摘? ?要

　　機(jī)構(gòu)行為研究對(duì)債券投資交易策略制定及風(fēng)控具有重要意義。本文主要分析了機(jī)構(gòu)投資者在債券市場(chǎng)中的交易行為及其對(duì)市場(chǎng)動(dòng)態(tài)的影響。利用中國(guó)外匯交易中心的日頻現(xiàn)券交易數(shù)據(jù)，本文首先識(shí)別了機(jī)構(gòu)投資者的交易偏好，隨后通過(guò)測(cè)算交易勝率來(lái)評(píng)估其市場(chǎng)預(yù)測(cè)能力。最后，本文構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，輸入現(xiàn)券交易數(shù)據(jù)，對(duì)債券收益率變動(dòng)進(jìn)行預(yù)測(cè)。研究結(jié)果不僅為理解機(jī)構(gòu)行為提供了新的視角，也為債券投資者制定投資策略和防范風(fēng)險(xiǎn)提供了一定參考。

　　關(guān)鍵詞

　　債市機(jī)構(gòu)行為　現(xiàn)券交易領(lǐng)先指標(biāo)神經(jīng)網(wǎng)絡(luò)債券收益率預(yù)測(cè)

　　引言

　　機(jī)構(gòu)投資者憑借其規(guī)模優(yōu)勢(shì)、信息獲取能力以及高效的信息處理能力，在資本市場(chǎng)中扮演著日益重要的角色。在債券市場(chǎng)中，這一現(xiàn)象尤為顯著，因?yàn)闄C(jī)構(gòu)投資者是市場(chǎng)流動(dòng)性的主要提供者和交易的主導(dǎo)力量，所以機(jī)構(gòu)行為已成為債市的關(guān)鍵觀察指標(biāo)。機(jī)構(gòu)投資者的交易策略、風(fēng)險(xiǎn)偏好和市場(chǎng)預(yù)期等行為特征，對(duì)債券收益率曲線、市場(chǎng)流動(dòng)性以及價(jià)格發(fā)現(xiàn)機(jī)制都有著深遠(yuǎn)的影響。過(guò)去，受限于交易明細(xì)數(shù)據(jù)的可得性，相關(guān)研究通常依賴于月頻的托管數(shù)據(jù)，時(shí)間相對(duì)滯后。隨著金融科技的發(fā)展和市場(chǎng)基礎(chǔ)設(shè)施的完善，現(xiàn)券交易數(shù)據(jù)的顆粒度得到提升，使得市場(chǎng)對(duì)機(jī)構(gòu)行為的研究越來(lái)越精細(xì)和深入。本文主要依據(jù)中國(guó)外匯交易中心發(fā)布的日頻現(xiàn)券市場(chǎng)交易數(shù)據(jù)，首先通過(guò)對(duì)債市參與機(jī)構(gòu)凈買入數(shù)據(jù)的分析，把握機(jī)構(gòu)的投資交易行為偏好；其次對(duì)機(jī)構(gòu)的交易勝率進(jìn)行測(cè)算，進(jìn)而探尋部分機(jī)構(gòu)行為領(lǐng)先因子；最后在機(jī)構(gòu)交易數(shù)據(jù)的基礎(chǔ)上運(yùn)用神經(jīng)網(wǎng)絡(luò)模型對(duì)債市收益率的變動(dòng)進(jìn)行預(yù)測(cè)，以期在債券投資上能提供一些有益的參考。

　　銀行間債券市場(chǎng)參與機(jī)構(gòu)交易行為概覽

　　我國(guó)的債券市場(chǎng)主要分為銀行間市場(chǎng)和交易所市場(chǎng)。根據(jù)中國(guó)人民銀行數(shù)據(jù)，截至2024年6月末，銀行間市場(chǎng)債券托管規(guī)模約為144萬(wàn)億元，占比達(dá)87.5%。銀行間市場(chǎng)依然是債券交易的最主要場(chǎng)所，因此本文主要依據(jù)現(xiàn)券交易日?qǐng)?bào)對(duì)銀行間市場(chǎng)的機(jī)構(gòu)交易行為進(jìn)行分析。

　　現(xiàn)券交易日?qǐng)?bào)數(shù)據(jù)包括機(jī)構(gòu)、交易日期、債券期限、券種和凈買入規(guī)模五個(gè)維度。機(jī)構(gòu)主要包括12類，分別是國(guó)有大行/政策性銀行（以下簡(jiǎn)稱“大行”）、股份行、城商行、農(nóng)商行、外資行、券商、基金、貨幣基金、保險(xiǎn)、理財(cái)、其他產(chǎn)品1和其他機(jī)構(gòu)2。

