JBF | 国企、城投与机器学习：中国公司债券市场的非线性定价

2026年3月，Journal of Banking & Finance发布了“Machine learning in corporate bonds: Evidence from China”一文。本文系统评估了机器学习方法在中国公司债券定价中的预测能力。研究发现，以随机森林和梯度提升回归树为代表的复杂机器学习模型，在统计预测精度和投资组合经济收益两方面均显著优于传统线性模型。尤其重要的是，这些模型能够有效捕捉中国债券市场独特的制度特征——国有企业的隐性政府担保、信用评级信息含量不足以及市场结构的快速演变。本文模型在制度因素和非对称信息的资产定价中具有重要意义。中国人民大学金融科技研究所（微信ID：ruc_fintech）对研究核心部分进行了编译。

作者 | Yvonne Fang , Xiaolu Hu , Angel Zhong , Zheyao Pan , Youdan Cao

来源 | Journal of Banking & Finance

编译 | 王坤皓

一、引言

公司债券收益率的横截面预测是资产定价的核心议题。要理解机器学习在中国债券市场中的价值，首先需把握其制度架构与运行特征。中国的债券市场监管呈现多元格局：企业债由国家发展改革委监管，主要在银行间与交易所市场交易；中期票据与短期融资券由人民银行监管，主要在银行间市场交易；公司债则由证监会监管，在交易所市场交易。这种多部门协同监管以及银行间与交易所并行的场所安排，导致发行人行为、投资者准入和信息披露质量存在差异，给统一建模带来挑战。图1的Panel A展示了2007至2022年中国债券市场总规模及公司债细分市场的增长趋势，Panel B展示了同期外资持有量的快速上升。

在投资者结构方面，商业银行、基金公司与保险公司是主要持有者，机构主导的特征使得市场流动性和信息敏感度因交易场所与发行人类型而异。更关键的是，中国公司债券市场具备三个区别于发达市场的显著特征。第一，国有企业在市场中占主导，城投债作为地方政府融资平台发行的准市政债券，其定价深受制度性信用支持框架影响，且这种支持因发行人层级（中央国企与地方国企）而异。第二，信用评级体系尚在发展完善中，评级区分度有待提升，传统依赖评级的定价模型面临挑战。第三，市场经历了快速结构性变革：2014年首次出现违约，标志着风险定价走向常态化；2017年“债券通”开通大幅提升外资参与度和流动性。这些变化导致预测变量与债券收益之间的关系随时间动态演变。

线性模型基于稳定、线性、同质的假设，难以捕捉上述门槛效应与状态依赖的定价关系。而机器学习模型能自然处理非线性、高维特征和时变结构。此外，利率市场化、信用评级规范、向外资逐步开放等改革进一步强化了对自适应建模方法的需求。从实践看，中国债券市场已成为全球投资者不可忽视的资产类别，截至2022年底外资持有量达3.1万亿元人民币。考虑到中国市场上卖空操作并不普遍，本文特别分析了纯多头与市场择时策略，使其结论更贴合中国的制度环境与投资者实践。

二、数据与研究方法

本研究构建了一个庞大且全面的数据集。样本期间为2009年1月至2022年12月，最终包含了501,691个“债券-月度”观测值，覆盖26,540只债券和5,147家发行企业。月度债券总回报的计算包含了价格变动、应计利息和票息支付。核心被解释变量是债券超额收益，即减去一年期存款利率（作为无风险利率）后的回报。

预测变量集合极为丰富，总计达79个，分为三大类：第一类是40个债券与发行主体层面的特征，如债券的剩余期限、票面利率、可回售条款、担保状态、发行规模、发行人的所有制属性、是否上市、资产规模、杠杆率等。第二类是16个宏观经济指标，包括GDP增速、CPI、经济政策不确定性指数、M2增速、社会融资总量等。第三类是23个行业虚拟变量。

