2025年彭博中国区FICC量化训练营案例报告

利用BQuant分析工具重新认识Nelson-Siegel模型很高兴CodeCrunch继伦敦站圆满举办后来到中国，借此机会与本很荣幸看到许多金融机构愈加熟练使用、深度信赖BQuant。它能•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•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%。4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5•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XGBoost机器MeanReversion）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6•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•从彭博BQuant提取80+种原始数据，运用多种特征衍生方法，得到600+个衍生特征，以此为基础•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•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%。•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7结果显示，该策略交易约21次，年化收益率5.58%，高于持有债券不动的收益，能够避开债券价格8基于CNY市场订单不平衡现象的交易策略•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9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•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•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10使用双边固定点差的简单策略作为对照组，展示100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11•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12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1314151WEURCNYOptionDeltaHedgePnL1YEURCNYOptionDeltaHedgePnL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，16EURCNY期权定价创新性地从历史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•Deltahedge采用市场波动率和来自实际相关性的余弦定理波动率。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17•参数调整方面，采用寻优算法确定核心参数，同时引入高频价差调整项，减少行情瞬时波动对策略的18该策略是一个较为简单的偏技术指标策略，聚焦于微观，致力于在执行过程中追求稳定盈利。依托19regime与叙事主题变化•通过对市场数据进行非监督学习与量化分析，从市场中发现隐藏的regime、深层次叙事主题、及其转化。通过度量外汇与宏观市场相关数据的概率分布与Kullback-Leibler散度（KLDivergence）分布相•无需人工标注，完全依赖数据自主划分阶段，可规避人为经验偏差，并同时通过数据把握市场主题•自动结合最新的市场数据实时运行，动态更新regime分析结果，并可选择划分阶段的数量以进行更2021Regime切换点对应Regime切换，以及新Regime的分析2025年4月3日•在没有人为提供任何标注或关键字，以及与关关税政策的影响尤为深远，这也符合市场之后的走势美元资产与货币的信心受挫，进而开启市场新的regime。2025年10月21日•10月20日，黄金涨至历史高点，该分析捕捉到了这个特殊时刻。黄金从冲高转为回调整理，背后是大量市场事件的落地、转向个市场主题发生了转换，包括美国政府停摆、日法政坛•风险缓解为市场进一步回归基本面和数据提供及经济数据上较大的不确定性的避险以及避险兑现，我们将彭博经济研究数据结合到量化分析中，包含非农、通胀、PMI等各类宏观经济数据。经济数据从不同的层面提取隐藏的结构以及范式演化，更接近经济运行的底层与本质，因而减弱市场与交易的从前文展示的7个阶段及其图表不难看出，在第2、3、6阶段，都较好地捕捉到了美债的长周期行情与该量化分析方法能够有效地从客观的数据中识别市场的“软性逻辑”和主观主题，捕捉隐藏的regime与市场结构变化。同时，也能敏锐捕捉不同层次的市场隐藏结构以及范式转化。此外，该量化分析方法•通过彭博BQuant提取2024年1月至2025年8月的三个核心货币对的关键数据，即USD/CNY，EUR/USD，USD/JYP。•通过彭博BQuant进行数据处理、可视化对比，以及参数回测，为同业提供应用参考，并回归FICCFX掉期Carry:经波动调整的Carry：22经波动调整后的Carry分布：2324不经过波动调整后Carry的因子回测：该策略的目标并非收益率高低，更在于验证BQuant下Carry及波动率调整的可行性，未来可拓展至更多利用BQuant分析工具重新认识Nelson-Siegel模型•伴随Python等数据科学工具不断迭代，通过彭博BQuant结合新兴高效工具，可以实现从数据处理、•在表格可视化方面，使用GreatTables生成重复实现且美观度高的交互式分析表格，与彭博BQuant25分析工具与模型效率优化可以降低技术门槛，提升投研产能，尤其适用于无需大量算力投入的中小型26左上：EUR/USD日线价格图（2016–2025）叠加红色卖出信号和绿色买入信号，显示策略在震荡和趋势左下：回撤曲线，2016–2025年间较大回撤主要集中在2021–2022年的高波动阶段，其余时间回撤控制空头（ShortTrades，红色中位数略亏，分布更紧凑且偏向下侧，说明空头整体贡献较小且小幅亏损2728•纯规则化交易策略，避免机器学习模型的黑箱特性与未来信息泄露风险，适合中小规模资金与日常右上：EUR/USD价格（蓝色）与MACD指标（橙色）叠加图，显示市场处于长期无明显趋势的均值回归状态，这解释了策略为何需要大量形态过滤信号——在震荡市中纯MACD交叉会造成严重过交易，而加•近年债券市场微观结构变化、宏观周期波动弹性降低，传统的久期调整策略失效，需通过量化模型•基于彭博BQuant获取5年期国债期货（TS）的量、价、持仓数据，构建三类因子：量价因子、形态策略偏保守型，损益波动小、回撤可控，适配商业银行大资金持仓需求，注重信号连续性与可执行性。未来可完善人民币多维度大模型，同时拓展至外币债市场，利用BQuant底层数据与工具，开发跨市场29•该策略选取影响欧元走势的宏观因子，通过均线策略衡量因子强弱，加权生成交易信号，捕捉欧元•对每个因子采用均线策略判断强弱，输出+1（看涨）、-1（看跌）或中性信号；根据因子对市场的303