债市量化系列之六：如何优化量化模型的赔率与换手率，关键在仓位策略.docxVIP

目录

多因子模型下仓位策略的关键作用 4

多因子模型的仓位策略介绍 4

多空全仓策略（二值化策略，基准策略） 5

带门槛的多空全仓策略和逐步加仓策略 5

基于不同风险偏好和映射函数设计连续策略 5

策略回测情况 7

回测模拟的样本区间和关键参数 7

多空全仓策略的基准结果：震荡市增厚效果较佳 7

带门槛值的全仓策略和逐步调仓策略 9

单一连续策略的效果分析：满足不同偏好的需求 11

交易手续费影响的再讨论：关键在收益增厚而非成本降低 15

总结与策略建议 17

风险提示 20

请务必阅读正文之后的免责条款部分2of21

在报告《债市择时多因子模型设计：从线性模型到深度学习》中我们基于模块化的思路，构建了基于因子挖掘（基于各类宏观、利差、量价等数据构建高频因子数据库）→模型设计（通过模型将多因子转化为合约的上行概率或0-1信号）→持仓分配（将分类模型预测的概率值映射到多空仓位上）的多因子模型搭建框架。

图1：利率择时量化框架和本文重点

资料来源：国泰海通证券研究

本文主要关注持仓分配的设计。我们认为在整体量化框架中，因子筛选和策略（仓位分配）部分更为重要，而模型（发出信号）是不可或缺但可优化空间相对较低的。本文中我们尝试的仓位分配策略优化包括：提高交易信号触发的门槛值，逐步加仓、以及利用函数将国债期国上行概率X%映射为

f(X%)来分配仓位。

我们发现：1.通过调整仓位分配逻辑，可以在胜率保持稳定时提升整体模型的表现如夏普卡玛比率等，这种情况在震荡市更为突出；2.门槛类和逐步加仓类的策略更加适合趋势市，而单一连续策略更加适合震荡市，且能够平衡收益、回撤和换手率；3.从换手率和手续费消耗看，单一连续型策略中的Sigmoid和Atanh等在震荡市下都能较好的降低换手率和手续费消耗，但在选择策略时，宜更加注重收益而非手续费消耗。

请务必阅读正文之后的免责条款部分3of21

图2：全仓策略与调仓策略的特点 图3：策略与市场环境的适配性

数据来源：国泰海通证券研究 数据来源：国泰海通证券研究

多因子模型下仓位策略的关键作用

关于利率（或国债期货）涨跌的预测，市场上的一般量化框架为使用0-1分类模型对国债期货的涨跌方向进行预测，并搭配多空全仓进行测试。但在实际操作中直接使用这种涨跌方向的预测可能面临如下三个问题：1.目前预测胜率较高的模型，其年化收益率、或夏普、卡玛比率可能反而较低，这种

不一致性既存在于多空全仓策略中，也存在于其他策略（本研究中会具体论述），使得直接使用模型信号的收益远不及预期，这可能和胜率在不同概率预测区间内的分布有关；2.如果仅仅是搭配简单的多空全仓模型，可能出现频繁大幅调仓的问题，这一方面导致交易难度较大，另一方面可能导致摩擦和手续费问题，使得真实的收益低于理论收益；3.还要考虑到由于研究主要采用日频数据且可能使用滚动窗口，样本量不会很大，较为复杂的机器学习模型可能出现难以收敛和稳定性不足的问题，通过模型优化提升整体量化系统的表现可能是事倍功半的。

同时，对比起模型对预测胜率的优化，更重要的可能是量化体系中的仓位策略部分优化，即优化对预测模型的每日利率0-1信号（或价格上行概率）如何映射到仓位的模式。如可以考虑提高交易信号触发的门槛值或设置逐步加仓条件，合理减少交易频率，也可以通过使用反双曲正切函数来分配仓

位（如后文提到的Atanh、Sigmoid策略等），提升策略盈亏比的同时限制换手率。我们在文章的后续部分将详细阐释这些仓位策略的表现与效果。

图4：MLP模型信号和胜率分布 图5：RF模型信号和胜率分布

数据来源：，国泰海通证券研究 数据来源：，国泰海通证券研究

多因子模型的仓位策略介绍

本研究中的仓位策略，指的是将预测模型得到的0-1信号或概率信号（国债

期货价格上行概率）转化为仓位信号的映射方式。如多空全仓即出现0信

号时空满仓，1信号多满仓，设置门槛值让仓位在部分门槛概率内执行空仓，

或将概率信号通过映射函数转化为仓位信号等。

多空全仓策略（二值化策略，基准策略）

多空全仓策略是一种基于二值化信号执行的极端仓位管理模式，其将模型的概率预测结果直接转化为极端的全仓操作。具体而言，当模型输出的上涨概率信号超过50%（即信号值0.5）时，策略采取多头满仓；当信号值0.5

时，则切换为空头满仓。这种“全押注”式的仓位决策机制，本质上是将模型的预测能力在仓位布局上推向极限——假设模型的预测结果完全可靠，通过满仓杠杆最大化单次交易的收益潜力。

多空全仓策略具有过于极端、调仓幅度过于极端等问题，但其有其极简性与透明性，适合作为业绩比较基准：一方面，其收益表现直接反映模型的原始预测质量，任何信号偏差均会以