为了进行对比，本文评估了14种模型，涵盖了从简单到复杂的各类方法：线性模型（OLS，包含不同因子组合）、降维方法（偏最小二乘法PLS）、稀疏线性模型（LASSO和弹性网Enet）、树模型（梯度提升树GBRT和随机森林RF）以及不同深度的神经网络（1至5层）。评估模型预测性能的核心指标是样本外决定系数（out-of-sample R-squared, R²_OS），该指标衡量模型预测的债券收益与实际收益之间的拟合优度。此外，还使用了Diebold-Mariano检验来统计比较不同模型预测精度的差异。对于变量重要性，本文采用了一种基于降低ROS2ROS2的排序方法。

三、模型预测能力

从全样本结果看，一个清晰的模式浮现出来：所有传统线性模型（包括OLS、PLS、LASSO、Enet）的表现都非常糟糕，其R²_OS几乎为零甚至为负。这表明，在中国债券市场中，简单地将所有预测变量线性相加来预测未来收益是无效的，甚至因为过拟合而产生样本外预测误差。相比之下，树模型（RF和GBRT）表现最为突出，其R²_OS分别达到1.34%和1.31%，显著为正。神经网络的表现居中，R²_OS在0.01%至0.37%之间，且并非网络越深越好，2-4层的网络效果最佳。这一结果与在美股和A股的研究发现部分一致，但线性模型的全面失效更加凸显了中国市场的复杂性。表2全面展示了不同模型在全样本及各类子样本下的R²_OS。

研究进一步深入，将样本按不同特征划分，以探究机器学习模型的优势在何处更为显著。表3通过DM检验证实了树模型和神经网络在统计上显著优于线性模型。

一个关键的发现是，机器学习模型的预测优势在拥有“隐性政府担保”的债券中表现得尤为突出。对于国企债券，RF和GBRT的R²_OS高达2.90%和2.94%，而对于非国企债券则降至0.30%和0.27%。类似地，对于城投债，树模型的R²_OS为2.25%，远高于非城投债。特别是在中央国企与地方国企的对比中，由于中央国企的担保预期更强、更一致，机器学习模型的预测效果也更好。这强有力地证明，树模型擅长捕捉由隐性担保这类制度因素产生的、非线性、阈值依赖的定价模式。本文用一个简洁的决策树“玩具”例子展示了模型如何根据“规模”、“国企属性”和“杠杆率”等特征逐层划分，最终在不同终端节点上预测出迥异的收益率，生动地说明了其工作机制。

在其他经济约束下，如按债券规模大小、流动性高低、投资级与非投资级、交易所与银行间市场划分，以及按市场波动率和时间区间（“债券通”前后）划分，结论依然稳健：树模型和神经网络始终优于线性模型，尽管其预测精度在不同子样本中有所差异。例如，在2017年“债券通”启动后，市场效率提升，所有模型的R²_OS都出现了下降，但机器学习模型仍然保持了相对优势。

四、预测因子的相对重要性

机器学习模型不仅能预测，其“变量重要性”（Variable Importance）排序功能还能帮助我们理解中国债券市场的定价逻辑。图3和图4分别展示了宏观经济因子和债券/发行主体因子的重要性排序。

在宏观经济因子中，对于表现最好的机器学习模型（树模型和神经网络），最重要的预测因子是公司债市场的融资规模（financing_cb）、社会融资总量（financing）、中国经济政策不确定性指数（EPU_chn）和CPI。这表明，信用供给状况、政策不确定性和通胀预期是驱动中国公司债收益的关键宏观力量，这与金融加速器理论和现有文献一致。

在债券与发行主体层面的因子中，结果更具启发性。对于先进机器学习模型，最重要的五个预测因子依次是：可回售条款（putable）、国企属性（soe）、股票市场贝塔（b_MKTStock）、担保状态（guarantee）和上市状态（public）。这个排序与中国市场的制度现实高度吻合。国企属性和担保状态的重要性直接印证了“隐性政府担保”的核心作用。可回售条款的重要性凸显了在法治环境和信息披露质量有待提升的背景下，投资者对合约中嵌入的刚性保护机制的重视。股票贝塔的重要性则反映了中国股债市场的联动性。相比之下，在美国市场研究中常见的因子如期限、流动性、信用评级等，在中国市场的重要性排序中并不靠前。这一对比鲜明地揭示了中国“国家资本主义”模式与美国“市场主导”模式在资产定价上的根本差异：前者受政策、制度和非市场化因素主导，后者则更多由基本面风险驱动。