　　從各機(jī)構(gòu)凈買入數(shù)據(jù)可見(jiàn)，銀行間市場(chǎng)上的凈買入機(jī)構(gòu)和凈賣出機(jī)構(gòu)劃分整體較為穩(wěn)定。凈買入機(jī)構(gòu)主要包括農(nóng)商行、基金、理財(cái)、保險(xiǎn)、其他產(chǎn)品、其他機(jī)構(gòu)和外資行，凈賣出機(jī)構(gòu)主要包括股份行、城商行和券商（見(jiàn)圖1）。大行和貨幣基金凈買入穩(wěn)定性較弱。凈賣出機(jī)構(gòu)主要受到其在一級(jí)市場(chǎng)認(rèn)購(gòu)、二級(jí)市場(chǎng)分銷的影響，因此呈現(xiàn)出持續(xù)的凈賣出行為，對(duì)分析該類機(jī)構(gòu)的真實(shí)交易偏好有所干擾。下文集中在對(duì)凈買入規(guī)模較大的主要凈買入機(jī)構(gòu)的分析上，具體包括農(nóng)商行、基金、理財(cái)、保險(xiǎn)和其他產(chǎn)品，其他機(jī)構(gòu)由于2022年中口徑發(fā)生變化暫不考慮。

　　各機(jī)構(gòu)交易行為偏好原因分析

　　機(jī)構(gòu)行為偏好背后的根源是負(fù)債來(lái)源，同時(shí)疊加了監(jiān)管約束和考核機(jī)制不同的影響，因此本文著重從負(fù)債角度分析機(jī)構(gòu)行為偏好原因。各機(jī)構(gòu)分券種及特定券種分期限平均買入量占比請(qǐng)見(jiàn)圖2、圖3、圖4。按現(xiàn)券交易日?qǐng)?bào)分類，券種分為國(guó)債、政策性金融債（以下簡(jiǎn)稱“政金債”）、地方政府債、中票、短融、超短融、企業(yè)債、資產(chǎn)支持證券、其他和同業(yè)存單。為便于分析，本文將中票、短融、超短融、企業(yè)債、資產(chǎn)支持證券和其他統(tǒng)一歸類為信用債。

　　（一）農(nóng)商行

　　分券種來(lái)看，農(nóng)商行偏好買賣國(guó)債、政策性金融債和同業(yè)存單。具體到期限，國(guó)債主要偏好10年期和30年期，政策性金融債偏好10年期。從負(fù)債角度看，銀行的負(fù)債以存款為主，規(guī)模相對(duì)穩(wěn)定，通過(guò)同業(yè)存單等方式也可以快速補(bǔ)充。此外，銀行受資本充足率及流動(dòng)性比率的約束比較大。較為穩(wěn)定的負(fù)債以及對(duì)高度安全性的追求對(duì)銀行的債券資產(chǎn)配置特點(diǎn)有所影響。一方面，銀行自營(yíng)風(fēng)險(xiǎn)偏好較低，更多配置資本占用少的利率債及流動(dòng)性較好的同業(yè)存單；另一方面，銀行的債券資產(chǎn)規(guī)模較大，并且大部分是持有至到期賬戶，需要配置長(zhǎng)久期的債券獲取票息收益。

　?。ǘ┗?/p>

　　分券種來(lái)看，基金偏好政策性金融債和信用債。具體到期限，政策性金融債10年期買入占比最高，信用債以3年期及以下的短久期券種為主，其次是10年期及以上的長(zhǎng)期和超長(zhǎng)期券種。從負(fù)債角度看，基金以債券型基金的占比最高，債券基金的資金來(lái)源主要是機(jī)構(gòu)投資者，尤其是銀行自營(yíng)和保險(xiǎn)。因此，基金的負(fù)債穩(wěn)定性相對(duì)較弱，對(duì)流動(dòng)性和相對(duì)收益的要求較高，決定了基金需要通過(guò)加杠桿、拉久期和資質(zhì)下沉等策略提高收益水平，在市場(chǎng)上更多表現(xiàn)為交易型資金。體現(xiàn)在債券資產(chǎn)配置上，基金需要更多地配置絕對(duì)收益較高的信用債；利率債方面，由于其他機(jī)構(gòu)投資者通過(guò)基金投資政策性金融債的利息收入具有免稅效應(yīng)，因此利率債投資以政策性金融債為主。久期上，資本利得是相對(duì)收益的重要來(lái)源，因而多選擇交易長(zhǎng)久期的利率債，信用債則在綜合考慮風(fēng)險(xiǎn)收益的情況下多選擇短久期，長(zhǎng)期和超長(zhǎng)期信用債多為其他類信用債（含銀行二級(jí)資本債）。

