【中金固收·量化】通过经济数据预期差进行国债期货交易——固收量化探索系列

摘要

在国内的研究中，受制于客观因素，固收策略多以宏观基本面分析为主。本篇报告希望打破思维框架和客观因素的限制，在宏观量化交易上做出探究。在宏观上，本文以经济数据和债券收益率为切入点，引入货币金融、内外需求、名义产出对国债期货价格的影响。在微观上，本文以经济数据公布前后国债期货的价格变化为支点，将宏观影响串连微观交易。市场在经济数据公布前对经济运行状况存有预期，在经济数据公布后也会对预期差进行反应。通过观察预期差水平与国债期货价格变化的相关性，寻找价格变化关系稳定且符合宏观逻辑的预期差阈值，制定量化策略开仓信号。

策略第一步，进行数据搭建，基于系列样本数据，我们建立（X,Y）二元关系，X为样本预期差，对应的Y为高于（低于）X的样本里，预期差如期反映经济学逻辑的样本占比，也就是胜率的概念。通常逻辑下，当预期差反映的基本面表现好于市场预期，则利率理论上会上行，对应国债期货下跌；反之则反。

策略第二步，对训练样本进行相关性检验和实操检验，挑选出两项检验都通过的经济数据作为下一步的输入变量。通过我们对系列宏观经济数据预期差和国债期货对应表现来看，本身期货数据反映并符合宏观逻辑、且实操层面保有一定胜率的指标为出口同比预期差、固投累计同比预期差、M2同比预期差。同时评估各指标表现时，我们有几点发现。一是预期差和国债期货价格变动间的相关性是非对称的，高于预期和低于预期两种情况下，国债期货价格变动符合宏观逻辑的占比也会有所差异。二是实际值与预期值偏离越大并不意味着市场对其反应更敏感，多数相关性检验呈现的关系为，当实际值与预期值偏离超某一程度时，符合宏观逻辑的样本占比反而开始下降。三是对于市场本身就高度关注的经济指标而言，投资者往往会提前布局预期差交易，在预期差落地后，反而会有止盈的操作，进而会出现实操的胜率低于相关性检验的情况。

策略第三步，基于选定三个指标，通过梳理其符合宏观逻辑样本区间分布，设定开仓条件阈值，当预期差满足相关阈值区间条件时，进行开仓做多或做空。设定策略检验区间进行回测，评估各个指标策略单独运行的效果及合并运行的效果。通过回测，以上述三个经济指标预期差作为信号，进行国债期货日内交易的效果较好，其中出口同比预期差效果最优。

策略第四步，思考策略潜在优化空间。我们认为可以把握三个方向。第一，基于经济数据预期差的交易，在量化层面也可以有的放矢，可以适度的增加主观调节项。对于债券的量化交易，其最终的框架搭建仍需配合对债市基本面的理解。第二，部分机构对经济数据预期差的把握可能存在信息优势，能够收集到比万得资讯一致预测更为有说服力和代表性的样本，这类机构应该利用相关优势，对策略进一步优化。第三，缩短交易持仓周期，尽量降低其他非经济预期差因素对国债期货价格的干扰，重新评估是否能提高策略的胜率和回报率。

总结来看，从我们策略最终区间回报来看，虽然经济数据的公布每月只有一次，但是这些数据揭示了宏观经济的走向，对债券利率和价格的影响也会起到决定意义。通过量化模型，如果有胜率较高的策略，那么一年下来如果能准确的抓住3-5次的机会，其实也可以获得不俗的回报，日积月累就是非常可观的收益。所以量化策略不一定要追求高频，而是要追求胜率。整体而言，固收领域的量化研究其实是一个尚待开拓的广阔领域，各种方向，各种策略其实都有很多可以尝试的地方。即使是本报告的模型和策略，未来我们也还有更多可以提升和完善的空间。在国债期货或者利率债的量化领域，未来我们还会做更多的尝试和思考，希望推动市场的发展。

风险

报告基于历史数据统计分析，过往数据不代表未来表现，不构成对投资者的投资建议。文中采用的样本数据有限，可能存在样本外风险，数据处理方式可能存在误差。

目录

一、经济数据与债券收益率相关性

（一）金融数据

（二）内外需求

（三）名义产出

二、经济数据预期差的量化框架

（一）数据概述

（二）建立样本数据反映的预期差与国债期货价格变动之间的联系

三、经济数据预期差与国债期货价格变动相关性回测

（一）比较符合宏观逻辑且实操层面胜率较高的经济数据指标

（二）比较符合宏观逻辑但实操层面胜率不高的经济数据指标

（三）不符合宏观逻辑同时实操层面胜率不高的经济数据指标

四、经济数据预期差与国债期货变动相关性总结

五、策略实现及回测效果

六、策略潜在优化空间及应用 

正文

一直以来，国内债券投资策略主要基于对宏观基本面和政策面的分析，限于缺少高频截面数据、数据清洗难度大等因素，量化分析在固收领域的使用相对有限，特别是在宏观量化方面更为明显。宏观数据多以月频为主且公布时间相对滞后，很多数据只有在次月才可得到当月的实际数据，对实时交易而言，从宏观数据公布，到微观交易，时间跨度大，不可控因素较多。受制于多种因素影响，市场相关研究较少，基于此，我们试图打破各种局限性，尝试从量化角度建立起宏观数据与债市表现之间的联系，并设计相应的一套量化交易策略，以提高债券投资收益。该量化交易策略需满足三点要求：一是在交易逻辑上做到合理准确，有宏观逻辑的支撑；二是在执行上具有可操作性，避免许多高频策略过高的硬件要求；三是在规则上尊重量化给出的客观结果，避免过多的主观判断。

考虑量化策略对交易标的流动性要求，我们选择以国债期货为交易标的。从一个宏观逻辑上讲，经济数据实际公布值和市场预期值之间会有差，即“预期差”，而预期差本身则会导致市场后续交易行为上出现对资产的重定价。在实际交易中，也有很多投资者会关注预期差带来的债市潜在波段机会。基于此，我们认为可以设计相关的量化交易策略，通过量化回溯以往经济预期差和债市表现之间的联系，设计相关买入卖出信号，并用算法实现信号的捕捉。

一、经济数据与债券收益率相关性

债券的定价往往是通过无风险收益率和利差实现的，无风险收益率通常取决于央行政策利率，而央行政策利率又主要基于经济基本面和政策面确定，因此经济基本面是债券定价的核心之一，而基本面的好坏通常则是基于宏观经济数据得以反映。宏观经济数据指标较多，不同指标指示宏观经济的不同方面，对债券收益率的影响也有所不同。我们可以简单把宏观指标分为三大类：一是金融数据，核心是社会融资和货币供应；二是需求数据，包括房地产、投资、消费和进出口等；三是名义产出，包括实际产出和通货膨胀。