五、构建投资组合

R²_OS主要衡量统计预测精度，但高预测精度能否转化为实际的投资收益？为回答这个问题，本文基于模型预测，构建了投资组合。

首先，采用经典的多空策略：每月根据模型对下月收益的预测，将所有债券分为10组，买入预测收益最高的第10组（多头），卖空预测收益最低的第1组（空头）。表4和表5报告了多空策略的收益、夏普比率和风险调整后的阿尔法。

结果与经济显著性分析相呼应。线性模型驱动的多空策略无法产生显著的超额收益。而树模型和神经网络则产生了显著为正的月度收益。随机森林的表现最为抢眼，其价值加权多空组合的月度收益差高达1.15%（t=10.85），即使经过四因子风险调整后，阿尔法也达到1.08%（t=7.53）。梯度提升树和某些神经网络紧随其后。NN3虽然收益略低，但因其收益波动更小，实现了最高的夏普比率。

然而，在中国债券市场实际卖空债券存在操作难度和制度限制。为此，本文进一步评估了两个更符合现实约束的策略：纯多头策略和市场择时策略。在纯多头策略中，每月仅买入预测收益最高的第10组。表8结果显示，神经网络的优势凸显出来。例如，NN3策略的月度收益率达到0.58%（t=7.09），夏普比率高达0.90，显著优于RF和GBRT。在纯多头策略下，神经网络因其平滑、稳定的信号提取能力，表现超过了树模型。市场择时策略则基于预测信号的正负来配置仓位：当预测收益为正时买入，为负时卖出或空仓。此策略也产生了显著的正收益，例如RF策略的月度阿尔法达到0.90%（t=8.46）。这表明机器学习模型在识别未来会下跌的债券方面同样有效，即使不能直接卖空，也可以帮助投资者规避风险。

最后，研究考虑了交易成本。中国债券市场的显性交易成本（佣金、托管费等）相对较低。在扣除较为保守的19个基点（bps）双向交易成本后，NN3纯多头策略的月度净收益率仍达到0.49%，在经济上依然显著。即使扣除更严格的52个基点成本，其净收益依然为正。这证明了基于机器学习信号构建的策略具有较强的实践可行性。

六、结论

该研究通过对中国公司债券市场的大规模实证分析，得出了一系列重要结论。首先，也是最核心的结论是，机器学习方法，特别是树模型）以及特定深度的神经网络，在预测中国公司债券收益方面，无论在统计上还是经济上，都显著优于传统的线性回归模型。这些复杂模型能够有效地捕捉到线性模型无法处理的市场复杂性，如非线性关系、特征间的交互作用和随时间变化的结构性变动。

其次，研究强调了制度环境在塑造预测因子重要性中的核心作用。在中国市场，决定债券收益的关键因素并非传统的信用评级或久期，而是与政府隐性担保紧密相关的变量，如发行人所有制属性、债券是否含有特殊条款（如可回售、担保）等。这一发现为理解中国“国家资本主义”模式下的资产定价机制提供了新的视角。

最后，从实践角度看，尽管存在卖空约束，机器学习模型所提供的信息依然具有巨大的经济价值。通过构建纯多头或市场择时策略，投资者可以利用这些模型的预测来获得显著的超额收益，并且这些收益在扣除合理的交易成本后依然稳健。

该研究也存在一定局限性，例如仅采用了一种月度再平衡策略，并未系统探索动态权重或交易成本优化等更复杂的方案。未来的研究可以在这些方向上进一步拓展，也可以探索机器学习在信用风险建模、债券流动性管理等方面的更广泛应用。总体而言，本文有力地证明，在复杂、多变且充满制度特色的新兴市场中，机器学习不仅是强大的预测工具，更是深入理解市场运行规律的锐利武器。

……

获取完整文章

请后台回复“公司债券”

获取下载链接

END

编辑/王坤皓

责编/杨世琪

【延伸阅读】