　?。ㄈ├碡?cái)

　　分券種來(lái)看，理財(cái)偏好信用債和同業(yè)存單。具體到期限，信用債以3年期及以下短久期為主。從負(fù)債角度看，理財(cái)?shù)馁Y金主要來(lái)源于個(gè)人投資者，風(fēng)險(xiǎn)偏好較低，對(duì)虧損的容忍程度一般，一旦發(fā)生破凈就傾向于選擇贖回。另外，對(duì)相對(duì)收益的考核要求也影響了理財(cái)?shù)膫Y產(chǎn)配置。理財(cái)需要投資絕對(duì)收益較高的信用債和同業(yè)存單，考慮到流動(dòng)性和控制回撤，久期上多選擇中短久期。

　?。ㄋ模┍ｋU(xiǎn)

　　分券種來(lái)看，保險(xiǎn)在地方債、國(guó)債、信用債和同業(yè)存單上的買入較為平均。具體到期限，政府債以超長(zhǎng)期為主，信用債以10年期和超長(zhǎng)期占比最高。從負(fù)債角度看，保險(xiǎn)的資金主要來(lái)源于壽險(xiǎn)的保費(fèi)收入，負(fù)債期限長(zhǎng)，穩(wěn)定性強(qiáng)，收益要求高于存款和短久期資管。因此，資產(chǎn)配置上，保險(xiǎn)會(huì)選擇長(zhǎng)期和超長(zhǎng)期品種，在兼顧流動(dòng)性和收益的情況下對(duì)利率債和信用債均衡配置。

　?。ㄎ澹┢渌a(chǎn)品

　　分券種來(lái)看，其他產(chǎn)品同基金和理財(cái)一樣，信用債占比最高，利率債占比則介于基金和理財(cái)之間。具體到期限，類似于基金和理財(cái)，其他產(chǎn)品的信用債也是3年期及以下期限占比最高，超長(zhǎng)期信用債占比高于基金和理財(cái)，利率債主要偏好長(zhǎng)久期。從負(fù)債角度看，以券商資管為例，過(guò)去由于資管新規(guī)的影響，券商資管的通道業(yè)務(wù)迅速下降，存量規(guī)模呈下行趨勢(shì)，但在2024年4月打擊手工補(bǔ)息后，存款資金部分流向券商資管，這部分資金對(duì)流動(dòng)性和相對(duì)收益率要求較高，資產(chǎn)配置上對(duì)超長(zhǎng)信用債的需求也更大。

　　機(jī)構(gòu)交易勝率測(cè)算和領(lǐng)先因子探尋

　?。ㄒ唬C(jī)構(gòu)交易勝率測(cè)算

　　為衡量各類機(jī)構(gòu)在債市交易表現(xiàn)如何，本文引入勝率這個(gè)指標(biāo)。勝率的定義為：若買入后若干交易日期間利率下行，或賣出后若干交易日期間利率上行，則計(jì)為一次成功操作，反之則反。由于信用債收益率變動(dòng)的趨勢(shì)基本與利率債一致，因此本文以主要利率債交易品種10年期國(guó)債為例按年份進(jìn)行交易勝率測(cè)算。機(jī)構(gòu)的二級(jí)市場(chǎng)交易行為變動(dòng)對(duì)債券收益率的影響可能更偏短期，中長(zhǎng)期的利率走勢(shì)或更多與宏觀經(jīng)濟(jì)基本面有關(guān)，因此本文主要測(cè)算短期交易勝率，測(cè)算區(qū)間分別選擇5個(gè)交易日（見(jiàn)圖5）和10個(gè)交易日（見(jiàn)圖6），勝率按年份進(jìn)行統(tǒng)計(jì)，2021年從7月初起算，2024年截至6月末。