（一）金融数据

长期以来国内经济一直处于中高增长状态，这种中高增长多数时期是投资驱动的，而投资需要相应的实体融资需求支撑，这就使得融资对于国内经济具有关键意义，实体融资状况对债券收益率具有一定领先性。2012年以前主要融资观测指标是新增人民币贷款，2012年以后转为涵盖范围更广的社会融资。从历史数据来看，社融融资缺口对债券收益率具有1-2个季度的领先性，这种领先性背后是融资变化对实体产出的领先性。

图表1：10年国债与贷款余额同比

资料来源：万得资讯，中金公司研究部

图表2：10年国债与社会融资缺口

资料来源：万得资讯，中金公司研究部

对于货币供给，可以从多个角度来理解：首先，实体融资体现为银行资产负债表的资产，货币供应体现为银行资产负债表的负债，二者相对应；其次，货币供应本质上它是融资变化的结果，体现了货币派生总效果；再者，货币供应体现资金供给，而融资体现资金需求，二者差异决定利率走势。从历史数据来看，融资需求与融资供给之间的缺口对债券收益率具有1-2个季度的领先性，背后反映的也是“资产荒”的逻辑。对于M1，主要体现企业活期存款变化，与商品房销售密切相关，过去对债券收益率具有较强指示意义；对于M2，体现广义货币派生结果，2012年之后融资结构发生变迁，M2对经济指示意义趋弱，但是仍然能部分体现广义流动性状况，仍然是市场关注的重要指标之一。

图表3：10年国债与M1同比

资料来源：万得资讯，中金公司研究部

图表4：10年国债与M2同比

资料来源：万得资讯，中金公司研究部

（二）内外需求

从需求角度看实体，主要是投资、消费和进出口。理论上投资对应融资，投资变化是经济变化的关键，应该对债券收益率具有决定意义。然而，我们观察固定资产投资增速与10年国债收益率发现，长期来看二者相关性较弱，固投增速长期趋于下行，而10年国债收益率则是波动为主。不过这并不意味着固定资产投资对债券收益率没有直接影响，固定资产投资对收益率的影响更多体现在债券收益率波动层面。更重要的是固定资产投资的不同组成部分与债券收益率的关系是不同的，其中房地产投资是投资变化的核心，基建投资是作为对冲房地产投资下行而存在的，通过考察房地产投资增速变化与10年国债收益率变化，可以看到房地产投资对10年国债收益率走势的决定作用。相对来讲，消费与债券收益率的相关性表现的比较弱，这主要是因为国内经济波动主要是投资引起的，消费对经济波动的影响相对较小。并且消费相关信贷在融资中占比也比较小，消费从融资层面对收益率影响也较弱。

图表5：10年国债与固定投资增速

资料来源：万得资讯，中金公司研究部

图表6：10年国债变化与房地产投资增速变化

资料来源：万得资讯，中金公司研究部

图表7：10年国债变化与商品房销售增速

资料来源：万得资讯，中金公司研究部

图表8：10年国债与社会消费品零售增速图表8：10年国债与社会消费品零售增速

资料来源：万得资讯，中金公司研究部

虽然理论上外贸相关活动对融资需求影响也相对有限，或者可以说在融资上的体现不会特别大，但我们注意到进出口增速变化与10年国债收益率相关性较为明显，尤其是2016年以后，债券收益率的两轮周期与进出口增速匹配的较好。这背后的关键可能在于三点：一是外贸在中国经济中占比较高，二是全球经济和全球贸易是联动的，三是中美贸易战和新冠疫情对全球贸易的影响。

图表9：10年国债与出口同比

资料来源：万得资讯，中金公司研究部

图表10：10年国债与进口同比

资料来源：万得资讯，中金公司研究部

（三）名义产出

从产出角度看实体，主要包括工业和服务业，而国内服务业中超过半数是工业相关的，因此工业产出就较为核心，工业产出对债券收益率具有决定意义。工业产出又可以分为实际工业产出和工业品通胀两个方面，二者共同决定债券收益率走势，从过去经验来看，央行货币政策决定的核心变量就是名义工业产出。对于通胀来讲，需要注意的是CPI与债券收益率关系的变化，2012年之前CPI同比与10年国债收益率走势非常一致，但是2012年之后二者相关性明显降低，这背后一方面是CPI同比变化更多受到了食品等方面的冲击，核心CPI一直表现较为疲软，另一方面则是核心CPI中住房相关价格统计不够完善。

图表11：10年国债与工业增加值同比

资料来源：万得资讯，中金公司研究部

图表12：10年国债与通货膨胀

资料来源：万得资讯，中金公司研究部

二、经济数据预期差的量化框架

（一）数据概述

数据样本层面，我们选取2016年1月至2022年1月的经济数据预期差和10年国债期货价格变化。其中市场经济数据预期采用的是万得统计的市场一致预测值。在我们考察的经济指标中，社融的一致预测值披露是自2016年1月开始，所以统一以2016年为数据的起始时间。针对每个数据的每次公布，可以构建一个样本数据集，记为（经济数据，公布时间点，经济预期差，国债期货价格变动_分析，国债期货实操涨跌幅）。其中：

►经济数据选取来自于每月人民银行公布的M1同比、M2同比、新增社会融资规模当月值、新增人民币贷款当月值；国家统计局公布的CPI同比、PPI同比、社会零售品消费总额同比、固定资产投资累计同比等；中国海关公布的出口同比。当月数据于次月公布。

►经济数据预期差采用的是公布后的实际经济数据减去市场预期值。市场预期值采用万得数据库针对以上数据的一致预测。

►国债期货价格变动基于10年期国债期货活跃合约（T合约），用以分析经济数据预期差与国债期货价格在公布前后变动之间的相关性，即国债期货价格变动_分析，简称T_chg_train。假设数据公布当日为T日，前一交易日为T-1，后一交易日为T+1。一是如果相应的经济数据在国债期货盘后公布，则比较T+1日T合约收盘价相比于T日收盘价的涨跌幅；如果经济数据在盘中公布，则比较T日收盘价相比于T-1日收盘价的涨跌幅。

