社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  Python

中金固收:债市多因子探究——基于Python实践

中金点睛 • 2 年前 • 644 次点击  


长久以来,固收+的投资者往往将超额回报的重点放在权益和转债上——毕竟这两部分更容易得到差异化的结果。但前提是权益市场收益风险比高,尤其是可以更为灵活调整的转债,能提供一些“进可攻退可守”:显然这些条件不一定时刻满足。但毕竟即便是固收+投资者,债券的仓位也相对更重。此时我们不妨也着眼于纯债本身的因子回报,这里我们进行了一系列尝试。


图表:报告逻辑示意图

资料来源:中金公司研究部


显然,相比于股票、转债而言,债券数据的标准化程度不高、因子的说服力也可能相对弱。但我们的目标并不太高,我们希望因子模型能够帮助我们:


1)更定量化地理解市场超额回报的来源,并能帮我们也更好刻画相关产品,如普通债基;


2)在此基础上观察是否有可行的因子策略。


一、基于指数表现的因子遴选


虽然个券数据与股票相比标准性欠佳,但借助债券市场丰富的指数体系,我们可以比较简单直观地观察到债券市场的因子特我们将2017年以来93组中债净价指数的周度收益率进行聚类计算。聚类图除了能直观展现各指数的相关性,还能依据其相关性进行多层分类。从结果来看:


1、期限、信用和流动性是较显著的因子,如下聚类图依据此也做了各级分类;


2、期限因子的重要性较高,在关键期限如1、5、7年,都对指数的回报有明显影响;


图表:中债各净价指数聚类图

资料来源:万得资讯,中金公司研究部


3、信用因子相较期限因子影响并没有那么大,信用债与利率债整体上会有一定差异,同时利率债内部金融债和国债(以及地方债)有明显区分;而信用债指数内部,评级的影响存疑;


4、流动性因子,相对影响微弱,实用性一般。聚类图中,农发与口行债指数往往在最后还是会与国开债指数被区分开。


图表:各期限净价曲线(左)与金融债换手率(右)

资料来源:万得资讯,中金公司研究部


二、因子编写的具体方式


不难看出期限、信用的影响力较强,同时,我们还加入动量因子。在这个基础框架下,参照Fama-French-Carhart四因子的构建方式,以期限、信用和动量作为非市场因子,构建一个债市多因子模型。


其中:

1、期限因子LMS(LongMinusShort):我们参照平均待偿期(年)。我们先将长期限各评级加总的收益率,与短期限各评级加总的收益率相减得到【期限和信用的交叉项】;再将长期限各动量加总的收益率,与短期限各动量加总的收益率相减得到【期限和动量的交叉项】,最后将两个交叉项平均值认定为期限因子。


2、信用因子GMP(GoodMinusPoor):我们直接参照平均派息率(%)而非隐含评级,以此能够区分利率债和信用债的情况,具体算法与期限类似。


3、动量因子HMW(HighMinusWeek):我们参照指数前一个月的涨跌幅作为的动量划分。


此外,对于因子的计算,我们标的为中债各财富指数,并采用指数总市值加权


具体计算逻辑如下:


图表:债市因子构建方式(示意图)

资料来源:中金公司研究部


图表:债市因子构建方式(程序示意图)


def computerBondFactor(obj, startDate, momwindow=20, window=20):
    # 储存固定周期的涨跌幅数据并计算动量,以及后续我们因子构建是按照市值加权的
    startDate = pd.to_datetime(startDate).strftime('%Y/%#m/%#d')

    ret = obj.DB['CLOSE'].pct_change(window).loc[startDate::window]
    wgt = obj.DB['AMT'].loc[startDate::window]
    obj.DB['1Mmom'] = obj.DB['CLOSE'].pct_change(momwindow).shift(window + 1)

    dictRawdf = {
        'ptm': {'dfRank': obj.DB['MATURITY'].loc[startDate::window].rank(pct=True, axis=1), 'mat': [None, None, None]},
        'credit': {'dfRank': obj.DB['DIVIDEND'].loc[startDate::window].rank(pct=True, axis=1),
                   'mat': [None, None, None]},
        'mom': {'dfRank': obj.DB['1Mmom'].loc[startDate::window].rank(pct=True, axis=1), 'mat': [None , None, None]}}

