如何拆分国债利率的趋势和波动.pdfVIP

债市研究中，对未来利率的定量预测是一个重要的话题。简单的利率预 测主要通过挖掘一些简单的相关性因子，并等权打分完成。但这种简单 的利率定量预测有因子选择不明确，准确性不高等问题。 另外影响债市利率的主逻辑往往有长短期之分，如 2023年后的短期偏 积极长期偏谨慎，其中短期波动、长期趋势的主要影响因子可能大有不 同。为了解决这些问题，帮助投资者拆分和预测利率债的长趋势和短波 动。我们尝试建立一个结合滤波- 因子筛选-VAR 模型预测的方法，思维 导图搭建如图 1 所示。 图 1：滤波-因子筛选-预测模型搭建思维导图 滤波拆分 因子筛选 模型训练、估计和评价 卡尔曼 趋势变量池 估计方法 滤波 生产、需求、交运、CPI、PPI VAR 模型 趋势项 波动变量池 R/Q 参 资金预期、利差图谱、市场情 训练方法 数选择 绪、机构行为、技术分析 K-fold 交叉验证 波动项 10 年期 变量选择方法 评价方法 国债利 相关性排序，最远距离，分步 基于预测胜率打分 率序列 回归，固定模块 数据来源：国泰君安证券研究 1. 用卡尔曼滤波拆分长短期波段 在金融时间序列要素拆解分析中，常见的做法是对构成可观测时间序列 的各个不可观测组成成分进行假设。一般而言，长期趋势成分（如股价 中的有效长期价格成分）在经济学的微观基础理论上被假设为随机漫步 过程，而短期波动（暂时性成分）被假定为一个一阶自回归过程，多个 长期成分之间往往还受到长期协整关系的约束。市场上有对股价、比特 币价格、石油价格等市场时间序列进行微观成分拆分的研究。 事实上，对市场多种时间序列的拆解都获得了相近的成分：长期趋势和 短期波动。并且各项研究对时间序列的拆解后分析都得到了较好的拟合 与预测表现。从债券长期存在长短期逻辑不一致的现象看，我们认为国 债收益率同样适用于长短期双成分的拆分。 1