►国债期货实操涨跌幅是从实际交易可行性角度出发，计算交易可实现的约束下，国债期货建仓后的涨跌幅与预期差之间的关联，简称T_chg_test。在实操中，根据预期差信号进行建仓的起点是在经济数据公布落地之后，而非经济数据公布之前，因此根据预期差建仓的初期价格应该为公布之后较短时间跨度上的某个点，单次建仓收益我们记为国债期货价格变动_实操。如果相应的经济数据在国债期货盘后公布，则比较T+1日T合约收盘价相比于T+1日开盘后1分钟后最新成交价的涨跌幅；如果经济数据在盘中公布，则比较T日收盘价相比于T日数据公布后5分钟后（比如数据10:00公布，则为T/10:05）最新成交价的涨跌幅。在实际操作中，受限于硬件等因素制约，高频瞬时交易在债券市场上的可实现性较低，5分钟则可以给交易者足够思考、下单和人工干预的时间，也有利于结合当下市场情况，避免不合常理的交易发生。

举例而言，对于2022年2月10日央行公布1月M2同比，实际值9.8%，市场一致预期9.39%，预期差=9.8%-9.39%=0.41%，由于公布在盘后，当日T收盘价为101.085，次日开盘1分钟最新价为100.76、收盘价为100.65，T_chg_train为(100.65-101.085)/101.085=-0.43%，T_chg_test为(100.65-100.76)/100.76=-0.11%，对应样本为（2022年1月M2同比，2022/2/10，0.41%，-0.43%，-0.11%）。上述数据搭建的重要假设之一为数据公布后最新一个交易日的收盘价能够及时定价预期差对债市带来的影响。

（二）建立样本数据反映的预期差与国债期货价格变动之间的联系

基于系列样本数据，我们建立（X,Y）二元关系：

1)X为样本预期差实际值。

2)对应的Y为高于（低于）X的样本里，预期差如期反映经济学逻辑的样本占比（预期差如期反映宏观逻辑的概率），也就是胜率的概念。通常逻辑下，当预期差反映的基本面表现好于市场预期，则利率理论上会上行，对应国债期货下跌；反之则反。

下面我们以社会消费品零售总额同比（社零同比）为例进行说明。首先我们统计2016年1月至2022年1月期间社零同比数据对应的所有样本合集，得到结果如下。

图表13：以社零同比为例构建数据单元

资料来源：万得资讯，中金公司研究部

然后我们将数据分为社零同比超预期和不及预期两个子集。对于超预期子集，将集合中的预期差从大到小排序，假设得到序列为（a,b,c,…）作为X轴，对应Y轴为（预期值>=a时符合宏观逻辑的样本占比，预期值>=b时符合宏观逻辑的样本占比，预期值>=c时符合宏观逻辑的样本占比，…）。对于不及预期的子集，将集合中的预期差从小到大排序，假设得到序列为（e,f,g,…）作为X轴，对应Y轴为（预期值<=e时符合宏观逻辑的样本占比，预期值<=f时符合宏观逻辑的样本占比，预期值<=g时符合宏观逻辑的样本占比，…）。根据两组（X,Y），我们可以画图得到社零同比预期差与国债期货价格表现间的对应关系，如下图所示。

图表14：社零同比预期差与国债期货价格表现对应关系（下图显示不包含极端数据）

资料来源：万得资讯，中金公司研究部

在上述两个图表中，我们将比较极端的数据点进行隐藏，极端数据点的选取逻辑为：对于超预期子集，不显示超预期幅度最大的9个点；对于低于预期子集，不显示不及预期幅度最大的9个点。这么做的主要逻辑在于，预期差越大有时并不意味着期货价格一定会跟随产生较大变动。在正常的逻辑理解中，预期差偏离越大，按理说这个数据足够“震撼”，应该会使得国债期货按照符合经济学逻辑的方向变化的概率越高。但事实上并非总是如此。一是需要考虑诸如春节效应、基数效应和季调方法不稳定带来的偏差，尤其是对于涉及到1-2月合并公布的一些数据而言，市场预期大幅偏离的情况多有发生；二是实际公布预期差和投资者本身的感知也不完全一致，投资者通过以往交易和投资经验的积累，很有可能在预期差实际落地时，会人为修正一些偏离，造成实际预期值和感知预期差之间有偏。由于最终交易还是基于投资者实际感受为主，进而可能会对大幅偏离的数据相对不敏感，数据的超预期变化也不见得让国债期货按照数字表面的经济学原理反映。比如今年1-2月份的统计数据是明显高于预期的，但这个高于预期与实际的中微观感受不同，数据高于预期的情况下，国债期货也未必是下跌的。类似这样的一些特殊情况还有不少。所以，预期差偏离很大的数据点反而显得波动性很大，这就是为何在数据显示时会隐藏一些极端样本。

最后针对每个经济数据，采用同样的方式得到该经济数据预期差与国债期货价格变动之间的相关性，每个经济数据指标会对应产生4个图表一一对应的关系，分别为基于T_chg_train生成的超预期和不及预期分析，以及基于T_chg_test生成的超预期和不及预期分析。总结每个经济数据预期差所呈现的特征，并以此为后续策略落地提供建仓指标。

三、经济数据预期差与国债期货价格变动相关性回测

数据集合的搭建在此略过，我们下面主要呈现样本区间内各经济数据预期差与国债期货价格变动之间的联系。我们以胜率60%为临界，对于4组（数据超预期，T_chg_train）、（数据不及预期，T_chg_train）、（数据超预期，T_chg_test）、（数据不及预期，T_chg_test）子集，在不考虑极端值扰动下（正偏离和负偏离最高的点各9个，合计扣减18个数据点），如果涉及T_chg_train的子集中出现基于某预期差X对应的Y（胜率）不低于60%的情况，我们就认为该经济指标预期差与国债期货价格变动联系较为紧密（符合宏观逻辑的概率足够高），反之则认为联系较弱；如果涉及，T_chg_test的子集中出现基于某预期差X对应的Y（胜率）不低于60%的情况，我们就认为该指标能在实操层面提供足够高的胜率，进而可被纳入下一步策略建仓信号的可选指标。我们观察到，有些经济数据指标，无论是基于T_chg_train，还是T_chg_test，其预期差与国债期货涨跌间的相关性均较好，而有些经济数据指标的相关性不是十分明显。

（一）比较符合宏观逻辑且实操层面胜率较高的经济数据指标

包括M1同比、M2同比、固定资产投资完成额累计同比（固投累计同比）、出口同比金额。

M1同比

M1代表狭义货币，是市场货币供应的重要指示性指标之一。当M1同比下降，代表社会货币供应增速变慢，折射经济活性偏弱。理论上，M1同比低于预期，利于利率下行、国债期货价格的上涨。从我们统计的样本区间数据表现来看，有如下观察：

