债市量化系列之四-债市择时多因子模型设计：从线性模型到深度学习.pdfVIP

专题研究

目录

1.前期因子准备和筛选4

2.多因子模型设计：二值选择为基础，从线性开始4

2.1.分类模型概述4

2.2.基准形式：Logistic回归5

2.3.引入马尔科夫链：MCMC-Logistic回归6

3.模型扩展：机器学习和非线性方法7

3.1.支持向量机模型7

3.2.随机森林模型7

3.3.MLP模型8

3.4.RNN和GRU模型9

4.模型结果：非线性模型最佳，信号和胜率发出分布呈“V”形10

4.1.模型胜率：GRU和MCMC表现较佳10

4.2.模型信号和胜率分布：多呈“V”形态10

4.3.搭配多空全仓策略回测：GRU、MLP和MCMC平衡性较佳11

5.风险提示12

请务必阅读正文之后的免责条款部分2of13

专题研究

多因子模型是债市量化的重要手段，其中多因子的组合方法、模型选择和

配套策略是决定模型有效性的主要因素。当前，随着机器学习技术的发展，

数理模型可以高效的捕捉和挖掘经济金融数据之间的复杂关系，用模型补

充主观决策增厚固收类资产收益。

基于此，本框架报告采取模块化的思路，我们构建了基于如下流程的择时

流程：因子挖掘（基于T合约价格的“四碗面”构建高频因子数据库）→

模型设计（本文重点）→持仓分配的多因子模型搭建框架（将分类模型预测

的概率值映射到多空仓位上）。

本报告主要关注因子的组合，而底层因子的挖掘和处理，以及持仓分配可参

考《让技术因子更有效：“场景化”与精准适配》等系列报告。不同类型因