量化模型与构建方式 1. 神经网络和因果推断在利率择时中的尝试 - 模型名称：因果推断模型和LSTM神经网络 - 模型构建思路：利用因果推断模型对10年期国债收益率进行归因分析，并使用LSTM神经网络预测10年期国债收益率走势[5][50] - 模型具体构建过程： - 因果推断模型： 1. 数据准备：收集122个自变量和10年期国债收益率数据 2. 建立因果模型：使用微软的DoWhy库 3. 识别因果效应：构建因果图 4. 估计因果效应：使用线性回归方法 5. 验证和诊断：检查模型的鲁棒性[52][53][54] - LSTM神经网络： 1. 数据标准化：使用Min-Max-Scale方法对124个自变量进行标准化 2. 构建神经网络：每层有124个特征值，512个隐藏层，共4层网络 3. 输入序列：连续的60天数据 4. 数据集划分：训练集、测试集、验证集分别为70%、20%、10% 5. 训练模型：总共训练2000轮，训练损失在第100次之后开始收敛[55][56][57][58] - 模型评价：因果推断模型能够找到影响10年期国债收益率的关键因素，LSTM神经网络预测结果与实际走势相似，但绝对值差距仍有20BP左右，实战效果可能略有不佳[5][50][55] 2. 转债"双低策略"的回炉重造 - 模型名称：改良的转债多因子模型 - 模型构建思路：基于传统双低策略，改良并构建更优的转债多因子模型，核心是利用中性化、标准化后的股性因子和平价溢价率因子进行择券[6][60] - 模型具体构建过程： 1. 将绝对价格改为YTM指标，与平价溢价率匹配为"债性"与"股性"指标 2. 对YTM和平价溢价率进行中性化处理 - 使用到期赎回价、到期期限、正股股价、信用评级对YTM作中性化，得到YTM_neu - 使用平价、规模、行业、信用评级对平价溢价率作中性化，得到Convprem_neu 3. 对中性化后的YTM_neu和Convprem_neu进行Z-Score标准化 4. 将中性化后的股性与债性指标相加，得到新因子 5. 以月度为单位，在每个调仓日选择股债性因子最低的20支进行回测[60][61] - 模型评价：改进后的策略表现远超传统双低策略，在2024年的转债弱市中获得正回报，但仍存在最大回撤明显、信用风险控制不足等问题[6][60][62] 模型的回测效果 1. 因果推断模型 - 因果性分析结果： - 全部时期：隐含税率、存款准备金率、核心CPI、短期资金面因素对10年期国债收益率有较强因果性 - 利率震荡期：短期资金面因素影响增强，国债利差、同业存单和保险买债影响增强 - 利率先下后上期：黄金影响增强，银行质押回购等因素影响增强 - 新旧动能切换期：M1同比和机构买债影响上升 - 利率持续下行期：通回购、利差影响增强[53][54] 2. LSTM神经网络 - 预测结果： - 训练损失在第100次之后开始收敛，在第1500次左右基本稳定在0.20%左右 - 预测结果与实际10年期国债收益率走势相似，但绝对值差距仍有20BP左右[58][59] 3. 改良的转债多因子模型 - 回测结果： - 改进后的策略表现远超传统双低策略，在2024年的转债弱市中获得正回报 - 股债性均衡策略的表现优于万得转债双低指数[62]