图表15：M1同比预期差与国债期货价格表现对应关系（下图显示不包含极端数据）

资料来源：万得资讯，中金公司研究部

1)基于T_chg_train反映的情况来看，对于M1同比超预期的子集，不考虑极端值扰动下，并未出现高于预期差X时胜率Y不低于60%的情况，因此我们倾向于认为M1同比高于预期时，预期差与国债期货价格波动的相关性相对较弱。对于M1同比不及预期的子集，同样不考虑极端值扰动下，胜率不低于60%所对应的X值则有很多，比如当M1同比实际值弱于预期水平超过1.32时（预期差<=-1.32），胜率为60%；超过1.27时，胜率为62.5%；超过1.05时，胜率为64.7%；超过1时，胜率为66.7%；等等。可以看到，相比于M1同比超预期而言，市场对其低于预期的情况更为敏感。背后原因可能与样本所在区间有关。样本区间内，一是本身M1同比不及预期的情况更多，占比55%；二是M1同比实际值高于预期集中发生在2016年间，而2016年债市又处于“资产荒”阶段，投资者做多债券意愿较高，直到四季度货币政策边际转向，债市情绪开始反转。

图表16：M1同比预期差与10Y国债利率走势（左）；M1同比与10Y国债利率走势（右）

资料来源：万得资讯，中金公司研究部

2)基于更贴近实操交易层面的T_chg_test来看，对于M1同比不及预期的子集而言，实操上能实现盈利的概率要明显好于基于前述相关性分析得到的结果，且不及预期幅度越大，胜率的提升更明显；对于M1同比超预期的子集而言，当超预期幅度较高时，实操交易层面的胜率会有提升，但当超预期幅度低于0.6时，实操交易层面的胜率反而有所下降。

3)无论是超预期还是不及预期的子集，可以看到并非实际值与预期偏离越大、期货价格变动越符合宏观逻辑，反而当实际值与预期值的偏离超过某一幅度时，期货价格变动会与正常宏观逻辑相背离。进一步对实际与预期偏离幅度较大的样本核查来看，这种背离往往基于两种情形：1）某一特殊区间段内持续背离，比如2016年3月至2016年8月，M1同比实际值持续高于市场预期，但彼时“资产荒”推动债市持续走牛，进而期货价格并没有受M1同比超预期影响而走弱，反而在牛市做多意愿推动下单个交易日多表现为收涨行情；再比如2017年1月至2017年5月，监管趋严、去杠杆推动债市情绪转弱，该阶段监管和货币政策对债市影响占据主导，市场一定程度上对此前关注度相对较弱的经济数据表现相对不敏感。2）其他市场更为关注的金融数据影响占主导的情况。通常市场对金融数据的关注往往会先基于信贷同比、M2同比和社融同比，再到M1同比，因此当新增信贷明显好于预期时，即便M1同比弱于市场预期，投资者也会优先基于信贷的超预期表现而卖出债券，如果这种情况落在1月或者2月，会更为明显。因为M1本身会受春节错位等因素影响，市场在对这些月份的M1数据进行预估时，本身预期值漂移度会偏高，进而导致与实际值偏离较大的概率也会较高。典型的比如2021年3月10日公布的2021年2月金融数据，以及2022年2月10日公布2022年1月金融数据，虽然这两次M1同比均不及市场预期，但新增人民币贷款均明显超市场预期，进而期货也都表现为下跌行情而非上涨。

图表17：M1同比实际值与预期值偏离超1%情况下，期货价格变动与宏观逻辑背离的样本

资料来源：万得资讯，中金公司研究部

M2同比

M2代表的广义货币也是市场货币供应的重要指示性指标之一，且市场对M2的关注度要高于对M1的关注度。当M2同比上升，代表社会货币供应增速上升。理论上，M2同比低于预期，利于利率的下行、国债期货价格的上涨。对于M2同比预期差，观察如下：

图表18：M2同比预期差与国债期货价格表现对应关系（下图显示不包含极端数据）

资料来源：万得资讯，中金公司研究部

1)基于T_chg_train反映的情况来看，无论是M2同比实际值高于预期还是低于预期，我们都能找到相应的预期差X，对应胜率Y不低于60%的情况，从这点看，市场基于M2同比预期差所进行的债市价格校准可能更遵循宏观逻辑，基于M2同比预期差的交易策略可能比基于M1同比预期差要更好。超预期和不及预期子集的二者比较来看，市场似乎对M2同比超预期的情况更为敏感，胜率高点达77%；但对于不及预期而言，其实胜率也不低，高点也仍有66%。且M2同比不及预期的样本本身占比要更高，剔除极端值后的横轴X极值（-0.68）绝对水平也要高于超预期时的情况（0.34）。

2)基于更贴近实操交易层面的T_chg_test来看，与M1同比预期差效果相反，实操交易在多数情况下，得到的是更低的胜率。背后原因我们认为可能与市场对M2同比关注度更高，进而更有可能在瞬时对M2同比预期差作出反应。举例来讲，对于T日盘后公布的金融数据而言，M2同比预期差对国债期货价格的影响更多是体现在下一交易日（T+1）国债期货集中竞价期间，因此这种情况下，实际用来反映投资者瞬时或短期的预期修正情况应为T+1开盘价相对于T日收盘价的变化。而此后的交易则更多是对这一瞬时/短期预期修正的校正。

3)当M2同比实际值不及预期超过某一幅度时，胜率反而有所走低，与M1同比预期差反映的情况相似；但当M2同比实际值高于预期超某一幅度时，胜率有所走高。也就是说相比于大幅不及预期而言，市场对M2同比大幅超预期会更为敏感。进一步对实际与预期偏离幅度较大的样本核查来看，这种背离同样也多基于三种情形：①2017年金融严监管、去杠杆之际，整体债券市场表现偏弱，对应即便M2同比不及预期，市场在资金面和监管收紧导致的悲观预期下，债市做多情绪不足。②虽然M2同比不及预期，但新增信贷超预期，同时市场交易逻辑更多基于信贷表现，比如2021年2月公布2021年1月金融数据后，市场的表现与M2同比预期差背离。③特定事件，比如超预期信用违约等引发的资金面流动性冲击，也会导致市场交易逻辑更多基于这类特定事件的影响，金融数据是否超预期反而成为次要影响因素。比如2016年5月中铁物资信用债违约带来的冲击、2020年3月至4月疫情影响带来的冲击等。