    # 将每个周期依照期限、信用和动量进行三分(以30%与70%为界)
    for k, v in dictRawdf.items():
        dfRaw = v['dfRank']
        v['mat'][0] = dfRaw.applymap(lambda x: 1 if x > 0.7 else np.nan)
        v['mat'][1] = dfRaw.applymap(lambda x: 1 if (x <= 0.7) & (x >= 0.3) else np.nan)
        v['mat'][2] = dfRaw.applymap(lambda x: 1 if x < 0.3 else np.nan)

    dictFactors = {'LMS': {'keydf': 'ptm', 'comdf': ['credit', 'mom'], 'values': None},
                   'GMP': {'keydf': 'credit', 'comdf': ['ptm', 'mom'], 'values': None},
                   'HMW': {'keydf' : 'mom', 'comdf': ['ptm', 'credit'], 'values': None}}

    # 依据类似Carhart四因子方式构建期限、信用和动量三大因子(市值加权计算因子)
    for k, v in dictFactors.items():
        factorValue = None
        for num, com in enumerate(v['comdf']):
            pctDiff = None
            for i in [0, 2]:
                pct = None
                for j in [0, 1, 2]:
                    mat = dictRawdf[v['keydf']]['mat'][i] * dictRawdf[com]['mat'][j]
                    pctwgtMean = (ret * mat * wgt).sum(axis=1) / (wgt * mat).sum(axis=1)
                    pct = pctwgtMean if j == 0 else pct + pctwgtMean
                    pct.fillna(0, inplace=True)
                pctDiff = pct if i == 0 else pctDiff - pct
                pctDiff.fillna(0, inplace=True)
            factorValue = pctDiff if num == 0 else factorValue + pctDiff
        v['values'] = factorValue / 6.

    dfRet = pd.DataFrame(columns=dictFactors.keys())
    for k in dfRet.columns:
        dfRet[k] = dictFactors[k]['values']

    dfRet.index = [pd.to_datetime(d) for d in dfRet.index]

    return dfRet


资料来源:万得资讯,中金公司研究部


依据2010年以来的因子收益情况,我们观察到


1)期限因子是存在一定周期性的,信用因子长期暴露下优势相对有限,而动量因子暴露优势比较显著;


2)月度来看信用因子与期限因子存在一定正相关。而无论周度还是月度,动量因子整体与期限/信用因子存在一定负相关。


图表:债市各主要因子收益率

资料来源:万得资讯,中金公司研究部;注:数据区间为2009年12月30日至2022年5月18日


图表:债市各主要因子相关性情况

资料来源:万得资讯,中金公司研究部;注:数据区间为2009年12月30日至2022年5月18日


面对目前已有的因子数据,我们以下将进行两方面的探索:


1)依据债市多因子,我们可以对债基进行风险归因,并以周度或月度的频率,关注债基的行为与丰富对其的评价维度;


2)对于各因子再进行探究,挖掘因子增强的量化策略。


三、基于债市多因子的债基评价


模仿Carhart模型,我们搭建以下债市四因子模型:



其中,我们使用中债-新综合财富(总值)指数(CBA00101)的收益率,相较于一年期存款利率的超额收益,来构建市场因子。依据模型,我们对市场中几个典型的纯债产品(简称中不含“信用”),自2016年以来的月度收益,进行了风险拆解。我们观察到


1)模型对于各基金解释能力普遍较强,R-Squared基本维持到85%及以上;


2)债基在alpha层面不太明显;


3)市场因子对基金业绩解释能力较强,beta值能一定程度体现债基对纯债资产的风险暴露水平,基本与杠杆有一定挂钩;


4)债基在期限因子层面暴露相对有限,p-value呈现出来的显著值并不高。此外,基金平均而言,有做陡曲线的倾向。


5)信用因子解释力度较强,beta值均为正;而动量因子的稳定暴露较难,样本中仅有一只产品动量暴露偏显著,其收益率是全样本中最高的。


图表:纯债基月度收益风险拆解

资料来源:万得资讯,中金公司研究部;注:样本债基选取2016年以来综合规模排名处于前列的中长期纯债基;测算周期为2016年1月4日至2022年5月18日


图表:纯债基月度滚动(24个月)收益风险拆解

资料来源:万得资讯,中金公司研究部;注:市场/信用beta剔除当期p-value小于2%的例


而动态来看,模型整体解释力度仍不弱,此外我们观察到1)市场beta近年有所走弱;2)信用beta也处于趋缓的节奏,而且产品间差距比较大。


四、有关债市多因子量化策略的探究


以上我们主要就多因子在债基评价方面进行定量分析。而再回顾我们所拆解的多因子收益情况,实际上若对于个别因子能做好一定程度的择时,那么对于固收产品而言或许会有显著增强效果这也是我们开篇所提到的——我们希望在债市因子层面做不同程度的暴露,以此达到另一种维度的“固收+”。以下,我们就期限、信用和动量因子的增强暴露策略做一定的尝试。



