未来已来系列之一：全球固收量化四大流派%26五大局限

图表索引图1：观化型图 5图2：10Y债拟指数动信示意 6图3：益曲的主成分示意 7图4：子击曲态的响意 7图5：5年蝶式差(FlySpread)的历走均值归 7图6：Carry与Roll-down策原示意 8图7：用差史（高债OAS与Baa-10Y利） 10图8：10Y元换的历走与利异常 图9：因量模程图 图10：收化力：弈交易 14表1：内债市易成与观构比 12一、全球固收量化的四大流派&基本逻辑（一）基本面流派（FundamentalQuant）这一流派侧重于利用经济学逻辑，使用宏观数据与基本面因子来预测市场方向或资产价值。核心问题：如何利用海量宏观数据与高频另类数据，捕捉经济周期的微小变化以预测利率方向？宏观量化（MacroQuant）相比于传统宏观研究的区别是：后者依赖分析师的经验判断，而宏观量化试图将这种逻辑模型化（1）数据输入：（GDPCPIM2（2）与通胀流动性”、“信用脉冲”、“风险偏好”（3）交易逻辑：基于宏观因子对不同资产（如长债、短债、信用债）在“+临近预测(Nowcasting)与高频数据应用：随着数据技术的发展，市场不再满足于滞后的低频月度或季度数据，转而利用高频数据“实时”感知经济温度。1（2）房等（（1）S（周度高频数据与月度季度（潜在因子”在实际应用时，Nowcasting的核心不在于精准预测数值，而在于捕捉预期差。如果模型显示经济热度显著高于当前市场的一致预期，量化策略可以提前做空债券，博弈官方数据发布后的市场调整。（如地产下行）可能导致历史有效的先行指标（如地产新开工）基本面“脱敏基本面脱敏”特征。在“资产荒”或流动性极度宽松的背景下，即便宏观数据（如GDP、P“基本面驱动”转向“微观资金面驱动”和“配置盘行为驱动”（二）技术面流派（TechnicalQuant）这一流派侧重于利用市场自身的量价数据，捕捉趋势、反转或微观结构带来的交易机会，不依赖宏观经济解释。趋势跟踪与固收派inRates&FI）核心问题：利率、收益率曲线与债券价格是否存在可捕捉的时间序列动量与趋势？大量研究表明，利用期货、互换和国债ETF对利率与债券价格进行时间序列动量交易，长期存在显著的趋势溢价，且在多资产CTA策略中贡献重要（参考：Moskowitz,Ooi&Pedersen,2012)。图1：宏观量化模型流程图策略实现：ETF/12-1（过去121个月）（；将固收资产视为多资产组合的一部分，与股票、商品、外汇一起构建“”国内固收+”图2展示了10年期美债理论净值和基于过去12个月收益构建的趋势信号。当动量为正时（红色区域）做多，为负时（绿色区域）做空。这种策略利用了市场对宏观信息的“反应不足”或“过度反应”行为。图2：10Y国债模拟净价指数与动量信号示意FRED数据计算做市与微观结构量化派(MarketMaking&Microstructure）核心问题：如何在报价、撮合和执行层面，用量化技术改善定价和库存管理？习（BSsi,6（三）相对价值流派（RelativeValueQuant）这一流派侧重于横截面比较（ossna）或寻找定价偏差（pg赚取回归均值的收益或风险溢价（RikPrmia，通常涉及多空对冲或因子选券。Structure&Curve核心问题：如何刻画和利用收益率曲线（YieldCurve）随时间的动态演化？这一流派的理论基础是各类利率期限结构模型，包括：Duffie&Kan(1996)Dai&Singleton(2000,2002)等提出的一因子/多因子模型，将零息收益率表示为状态变量（短端利率、）/Litterman&Scheinkman1991)“”PCA与隐Level/Slope/Curvature+1（in&S,1。图3：收益率曲线的三主成分分解示意 图4：因子冲击对曲线态的影响示意FRED数据计算 FRED数据计算策略逻辑：做多”“图5：5年期蝶式价差(FlySpread)的历史走势与均值回归FRED数据计算图52*5Y2Y+10Y)（+/-2倍标准差（/的机会。(Carry/Roll-down)时间价值”？Carry/Roll-down滚动如果当前期限结构呈上斜（短端低、长端高+spread”。量化实现上，票息策略通常被纳入因子投资框架：在政府债市场，价值、动量和低风险等因子在国债上同样有效，其中carry作etal.,tl1的Bitl,图6如5年期10002%532.9%Carry入减资金成本，为68-40=28元。Roll-down收益首先需用贴现法计算卖出价格为1014.17元，则资本利得为14.17元。总收益为28+14.17=42.17元，年化收益率约2.11%，超过1.4%的静态收益。通过此例也可得出，收益率曲线越陡峭，操作该策略的收益越高。图6：Carry与Roll-down策略原理示意案例：2010PIMCO“债王”BillGross20107信用与利差因子派(Credit&SpreadFactors)核心问题：如何系统性定价与捕捉信用溢价与各类利差？（1）（（2（s（价值s资（动量与短期反转因子：如Bali等对公司债收益中的动量与反转效应的研究；“+”AR等机构构建了系统的CitSyeFac”，发现动量（m、价值（lsltl8例如：，（；这些案例表明，虽然量化模型难以预测突发信用风险，但能够有效捕捉信用事件后的价格风险与错误定价。图7是基于美国高收益指数期权的信用利差历史走势。灰色区域为衰退/危机时期，信用利差显著走阔。量化策略通常在利差过度偏离时进行均值回归交易，或利用利差作为宏观风险因子。图7：信用利差历史走势（高收益债OAS与Baa-10Y利差）FRED数据计算(Relative&BasisArbitrage)核心问题：同一或相近风险暴露的不同工具之间，价格是否“错位”？（1）现金债s.期货（如国债、国债期货基差（2）现券s.（3）不同发行主体（4）线性s.非线性工直债。图8显示了2008年金融危机后出现的负利差异常。互换利差在2008年后开始出现负2015“Swap债”的理论假设。这反映了资产负债表成本、监管约束等“套利限制”（参考：Boyarchenkoetal2018）（1）A别“因子中性但价差异常的品种（如图5中的蝶式价差异常（2）对价差进行均值（如sck（（四）基于多因子模型的量化流派(Multi-factorModels)核心问题：如何将不同来源的超额收益（Alpha）进行系统化整合？（Expected𝑅𝑖=αi+βi1×F1+βi2×F2+...+ϵi。其中：Ri是债券i的收益率;j（；βj（Fcrig；αi是除去因子贡献后的超额收益；εi是残差项。图8：10Y美元互换利差的历史走势与负利差异常FRED数据计算这一流派是量化投资中横跨三派的集大成者，根据因子构造思路和来源，与上述三大流派的主要联系如下：（（EBITDA/利息支出、资产负债率）和宏观经济数据。。（动量因子：几乎所有的多因子体系都会包含动量或反转因子，这完全来源于价格和交易量的历史数据，属于典型的技术分析范畴。（尤其是信用债量化选券Scuritylcin（）（AB表”的超额收益，而不是单纯预测市场大方向（Bea因子构成：常用的/利差图9：多因子量化模型流程图如图9所示，在实际选券应用中，多因子模型常简化为打分（Scoring）模型：𝑆𝑐𝑜𝑟𝑒𝑖=×𝑍(𝑉𝑎𝑙𝑢𝑒)𝑖+×𝑍(𝑀𝑜𝑚𝑒𝑛𝑡𝑢𝑚)𝑖+×𝑍(𝐶𝑎𝑟𝑟𝑦)𝑖×𝑍(·)𝑖。二、量化技术适用的市场环境（一）流动性与交易制度（：适用：曲线交易、相对价值、CTA趋势、做市与高频策略；原因：成交活跃、流动性好，价格发现更有效，非系统性风险较小，适合对价格敏感度高的、依赖统计规律的策略（参考：Acharyaetal.2023）中等流动性市场（：适用：期限结构模型、carry、部分相对价值和因子策略；原因：个券流动性差异大，需引入流动性因子与仓位/容量约束。低流动性、OTC为主的信用市场：适用：中低频因子策略、久期/杠铃配置、部分结构化产品定价；原因：高换手、依赖精确定价的统计套利策略。（二）利率水平与波动环境Carryroll-down中性carry趋势表1：国内外债券市场交易成本与微观结构对比成熟市场（美债/欧债）中国市场（利率/信用）买卖价差成交方式冲击成本量化限制极窄（k（CLOB）为主市场深度大，冲击小极小，适合高频/做市较宽（.大额交易冲击显著，需“过券”受限于T+1/T+0及询价机制，适合中低频（三）信用环境与宏观周期“”。以造三、固收量化的五大局限：量化技术解决不了什么？尽管量化技术在挖掘Alpha和管理风险上展现了强大能力，但它并非万能。特别是在中国固收市场，独特的制度环境与微观结构赋予了量化模型特定的边界。（一）政策与制度拐点的“不可量化”如RieSi”模型可能瞬间失效。