图表19：M2同比实际值与预期值偏离超0.7%情况下，期货价格变动与宏观逻辑背离的样本

资料来源：万得资讯，中金公司研究部

固定资产投资完成额累计同比

固定资产投资完成额是在一定时期内建造和购置固定资产产生的工作量和费用的变化。理论上，固定资产投资上升，对应投资需求上升，利率上行；固定资产投资下行反之。由于固定资产投资数据1-2月合并公布，每年1月样本点空缺。观察来看：

图表20：固投累计同比预期差与国债期货价格表现对应关系（下图显示不包含极端数据）

资料来源：万得资讯，中金公司研究部

1)固投累计同比预期差与期货价格变动之间的联系整体强于M1同比预期差，同时弱于M2同比预期差。其预期差本身特性表现与M2同比预期差较为相近，预期差的极值并不高，基本偏离会控制在1%之内。市场同样对数据不及预期下的情况更为敏感。

2)相比于M2同比而言，基于固投累计同比预期差的实操交易在某些情况下会提高胜率，尤其是在数据超预期的情况下。虽然看似胜率提高比较大，但背后其实主要是样本数量较少所致。比如对于实际超预期幅度大于等于0.06%的情况，基于相关性分析和实操交易分析的样本总数均为16个，实操交易获得的符合逻辑的样本数共10个，相比于用于分析的样本多1个，这1个多出的样本基于16个样本总量，对胜率的提升幅度便有1/16=6.25%。

3)同前述两个数据，当实际值与预期值偏离超某一幅度时，胜率不升反降。对实际与预期偏离幅度较大的样本核查来看，固投累计同比预测效果比较差多数发生在市场对货币政策或基本面预期转向走弱阶段，且多集中在2020年4月下旬之后，即便是数据实际表现大幅不及预期，受限于资金面偏紧、市场对资金宽松预期较弱等影响，期货价格变动反而转跌。

图表21：固投累计同比实际值与预期值偏离超0.6%情况下，期货价格变动与宏观逻辑背离的样本

资料来源：万得资讯，中金公司研究部

出口同比

出口金额上升往往对应外需向好，对国内经济会有一定支撑，进而宏观逻辑上讲对利率会形成下行压力。观察来看：

图表22：出口同比预期差与国债期货价格表现对应关系（下图显示不包含极端数据）

资料来源：万得资讯，中金公司研究部

1)出口同比预期差与期货价格变动间的对应关系比较强，尤其是出口同比超预期下的表现亮眼。我们认为背后原因可能在于出口数据本身波动较大，且受基数、不确定性等扰动较大，进而导致市场的预测值与实际值偏离幅度往往较高，这点同M1同比表现出的情况类似。而对于市场而言，往往预期差越显著，对情绪的影响也就越直接。

2)但我们同样也观察到，对于大幅超预期的样本而言，反而期货价格表现和宏观逻辑背离，对这类样本筛查来看，多发生在2021年3月之后。在此期间，海外诸多经济体仍受到疫情影响复工复产偏慢，进而对中国出口依赖度仍较高，出口同比增速多数时间内表现亮眼并超市场预期；但与外需强劲形成对比的是内需的疲软，尤其是信贷需求放缓、地产走弱等，成为债市投资者更关注的风险点。在这种背景下，债市投资者对亮眼的出口数据反而变得相对不敏感。

3)多数情况下，基于预期差的实操交易胜率有所提升，尤其是出口同比实际值超预期的情形下，在不及预期时胜率提升相对有限。

（二）比较符合宏观逻辑但实操层面胜率不高的经济数据指标

包括新增社融当月值、CPI同比和PPI同比、社零同比。

当月新增社会融资规模

当月新增社融和人民币贷款通常具有季节性特征，因此市场通常分析时往往计算的是新增社融和新增信贷当月同比的增减，当月新增社融同比为正时，投资者会倾向于认为实体需求好于往年同期，对经济动能有支撑。考虑到新增社融预期值会受本身所在月份的影响与实际值的偏离绝对量差异较大，比如每年1月信贷开门红，往往会使新增社融和信贷出现高增的情况，在此情形下，投资者预期值和实际值的差异也会被动放大。因此在分析社融和信贷的特征时，实际值与预期值的计算采用相对偏离，即（实际值-预期值）/预测值。

图表23：新增社融当月值预期偏离与国债期货价格表现对应关系（下图显示不包含极端数据）

资料来源：万得资讯，中金公司研究部

观察来看：

1)相关性强弱方面，可以看到市场对社融实际值不及预期时更为敏感，对应期货价格符合宏观逻辑下跌的概率更大。进一步拆分实际值超预期值偏离度在20%之上的样本来看，一部分样本的偏离是发生在2016年“资产荒”助推的牛市环境下， 还有部分样本集中在2018年三季度至2019年一季度，同样也是经济承压、中长期信贷需求走弱阶段，剩余部分样本是受到了疫情、货币政策超预期转向等影响。

图表24：新增社融实际值高于预期值超20%情况下，期货价格变动与宏观逻辑背离的样本

资料来源：万得资讯，中金公司研究部

2)当实际值与预期值偏离幅度过大时，符合宏观逻辑的样本占比有所下降。其中高于预期幅度较大、不符合宏观逻辑的样本具体情况已有过分析，对于低于预期幅度较大且与宏观逻辑偏离的样本而言，多数受特殊事件或流动性边际收紧等影响，导致期货价格反而承压。比如背离比较明显的2020年3月，一方面当时公布的2月金融数据大幅不及预期是基于疫情扰动的背景下，投资者本身对数据的预估可能也存在一定偏差，因此对社融数据不及预期的容忍度也相对较高，另一方面，更为关键的影响因素在于彼时原油“黑天鹅”引发“美元荒”和境外资金流出压力加大，因此国债期货承压下跌。再比如2016年5月，则是受超预期信用事件扰动影响，流动性承压下期货下跌。

3)基于社融预期差的实操交易胜率反而有所下降，主要拖累来源于实际值与预期值偏离较大的样本。一个可能的解释在于，当实际值与预期值差异过大时，投资者的情绪释放会集中在盘前集合竞价或开盘初期，后续随着市场更多不同角度的解读出现，多空博弈也会增多，叠加日内其他因素扰动等影响，期货至收盘期间的走势可能会反转。

