜率不等于模型完全拟合出了历史的利率走势，多空曲线的单调递增才是真正的“100%胜率”。区间内部的回撤同样是重要参考因素，和10年国债相比，2年国债模型回测中的历史最大回撤有所增加，但可控的回撤也表明模型没有出现过拟合现象。
最后，我们从2025年5月15日至今，使用最后的单窗口模型逐日进行预测，模型准确识别了利率5月的多转空、6月的空转多以及7月的多转空拐点。模型在实际预测中的良好表现是模型没有过拟合现象的最好证明。
此外，由于2年国债的敏感和波动特性，我们在未来会严格遵循每过一个窗口即重新调整因子、超参数，进行全窗口训练回测和最后窗口的精细化调优的原则，更加高频地维护我们的短端模型，以便获得准确的择时结果和进行及时的纠错。