，20222024924（二“流动性黑洞与“模型外”风险”（20203i,0（三）信用违约的“小样本”与跳跃风险与股票市场数千只股票每天交易不同，债券违约是稀疏事件。对于违约预测模型而言，（技术挑战：如何处理“零膨胀”数据（Zero-InflatedData）和利用非结构化数据（如舆情、公告）补充信息量，是当前信用量化的难点。（四）复杂条款与博弈行为的不可建模性（（五）拥挤交易与内生不稳定（市场险一分一市场向动止盘集中出(Un )造踩踏引2I

参BkfEl,2图10：固收量化能力边界：博弈v.s.交易四、展望：固收量化的未来图景面对上述局限，固收量化正在经历从“纯数理挖掘”向“基本面融合”的范式转移。（一）融合范式：Quantamental(量化+基本面)1..（二）另类数据与AI技术的深度渗透随着大语言模型（LLM）的发展，非结构化数据的处理能力爆发式增长。数据源从结构化数据扩展到了文本、图像、地理空间等领域，为债市投资提供了全新的Alpha来源。Transformer/2.（三）交易执行的算法化与自动化中国债市的电子化交易（如X-Bond,CFETS）比例持续提升，为算法交易提供了土壤。五、风险提示（一）资产管理机构（。警惕模型同质化