图表25：新增社融实际值与预期值偏离度较大时，情绪的释放会集中在开盘初期

资料来源：万得资讯，中金公司研究部

CPI同比和PPI同比

CPI同比和PPI同比均是用以衡量物价变动趋势，即通胀水平，通胀水平抬升往往对应着名义利率有上行压力。CPI同比和PPI同比反映的情况比较相似，我们合并分析。

图表26：CPI同比和PPI同比预期偏离与国债期货价格表现对应关系（下图显示不包含极端数据）

资料来源：万得资讯，中金公司研究部

1)相比之下，当通胀预期超预期时，期货价格表现符合宏观逻辑的占比会更高，表明市场对通胀超预期更为敏感。此外，通胀数据尤其是PPI同比不及预期幅度较大的情况多集中在货币政策稳健中性甚至边际收敛期，期货价格变动更主要的还是受资金面驱动影响。CPI和PPI对比来看，CPI同比不及预期超一定幅度时，符合宏观逻辑的样本占比有所提升，表明市场对大幅不及预期的CPI同比也相对敏感，但这个特征并没有出现在PPI预期差上。背后原因可能在于相比于工业品价格而言，市场更为关注的还是CPI同比和核心CPI同比，这一指标也与货币政策间的联系更为紧密。

2)同样，当实际值与预期值偏离幅度过大时，符合宏观逻辑的样本占比有所下降。根据样本筛选来看，与其他数据预期差类似，一部分是其他因素对债市主导占据上风，导致市场对通胀数据相对不敏感；另一部分则是集中在2021年期间。在此阶段CPI和PPI同比分化有所加大，上游工业品价格维持高位，但CPI同比和核心CPI同比则都维持在低位，债市交易更多围绕资金面、政策面、融资供需相对关系、海外扰动等展开。整体来看，价格水平并不能全面反映经济结构状况，它是货币政策关注的一部分而非整体，应结合经济、就业、信贷、收支等数据综合考虑价格水平与利率的相关性。

图表27：CPI同比实际值与预期值偏超0.20%以上情况下，期货价格变动与宏观逻辑背离的样本

资料来源：万得资讯，中金公司研究部

3)跟社融预期差表现类似，在实操实现层面，基于通胀预期差的交易胜率反而有所降低。背后原因也与社融情况相同。

社会消费品零售总额当月同比

社会消费品零售总额是指企业（单位）通过交易售给个人、社会集团，非生产、非经营用的实物商品金额，以及提供餐饮服务所取得的收入金额。当社会消费品零售总额上升，代表消费向好，时常伴随经济向上，对利率产生上行压力。观察社零样本反馈情况来看：

图表28：社零同比预期偏离与国债期货价格表现对应关系（下图显示不包含极端数据）

资料来源：万得资讯，中金公司研究部

1)只有当社零同比实际值与预期值相差较大时，期货价格变动符合宏观逻辑的占比更高。从经济学角度来看，我国经济增长并非由消费主要驱动，投资占据更大的比例，因此固投与债券收益率相对更高，而消费和债券收益率的相关性则相对弱一些。

2)在实操实现层面，基于预期差的交易胜率同样有所降低，尤其是社零不及预期的时候。

（三）不符合宏观逻辑同时实操层面胜率不高的经济数据指标

新增人民币贷款当月值

新增信贷可以有效反映实体的信贷需求，同社融数据一样，受数据季节性特征影响，投资者在分析信贷时，往往会看同比增量的情况，同比高增通常意味着实体信贷需求走强，债市会相对承压。与市场直观感受相反，新增人民币贷款预期差与国债期货价格变动间的联系反而较弱。我们认为背后潜在原因可能有二：

1)市场对人民币贷款的关注不单局限在总量层面，还会深入分析具体结构。如果总量增长比较亮眼超预期，但信贷结构比较差，比如同比多增多依靠短贷和票据融资等，投资者会担心实体有效的信贷需求可能反而是不及预期的，进而会更倾向于卖出债券而非买入。

2)当月新增信贷的大体情况可以通过包括票据融资利率、银行调研等数据得到一个大体较为准确的掌握，进而很多投资者会提前布局信贷预期差的交易。比如当投资者看到月末票据利率大幅回落，普遍会产生当月信贷需求可能仍偏弱的预期，进而提前布局买入，等实际数据落地后，反而会选择平仓获利了结。

图表29：新增人民币贷款当月值预期偏离与国债期货价格表现对应关系（下图显示不包含极端数据）

资料来源：万得资讯，中金公司研究部

工业增加值同比

工业增加值是指工业企业在报告期内以货币形式表现的工业企业生产活动的最终成果。当工业增加值上升，时常伴随经济向上，对利率产生上行压力。工增同比与国债期货变化统计上相关性也偏弱。我们认为有几点解释。第一，工业增加值是同投资、消费和地产等数据一起发布的。国债期货反映的是这些数据偏离预期的总体情况，工业增加值不是唯一因素。第二，工业增加值数据发布之前有制造业PMI，而制造业PMI对工业运行是一个比较完全的刻画，可能市场已经对工业变化做出了反应。所以在工业增加值公布时，市场对工业增加值的预期可能在PMI发布前就已经兑现了。第三，2016年供给侧改革之后，很长一段时间工业增加值都没有太大变化，这也会导致工业增加值与收益率之间相关性降低。

图表30：工业增加值同比预期偏离与国债期货价格表现对应关系（下图显示不包含极端数据）

资料来源：万得资讯，中金公司研究部

四、经济数据预期差与国债期货变动相关性总结

对各个经济数据指标梳理来看，总结观察如下：

1)预期差和国债期货价格变动间的相关性是非对称的，高于预期和低于预期两种情况下，国债期货价格变动符合宏观逻辑的占比也会有所差异。对于有的数据而言，国债期货价格会对超预期表现更敏感，比如出口同比、CPI同比、PPI同比、M2同比等；有的则是对不及预期表现更敏感，比如固投累计同比、社零同比、新增社融、M1同比。

2)实际值与预期值偏离越大并不意味着市场对其反应更敏感，多数相关性检验呈现的关系为，当实际值与预期值偏离超某一程度时，符合宏观逻辑的样本占比反而开始下降。背后原因可归纳为两类。一是预测值本身样本较少且波动较大，进而导致预测这一行为存在自偏离，比如M1同比。二是受市场环境和投资者当时优先关注点影响，比如在结构性“资产荒”主导的牛市环境中，即便经济数据表现超预期，但债券市场买盘支撑还是偏强；再比如在监管趋严、去杠杆债市承压的环境中，即便经济数据不及预期，投资者的关注还是会围绕政策和资金面潜在风险，进而债市情绪偏谨慎。因此可以看到，不同市场环境下，是会有债市表现与基本面脱钩的情况发生。