　　通過(guò)前述對(duì)機(jī)構(gòu)的交易勝率的測(cè)算，本文發(fā)現(xiàn)，測(cè)算區(qū)間為5天時(shí)，機(jī)構(gòu)交易勝率相對(duì)分化較大，基金的勝率相對(duì)偏低。這可能和基金的交易風(fēng)格有關(guān)，基金的杠桿操作使其傾向于動(dòng)量交易，容易出現(xiàn)超買和超賣的現(xiàn)象，短期內(nèi)或放大收益率波動(dòng)，導(dǎo)致市場(chǎng)情緒出現(xiàn)反轉(zhuǎn)。除基金外其余主要買入機(jī)構(gòu)的勝率基本在50%以上，一方面意味著各機(jī)構(gòu)能識(shí)別和利用市場(chǎng)機(jī)會(huì)，另一方面可能也和機(jī)構(gòu)投資風(fēng)格相對(duì)穩(wěn)健有關(guān)。

　　當(dāng)測(cè)算區(qū)間調(diào)整為10天時(shí)，各主要買入機(jī)構(gòu)的勝率分化現(xiàn)象有所收斂，包括基金在內(nèi)的主要買入機(jī)構(gòu)的勝率基本在50%以上，顯示在該區(qū)間內(nèi)，基金的動(dòng)量交易的收益或更加穩(wěn)定。另外也在一定程度上說(shuō)明，買入機(jī)構(gòu)總體上可以對(duì)市場(chǎng)短期趨勢(shì)進(jìn)行有效識(shí)別，通過(guò)機(jī)構(gòu)交易數(shù)據(jù)的挖掘，能夠發(fā)現(xiàn)債市趨勢(shì)或反轉(zhuǎn)信號(hào)，從而輔助進(jìn)行交易決策。

　?。ǘ╊I(lǐng)先因子探尋

　　債券收益主要有以下兩種來(lái)源：一是票息收入，二是資本利得。拉長(zhǎng)久期和加杠桿是可以放大以上兩種來(lái)源的工具。久期越大，杠桿越高，可以獲得的票息收入越多，資本利得的波動(dòng)也越大。因此，在利率下行階段，機(jī)構(gòu)通常使用拉長(zhǎng)久期和加杠桿來(lái)增厚收益。通過(guò)分析二級(jí)市場(chǎng)的現(xiàn)券交易數(shù)據(jù)，我們可以對(duì)久期和買賣強(qiáng)度進(jìn)行測(cè)度。這些指標(biāo)不僅有助于評(píng)估市場(chǎng)交易情緒，還能為預(yù)測(cè)未來(lái)債券收益率的走勢(shì)提供重要參考。

　　因此，針對(duì)久期以及買賣強(qiáng)度，本文主要觀測(cè)3個(gè)因子：一是長(zhǎng)久期債券交易活躍度，主要以各機(jī)構(gòu)10年期以上國(guó)債的買入量占所有國(guó)債買入量的比重作為衡量活躍度的觀測(cè)指標(biāo)；二是買賣強(qiáng)度，凈買入量較大實(shí)際上代表了機(jī)構(gòu)的買入強(qiáng)度高，短期情緒較好；三是經(jīng)久期調(diào)整的買賣強(qiáng)度，由于考慮到機(jī)構(gòu)合計(jì)凈賣出會(huì)使得加權(quán)久期產(chǎn)生誤導(dǎo)性的結(jié)果，因此本文采用各期限債券久期的總量度量，即使用各期限的債券凈買入量與相應(yīng)久期相乘之和。它顯示了在一定時(shí)期內(nèi)，投資者傾向于購(gòu)買哪些期限的債券，以及這種傾向的強(qiáng)度。相較長(zhǎng)債交易活躍度，該因子考慮了機(jī)構(gòu)偏謹(jǐn)慎時(shí)短久期策略的運(yùn)用以及買入的強(qiáng)度；相較買賣強(qiáng)度，該因子考慮了久期的影響，整體來(lái)看結(jié)合了前兩者的優(yōu)點(diǎn)。在當(dāng)前債券中樞整體下行的背景下，市場(chǎng)更為關(guān)心階段反轉(zhuǎn)的信號(hào)，而市場(chǎng)情緒的演繹更易由交易型資金來(lái)主導(dǎo)。因此本文以基金為例檢驗(yàn)3個(gè)因子與30年期國(guó)債收益率的關(guān)系（見(jiàn)圖7）。為便于觀察，本文對(duì)3個(gè)因子進(jìn)行了等比縮放處理。