1、期限择时策略:


我们将“10年与隔夜利率差”作为基准标量,当其滚动40日均值显著低于滚动120日线,则买入短期限指数;若短均线显著高于长均线,则买入长期限指数。经过测算,策略在收益端的增厚较为显著,2012年迄今年化回报在5.16%(综合指数4.58%,加权平均综合指数4.57%),同时在子类中,该期限策略仍具备显著增强效果。


图表:期限策略对组合的增强效果

资料来源:万得资讯,中金公司研究部;注:以上回测结果测算周期为2011年12月29日至2022年5月18日;期限切换与各平均策略以指数样本券10日结算量加权;换仓周期为40日


具体操作上,我们短均线使用40日平均,长均线使用120日平均,显著与否参照的是0.5倍120日标准差。


图表:期限策略的代码实现


def maturityStrategySimple(obj, codes, date, tempCodes, dfAssetBook):
    # 计算10Y与隔夜利差
    srs = (obj.DB['TermStructure'][10] - obj.DB['TermStructure'][0]).loc[:date]

    srsShort = srs.rolling(40).mean().iloc[-1]
    srsLong = srs.rolling(120).mean().iloc[-1]
    srsLongstd = srs.rolling(120).std().iloc[-1]

    tempCodes = obj.DB['MATURITY'].columns
    srsMat = obj.DB['MATURITY'].loc[date, tempCodes].dropna()

    # 短均线显著低于长均线,则买入短久期指数,反之则买入长久期指数
    if srsShort <= srsLong - srsLongstd * 0.5:
        t = srsMat[srsMat < srsMat.quantile(0.3)].index
    elif srsShort >= srsLong + srsLongstd * 0.5:
        t = srsMat[srsMat > srsMat.quantile(0.3)].index
    else:
        t = tempCodes

    return t


资料来源:中金公司研究部



2、动量因子控制策略:


对于动量因子而言,结果与我们此前报告中提及的“大级别趋势必惩、小趋势顺势可为”基本一致。因此我们在对债市做因子选择时,从进攻性上仍然偏好短期动量,而回撤端我们则考虑市场当前交易量是否处于历史相对高位。


图表:动量策略的有效性

资料来源:万得资讯,中金公司研究部;注:2012年以来策略区间为2011年12月29日至2022年5月18日;2018年以来策略区间为2017年12月29日至2022年5月18日;策略均为21天换仓,均以各财富指数的市值加权处理


图表:动量策略的评价结果

资料来源:万得资讯,中金公司研究部;注:2012年以来策略区间为2011年12月29日至2022年5月18日;2018年以来策略区间为2017年12月29日至2022年5月18日;策略均为21天换仓,均以各财富指数的市值加权处理


具体操作上,我们先选择动量处于前1/3的指数,在这个基础上剔除交易量处于250个交易日80%分位数及以上的。


图表:动量控制策略的程序实现


def momStrategyMax(obj, codes, date, tempCodes, dfAssetBook):
    date = offset(obj, date)
    idx = obj.DB['CLOSE'].index.get_loc(date)

    srs = obj.DB['CLOSE' ].iloc[idx - 21:idx][tempCodes].pct_change(20).iloc[-1].rank()
    t = srs[srs > srs.quantile(0.333)].index

    srsVol = obj.DB['VOL'].iloc[idx - 251: idx][t].rank(axis=0).iloc[-1] / 252.

    t = srsVol[srsVol < 0.8].index

    return t


资料来源:中金公司研究部



3、信用因子:


在经过期限因子与动量因子调整后,同等条件下做多高票息的策略或许是有效的。因此我们在编制信用因子相关策略时,会先基于期限因子的选择,再在其中选择高票息的,最后选剩余指数中具备动量优势的。


图表:高票息策略的有效尝试


资料来源:万得资讯,中金公司研究部;注:上图中年化回报/波动/最大回撤单位均为%,2012年以来策略区间为2011年12月29日至2022年5月18日;2018年以来策略区间为2017年12月29日至2022年5月18日;策略均为21天换仓,均以各财富指数的市值加权处理;中债信用债指数中期限最长,隐含评级最低的中债-市场隐含评级AA信用债财富(10年以上)指数,2018年以来年化回报6.43%,Calmar为4.94x;2016年8月成立以来年化回报4.34%,Calmar为0.33x。