3)对于市场本身就高度关注的经济指标而言，投资者往往会提前布局预期差交易，在预期差落地后，反而会有止盈的操作，进而会出现实操的胜率低于相关性检验的情况，比如社融和信贷。当然，也有部分指标呈现了实操的胜率要高于相关性检验的胜率，这种情况一是受样本较小影响，导致只要新增1个符合逻辑的样本，其胜率就会有明显提升；二是多发生在盘中公布的数据上，更容易出现盘中受预期差影响期货突然拉升/走低的情况。

根据上述发现，对于下一步策略制定和实施，需要先明确可纳入策略信号的预期差观测数据，同时还需要依托相关性检验和实践检验，设定操作执行阈值。具体来看：

纳入策略信号的预期差数据：固投同比、出口同比、M2同比

图表31：各指标情况汇总

资料来源：万得资讯，中金公司研究部

适合纳入下一步策略信号指标的经济数据预期差包括固投累计同比、出口同比和M2同比。其余指标当中，社零同比、CPI同比、PPI同比、新增社融当月值通过了相关性检验（标准为最高胜率不低于60%），但没有通过实操检验，意味着基于这类经济数据预期差的交易可能并不适用于日内国债期货交易，但可能适用于现券交易。由于现券是场外交易，不受交易所开盘收盘限制，因此可以通过现券来制定相关策略。而工业增加值同比、新增人民币贷款当月值并没有通过相关性检验和实操检验，因此不被纳入后续指标遴选。此外，虽然M1同比预期差通过了两个检验，但由于提供M1同比预测值的机构家数较少，每月平均仅有4家左右的机构会对M1同比进行预测，人为干预扰动风险较大，因此也不被纳入下一轮指标的遴选。

针对上述三个指标，设定操作执行阈值

固投累计同比：

样本区间内固投累计同比预期差范围在[-26.19，1.16]，不考虑极端值情况下，预期差绝对值普遍分布在0到1之间，因此采用0.05的步长对样本情况进行梳理。从样本本身及符合逻辑样本分布情况来看，对于低于预期的样本，符合逻辑占比较高的情况集中分布在0.2%到0.9%区间内，因此对于低于预期时的阈值和操作可设为：-0.9%<固投累计同比实际值-预期值<=-0.2%时，做多国债期货。对于高于预期的样本，符合逻辑占比较高的情况集中分布在0.05至0.3区间内，因此对于高于预期时的阈值和操作可设为：0.05%<=固投累计同比实际值-预期值<0.3%时，做空国债期货。

图表32：固投累计同比预期差分布与符合宏观逻辑样本占比情况

资料来源：万得资讯，中金公司研究部

出口同比：

样本区间内固投累计同比预期差范围在[-33.88，112.78]，不考虑极端值情况下，预期差绝对值普遍分布在0到20之间，因此采用1的步长对样本情况进行梳理。从样本本身及符合逻辑样本分布情况来看，对于低于预期的样本，符合逻辑占比较高的情况集中分布在1至11区间内，因此对于低于预期时的阈值和操作可设为：-11%<出口同比实际值-预期值<=-1%时，做多国债期货。对于高于预期的样本，符合逻辑占比较高的情况集中分布在1至20区间内，因此对于高于预期时的阈值和操作可设为：1%<=出口同比实际值-预期值<20%时，做空国债期货。

图表33：出口同比预期差分布与符合宏观逻辑样本占比情况

资料来源：万得资讯，中金公司研究部

M2同比：

样本区间内M2同比预期差范围在[-1.35，2.3]，预期差波动不大，因此采用0.05的步长对样本情况进行梳理。从样本本身及符合逻辑样本分布情况来看，对于低于预期的样本，符合逻辑占比较高的情况集中分布在0.15至0.25区间内，因此对于低于预期时的阈值和操作可设为：-0.25%<m2< span="">同比实际值-预期值<=-0.15%时，做多国债期货。对于高于预期的样本，符合逻辑占比较高的情况集中分布在0.3至0.65区间内，因此对于高于预期时的阈值和操作可设为：0.3%<=M2同比实际值-预期值<0.65%时，做空国债期货。

图表34：M2同比预期差分布与符合宏观逻辑样本占比情况

资料来源：万得资讯，中金公司研究部

图表35：纳入信号指标的阈值设定

资料来源：万得资讯，中金公司研究部

五、策略实现及回测效果

基于前述设定的建仓标准，约定国债期货建仓后以建仓当日收盘价平仓，同时假设日内开平仓手续费为0.03%，期货杠杆为10倍，每次买入相同手数的国债期货。基于上述三个指标我们回测基于每个指标单独的策略盈亏，以及三个指标合并的策略盈亏。回测区间选择上，虽然通常量化回测区间应与样本区间避免重叠，但受限于目前样本数量较少约束，我们将其设定在2019年1月至2022年4月。具体回测效果如下。

只基于固投累计同比

固投累计同比预期差的回测胜率达到62.5%，最大回撤3.6%，扣减费用成本后的区间累计回报率4.8%。表现相对欠佳的情况主要发生在2019年下半年，回溯训练检验样本情况来看，国债期货价格对固投累计同比反应不符合预期的样本也多集中在2019年8月之后。不过基于固投累计同比预期差策略的交易频率较低，甚至会出现长达一年没有建仓的情况，实际策略执行可行性方面有待商榷。

图表36：固投累计同比预期差策略回测

资料来源：万得资讯，中金公司研究部

只基于出口同比

胜率70%，最大回撤3.7%，扣减费用成本后的区间累计回报率10.9%，且交易频率足够高。

图表37：出口同比预期差策略回测

资料来源：万得资讯，中金公司研究部

只基于M2同比

策略表现较好，胜率73%，最大回撤2.3%，扣减费用成本后的区间累计回报率7.1%，交易频率相对固投累计同比明显更高，但相对低于出口同比。

图表38：M2同比预期差策略回测

资料来源：万得资讯，中金公司研究部

三个指标合并效果

合并效果来看，策略整体胜率较高大69.8%，交易窗口占观测窗口比例接近50%，最大回撤4.9%，扣减费用成本后的区间累计回报率达24.4%。多数收益贡献来自于对出口同比预期差信号的捕捉。整体来看，我们认为基于预期差的交易策略可为投资者提供相对可观的回报率。

