微觀債市情緒觀測體系如何構建及其有效性分析

該微觀債市情緒觀測體系旨在解決機器學習模型黑箱效應強、難以解釋的問題，通過線性加權方法構建可解釋的指數體系。具體構建邏輯及有效性如下： 首先，體系從四個維度選取代表性指標： 1. 交易熱度：包括啞鈴熱度、現券換手率、ETF折溢價、杠桿水平、TL/T多空比、TL/T成交比。這些指標主要衡量市場的交易情緒和擁擠度，多數與利率呈負相關。 2. 機構行為：包括公募基金久期、分歧度指數、基金/券商/大行/中小行長 期國債買入比、機構申贖、長期國債成交占比。這些指標反映各類機構投資者的持倉變化及情緒，如公募基金久期與利率顯著負相關。 3. 利差：包括互換政策利差、信用資金利差、信用國開利差、TL-T隱含利差。這些指標反映市場對政策預期及信用利差的看法，多數與利率正相關。 4. 大類資產：包括股債比價、滬深300隱含波動率、商品債券對數比價、匯債利差。這些指標衡量股債、商品及匯率與債券的相對關系。 其次，指數構建采用線性聚合方法。首先對原始指標進行標準化處理，然后在每個大類內部使用嶺回歸將指標匯總為大類指數，并對正相關因子權重進行反轉，使大類指數與利率呈反向關系。最后，將四個大類指數進一步回歸得到總指數原始值，并映射至以100為中樞的指數點位。指數高于100表示債市走強，低于100表示債市走弱。 在有效性方面，該指數與滯后1-2周的利率走勢相關性較高，偏向于利率的領先/同步指標。在實操中，構建復合投票策略（觀察一周動量、4周動量、指數是否大于100及是否高于4周均線），當總票數大于等于2時滿倉持有10y國債，否則空倉。回測顯示，2019年以來該策略累計凈值高于單邊持有，夏普比率為1.18，最大回撤顯著低于單邊持有策略，證明該體系能有效捕捉市場情緒并輔助投資決策。