图表:高票息策略的程序实现


def creditStrategy(obj, codes, date, tempCodes, dfAssetBook):
    tempCodes = maturityStrategySimple(obj, codes, date, tempCodes, dfAssetBook)

    date = offset(obj, date)

    srs = obj.DB['DIVIDEND'].loc[date, tempCodes].dropna()
    t = srs[srs > srs.quantile(0.5)].index

    return momStrategyMax(obj, codes, date, t, dfAssetBook)


资料来源:中金公司研究部


五、利用债市多因子构建的组合


以上我们所作的因子增强策略,均是以各财富指数为标的。而落实到实务层面,大部分纯债债券是没法像转债一样有标准的结构数据,以此直接做量化策略。同时个券流动性偏弱,所以个券做量化策略的效果可能也并不理想。


因此对于纯债投资者,或许可以参照以上因子增强策略在久期、信用层面的选择,落到个券上再有动量考虑;而对于能投债基的投资者,例如FOF、保险、理财等,可以找相应的指数债基操作,也可以依据因子增强策略的选择,选择在某因子上有稳定暴露的产品。以下,我们梳理在信用与动量层面有稳定暴露的纯债基产品。


图表:信用因子暴露稳定的债基

资料来源:万得资讯,中金公司研究部


图表:动量因子暴露相对稳定的债基

资料来源:万得资讯,中金公司研究部


风险


因子出现较大变动,货币政策出现较大转向,信用债出现超预期风险


文章来源

本文摘自:2022年5月27日已经发布的《债市多因子探究——基于Python实践

杨 冰 SAC执业证书编号:S0080515120002;SFC CE Ref: BOM868

罗 凡 SAC执业证书编号:S0080120070107

陈健恒 SAC执业证书编号:S0080511030011;SFC CE Ref: BBM220


法律声明

向上滑动参见完整法律声明及二维码

特别提示

本公众号不是中国国际金融股份有限公司(下称“中金公司”)研究报告的发布平台。本公众号只是转发中金公司已发布研究报告的部分观点,订阅者若使用本公众号所载资料,有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的关键假设、评级、目标价等内容产生理解上的歧义。订阅者如使用本资料,须寻求专业投资顾问的指导及解读。

本公众号所载信息、意见不构成所述证券或金融工具买卖的出价或征价,评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。该等信息、意见在任何时候均不构成对任何人的具有针对性的、指导具体投资的操作意见,订阅者应当对本公众号中的信息和意见进行评估,根据自身情况自主做出投资决策并自行承担投资风险。

中金公司对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果,中金公司及/或其关联人员均不承担任何形式的责任。

本公众号仅面向中金公司中国内地客户,任何不符合前述条件的订阅者,敬请订阅前自行评估接收订阅内容的适当性。订阅本公众号不构成任何合同或承诺的基础,中金公司不因任何单纯订阅本公众号的行为而将订阅人视为中金公司的客户。

一般声明

本公众号仅是转发中金公司已发布报告的部分观点,所载盈利预测、目标价格、评级、估值等观点的给予是基于一系列的假设和前提条件,订阅者只有在了解相关报告中的全部信息基础上,才可能对相关观点形成比较全面的认识。如欲了解完整观点,应参见中金研究网站(http://research.cicc.com)所载完整报告。

本资料较之中金公司正式发布的报告存在延时转发的情况,并有可能因报告发布日之后的情势或其他因素的变更而不再准确或失效。本资料所载意见、评估及预测仅为报告出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。证券或金融工具的价格或价值走势可能受各种因素影响,过往的表现不应作为日后表现的预示和担保。在不同时期,中金公司可能会发出与本资料所载意见、评估及预测不一致的研究报告。中金公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论和/或交易观点。

在法律许可的情况下,中金公司可能与本资料中提及公司正在建立或争取建立业务关系或服务关系。因此,订阅者应当考虑到中金公司及/或其相关人员可能存在影响本资料观点客观性的潜在利益冲突。与本资料相关的披露信息请访http://research.cicc.com/disclosure_cn,亦可参见近期已发布的关于相关公司的具体研究报告。

本订阅号是由中金公司研究部建立并维护的官方订阅号。本订阅号中所有资料的版权均为中金公司所有,未经书面许可任何机构和个人不得以任何形式转发、转载、翻版、复制、刊登、发表、修改、仿制或引用本订阅号中的内容。

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/135141
 
644 次点击