图表39：合并预期差策略回测

资料来源：万得资讯，中金公司研究部

策略在年初至今的表现

整体来看年初至今策略净值表现在4月中上旬之前表现良好，但此后有所承压净值下跌，同时胜率下滑。背后原因拆解来看也比较符合市场实际情况。4月中下旬以来，长端10Y国债利率走势整体与基本面和政策面小幅脱钩，市场彼时关注更多的是疫情进展、资金面预期、海外政策扰动、信贷需求疲弱下的“资产荒”格局等影响，进而对数据预期差敏感度降低。且梳理来看，三次信号捕捉失败中，有两次来自于出口同比，相比于外需景气度而言，市场年初至今更加关注内需是否好转，进而反映内生经济动能强弱的指标对债市的影响会更大；另一次信号的捕捉失败则来自于5月公布的4月M2同比，虽然4月M2同比超预期，但信贷大幅走弱不及预期，且结构上对票据的依赖度进一步提升，市场对金融数据的整体解读是不及市场预期，进而做多债券意愿占主动，带动当天利率下行、期货上涨。

图表40：策略年初至今具体执行情况

资料来源：万得资讯，中金公司研究部

六、策略潜在优化空间及应用

从回测表现看，基于选定经济预期差的量化策略可以为投资者提供相对较好的回报表现和胜率，对投资者在国债期货投资和交易方面可以起到一定程度的帮助。但受限于样本总量等约束，上述策略是否能长期有效仍值得观察，同时策略自身也有进一步优化的空间。具体来看：

►由于样本较少，用于量化训练（train set）的样本集合和用于检测实际效果的样本（test set）集合有重叠，进而可能导致回测效果高估了策略的实际胜率和回报率。如果只看训练样本外的情况（2022年3月至今），公布的9个经济数据时间点上，出现建仓指标的截点有5个，但胜率仅为40%，10倍杠杆且扣减费用成本后的区间累计回报率为0.72%。因此该策略的真实有效性可能仍需更多的时间进行检验。

►目前策略提供的平仓时点统一为建仓当日的收盘时点，交易频率不够细化。实际国债期货交易中，投资者日内高频交易的情况并不在少数，尤其是针对经济数据的公布，市场日内波动最大的阶段也往往集中在经济数据刚公布的几分钟之内。而基于预期差交易本身赚的也主要是预期差出现瞬时市场情绪变化引发国债期货波动的收益。因此，其实可以更精细化的将平仓时点适度提前，基于更高频的日内区间限制重新进行策略指标的选择和相对应的阈值设定。比如可以借助日内高频数据，只使用数据公布时点至公布后30分钟内的价格波动作为样本，回溯、检验并设定相关策略。

►虽然量化策略理论上应尽量减少人为主观干预，但由于当前影响债市的因素已不仅仅局限于经济基本面，包括政策面、资金面、供需、海外市场等均会对债券市场和投资者情绪产生不低的影响，且不同时期投资者关注的侧重点也会有所不同。比如虽然2016年经济动能整体爬坡向上，但市场彼时更多受到的是“资产荒”影响，债券利率整体仍在下行；2021年二季度至今，基本面尤其是信贷需求虽有所走弱，但债券投资者仍会对货币政策和资金面宽松产生一定犹疑，进而对货币政策以及海外市场的关注度有所提升。针对这一情况，我们认为可以在现有的策略基础上进行进一步优化，对于阈值设定可以采取更为灵活的方式，比如增加经济基本面重要度调节项，对阈值进行加权操作。当市场对经济基本面关注度相对较弱时，可以适度提升阈值的上限。因为这种情况下，往往只有当实际值与市场预期值偏离较高时，才会引起市场的关注。

►本策略核心围绕的是经济数据预期差，计算预期差时我们采取的是万得一致预期，这背后也是基于了一个较强的假设，即万得一致预期可以并足够代表市场大多数投资者对经济数据的预估。但该假设并不是一个完美假设。比如我们看到每月平均会给出M1同比预测的机构家数普遍较少，进而即便是M1同比预期差通过了检验，但由于不足以满足基本假设条件，我们也会降之弃用。对于其他指标而言，虽然提供预测的机构家数较多，但也无法穿透到具体给出预测的机构类别以及预测样本，因此一方面不利于剔除极端扰动的预测值，另一方面也不太好评估预测本身是否有足够的代表性。一个潜在的优化在于，对于部分买方机构而言，其自身往往也会定期收集各卖方对经济数据的预测，因此这类机构其实也可以根据自行掌握的经济数据预测样本，替换万得万得一致预期进行策略检验和设定。其好处在于，一是解决了预测样本不透明的问题，二是机构也可以根据自身判断，计算加权平均预期值，对于过往预测值表现更贴合市场交易情绪的机构予以更高的权重，同时还可以剔除掉极端异常值的扰动。

总结来看，对于策略的优化，我们认为可以把握三个方向。一是基于经济数据预期差的交易，在量化层面也可以有的放矢，可以适度的增加主观调节项。与股票量化交易不同，目前债券市场投资者构成以机构为主，诸多在股票量化交易中可行的假设，在债券市场上可能并不适用。因此对于债券的量化交易，其最终的框架搭建仍需配合对债市基本面的理解，我们也相对更看好量化和固收基本面研究结合的广阔前景。第二，部分机构对经济数据预期差的把握可能存在信息优势，能够收集到比万得一致预测更为有说服力和代表性的样本，这类机构应该利用相关优势，对策略进一步优化。第三，缩短交易持仓周期，尽量降低其他非经济预期差因素对国债期货价格的干扰，重新评估是否能提高策略的胜率和回报率。

此外，从我们策略最终区间回报来看，虽然经济数据的公布每月只有一次，但是这些数据揭示了宏观经济的走向，对债券利率和价格的影响也会起到决定意义。通过量化模型，如果有胜率较高的策略，那么一年下来如果能准确的抓住3-5次的机会，其实也可以获得不俗的回报，日积月累就是非常可观的收益。所以量化策略不一定要追求高频，而是要追求胜率。

整体而言，固收领域的量化研究其实是一个尚待开拓的广阔领域，各种方向，各种策略其实都有很多可以尝试的地方。即使是本报告的模型和策略，未来我们也还有更多可以提升和完善的空间。在国债期货或者利率债的量化领域，未来我们还会做更多的尝试和思考，希望推动市场的发展。也欢迎投资者与我们进行交流，共同进步。

文章来源

本文摘自：2022年6月2日已经发布的《通过经济数据预期差进行国债期货交易——固收量化探索系列》

陈健恒，SAC执业证书编号：S0080511030011 SFC CE Ref: BBM220

范阳阳，SAC执业证书编号：S0080521070009

张亦弛，SAC执业证书编号：S0080121120144

东    旭，SAC执业证书编号：S0080519040002 SFC CE Ref: BOM884

法律声明

向上滑动参见完整法律声明及二维码