　　可以發(fā)現(xiàn)經(jīng)久期調(diào)整的買賣強(qiáng)度因子（因子3）與買賣強(qiáng)度因子（因子2）的走勢(shì)較為一致，并且通常對(duì)因子2的極值有放大的作用，能夠更好反映市場(chǎng)情緒的極端變化。根據(jù)歷史數(shù)據(jù)規(guī)律，極值的定義為最近3個(gè)月內(nèi)因子的絕對(duì)值達(dá)到最大并且超過(guò)近3個(gè)月均值的3倍。因子1對(duì)債券收益率變動(dòng)方向有一定指示作用，但在收益率快速下行階段表現(xiàn)可能會(huì)有所鈍化，無(wú)法準(zhǔn)確反映市場(chǎng)情緒的極端變化。綜合而言，因子3對(duì)市場(chǎng)情緒的反應(yīng)更為靈敏，當(dāng)因子3處于極大值時(shí)，通常意味著當(dāng)前市場(chǎng)的樂(lè)觀情緒達(dá)到極致，利率到達(dá)階段低點(diǎn)，短期內(nèi)收益率多有上行；因子3處于極小值時(shí)，短期內(nèi)收益率延續(xù)上行趨勢(shì)或進(jìn)入震蕩行情。對(duì)這個(gè)規(guī)律的解釋可能有以下幾點(diǎn)：一是前期基金積累了較多的浮盈，市場(chǎng)的微小變動(dòng)容易引發(fā)止盈情緒的快速增加，可以看到極小值通常跟隨著極大值出現(xiàn)；二是基金對(duì)組合久期的快速調(diào)整可能顯示資金面有所收斂、政策風(fēng)險(xiǎn)加大或基本面出現(xiàn)改善跡象，基金交易的靈活性使其具有一定領(lǐng)先性；三是基金的大量賣出代表市場(chǎng)恐慌情緒較重，短期內(nèi)由于慣性驅(qū)使會(huì)繼續(xù)上行。

　　盡管因子3能為我們指示某些時(shí)段內(nèi)的市場(chǎng)動(dòng)向，但其局限性也不容忽視，如因子對(duì)時(shí)間窗口具有敏感性，以及單因子難以反映市場(chǎng)的多重影響。為了增強(qiáng)預(yù)測(cè)的魯棒性并捕捉更全面的市場(chǎng)行為，我們進(jìn)一步采用更為前沿的方法——基于現(xiàn)券交易數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型。

　　基于現(xiàn)券交易數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)債券收益率變動(dòng)

　　傳統(tǒng)的債券收益率預(yù)測(cè)方法，如時(shí)間序列分析、回歸模型等，雖然在一定程度上能夠捕捉到收益率的變化趨勢(shì)，但它們往往受限于模型的線性假設(shè)，難以充分捕捉市場(chǎng)數(shù)據(jù)的非線性特征和復(fù)雜動(dòng)態(tài)。隨著人工智能技術(shù)的發(fā)展，尤其是神經(jīng)網(wǎng)絡(luò)算法在金融領(lǐng)域的應(yīng)用日益廣泛，為債券收益率的預(yù)測(cè)提供了新的思路和工具。神經(jīng)網(wǎng)絡(luò)是一種強(qiáng)大的非線性模型，能夠通過(guò)學(xué)習(xí)大量歷史數(shù)據(jù)中的復(fù)雜模式和關(guān)系，對(duì)債券收益率的變動(dòng)進(jìn)行建模和預(yù)測(cè)。通過(guò)構(gòu)建適當(dāng)?shù)纳窠?jīng)網(wǎng)絡(luò)架構(gòu)，可以有效地處理和分析歷史機(jī)構(gòu)凈買入數(shù)據(jù)和國(guó)債收益率數(shù)據(jù)，從而探索機(jī)構(gòu)行為對(duì)債市收益率的影響。

