固收+周报：交易实现固收+：XGBOOST与N-S模型的碰撞

XGBoost 与N-S 模型的碰撞——交易实现固收+2024 年年初至今，选股和转债都不能做到"+"，一些目光开始指向交易型策略。N-S 模型可对收益率曲线进行特征提取，我们以下就该模型四参数作为预测目标，借助XGBoost 建模，以此探索纯债固收+、红利固收+的实践。

    N-S 模型作为一个描述利率期限结构的静态模型，主要通过水平因子、斜率因子和曲度因子，以及一个参数来捕捉利率曲线的形状。历史来看，N-S 模型对曲线信息提取效果较好，对各关键期限收益率的绝对误差不到8bp。故而我们能够通过对N-S 因子的建模来实现对收益率曲线整体的预测。

    而对于模型的解释变量，我们从两个方面着手，其一是参数自身的自回归特性，采用各因子前一期实际数值作为模型的一部分解释变量；其二是与收益率强相关的五个量价指标——分别是久期中性处理后，市值加权的动量和换手率指标、动量和换手率分歧指标，以及期限利差与久期间Beta 值。此外考虑到资金成本对于机构者行为的刻画，我们加入R7 来作为信息补充。

    模型层面，我们沿用过去对于波动预测和纯债回撤预测采用的Xgboost 模型，并引入预测准确性的辅助输出。其中模型本身并不复杂，我们通过滚动预测的方式，分别对四个参数进行动态预测。历史来看，模型的预测精准度尚可，对于关键的水平因子的预测均值在2-3bps。而进一步对于关键期限的国债收益率而言，模型的偏离也尚可，其对方向的判断相对来说较为准确。

    考虑到NS 模型本身对收益率存在误差，而基于N-S 模型参数的预测也会带入误差，因此我们认为需要加入对误差的分析。以此明确，在什么概率上我们策略的性价比相对较高。由于我们的模型并不是简单线性回归，我们因此需要借助预测模型中in-sample 的误差特征来对应建模。在85%准确度下，模型基本可以覆盖各因子后续的变动，以及确定关键期限收益率的区间。

    基于上述模型，我们能够获得模型所预判的收益率，以及该预判的误差范围。以此，我们可以计算各关键期限收益率上行和下行对应的赔率，以此判断是否要以加久期的方式来进行交易增强。从历史来看，在月度回撤约束下，纯全价择时组合2017 年至2024 年7 月，年化收益率可以实现2.06%，最大回撤2.6%(含杠杆)。

    我们进一步将该模型的信息引入到：1）加入国债ETF 的久期+组合上，模型2017 年以来年化可以实现6.09%，最大回撤2.79%，年度均正收益的效果；2）固收+红利组合上，模型和红利全收益指数做久期平衡后，2017 年以来年化收益6.77%，最大回撤4.55%。

    风险

    模型预测存在误差；收益率曲线偏离常规状态；机构投资者行为和政策约束下，收益率中枢出现超预期调整；红利板块公司基本面超预期调整。

声明：

1. 风险提示：以上内容仅来自互联网，文中内容或观点仅作为原作者或者原网站的观点，不代表本站的任何立场，不构成与本站相关的任何投资建议。在作出任何投资决定前，投资者应根据自身情况考虑投资产品相关的风险因素，并于需要时咨询专业投资顾问意见。本站竭力但不能证实上述内容的真实性、准确性和原创性，对此本站不做任何保证和承诺。
2. 本站认真尊重知识产权及您的合法权益，如发现本站内容或相关标识侵犯了您的权益，请您与我们联系删除。