　?。ㄒ唬┠Ｐ驮?/p>

　　神經(jīng)網(wǎng)絡(luò)模型（見(jiàn)圖8）通常可以分為輸入層、隱藏層和輸出層，其中隱藏層和每個(gè)隱藏層中的神經(jīng)元數(shù)目均可以有多個(gè)。為了尋找輸入數(shù)據(jù)X和真實(shí)數(shù)據(jù)Y之間的關(guān)系，需要初始化輸入層到隱藏層神經(jīng)元的權(quán)重和偏置，再經(jīng)過(guò)非線性函數(shù)激活、加權(quán)求和，最終到達(dá)輸出層。由于激活函數(shù)是非線性，使得模型可以描述X和Y之間更復(fù)雜的關(guān)系。此時(shí)模型輸出的Y’和真實(shí)數(shù)據(jù)Y尚存在差距，這個(gè)差距會(huì)通過(guò)目標(biāo)函數(shù)來(lái)衡量，目標(biāo)函數(shù)越小，代表Y’越接近于Y。之后，模型根據(jù)設(shè)置的學(xué)習(xí)率不斷迭代更新初始權(quán)重和偏置，并采用隨機(jī)梯度下降算法求解目標(biāo)函數(shù)局部最小值，即達(dá)到對(duì)Y的最優(yōu)預(yù)測(cè)。

　?。ǘ?shù)據(jù)預(yù)處理

　　具體數(shù)據(jù)選擇上，本文的輸入數(shù)據(jù)主要使用當(dāng)日（t日）和歷史的國(guó)債收益率曲線，以及各機(jī)構(gòu)國(guó)債的凈買入數(shù)據(jù)，期限選擇上包含短期、長(zhǎng)期和超長(zhǎng)期，以涵蓋久期變化的信息，輸出為預(yù)測(cè)期10年期國(guó)債收益率變動(dòng)。國(guó)債收益率來(lái)源于萬(wàn)得（Wind）數(shù)據(jù)庫(kù)，凈買入數(shù)據(jù)來(lái)源于中國(guó)外匯交易中心。根據(jù)前述機(jī)構(gòu)行為偏好分析以及調(diào)參驗(yàn)證，最終本文的歷史國(guó)債收益率曲線選擇10日前（t-10日），期限包括1年期、10年期和30年期，預(yù)測(cè)期選擇10日后（t+10日），機(jī)構(gòu)選擇農(nóng)商行、保險(xiǎn)和基金?？紤]到數(shù)據(jù)量與市場(chǎng)條件的平衡，本文做了兩組訓(xùn)練，組一訓(xùn)練區(qū)間選擇2021年7月—2023年12月，回測(cè)區(qū)間為2024年1—6月；組二訓(xùn)練區(qū)間為2021年7月—2024年3月，回測(cè)區(qū)間為2024年4—6月。另外，由于近兩年處于債券利率下行期，債券收益率數(shù)據(jù)存在漲跌分布不均的問(wèn)題，會(huì)影響模型預(yù)測(cè)的魯棒性。本文對(duì)訓(xùn)練數(shù)據(jù)做了均衡化處理，在目標(biāo)函數(shù)里對(duì)收益率向上和向下分別賦予不同的權(quán)重以應(yīng)對(duì)該問(wèn)題。

　?。ㄈ┠Ｐ蜆?gòu)建和預(yù)測(cè)結(jié)果

　　模型構(gòu)建上，本文根據(jù)訓(xùn)練數(shù)據(jù)實(shí)際情況對(duì)神經(jīng)網(wǎng)絡(luò)模型做了適應(yīng)性調(diào)整。一是根據(jù)數(shù)據(jù)量選擇適合的層數(shù)和神經(jīng)元個(gè)數(shù)以防止過(guò)擬合；二是模型激活函數(shù)根據(jù)任務(wù)性質(zhì)選擇了Sigmoid非線性函數(shù)，解決了階躍函數(shù)在0點(diǎn)無(wú)偏導(dǎo)數(shù)的問(wèn)題；三是在目標(biāo)函數(shù)中加入了正則項(xiàng)，以提高數(shù)值穩(wěn)定性和模型的泛化能力。

　　訓(xùn)練過(guò)程中，本文首先嘗試了不同的模型參數(shù)的初始化方法，發(fā)現(xiàn)區(qū)別不大，選擇比較常見(jiàn)的對(duì)稱區(qū)間均勻隨機(jī)取值，避免程序收斂不穩(wěn)定的問(wèn)題；其次，對(duì)于參數(shù)的更新采用Adam方法，有助于調(diào)整不同參數(shù)的學(xué)習(xí)率，加速收斂并減少震蕩；最后，對(duì)于訓(xùn)練的次數(shù)，本文發(fā)現(xiàn)數(shù)值越大一定程度上越收斂，通過(guò)多次隨機(jī)來(lái)增強(qiáng)模型穩(wěn)定性，提高準(zhǔn)確度，而訓(xùn)練次數(shù)較少則容易陷入局部最優(yōu)的困境。

　　通過(guò)上述模型預(yù)測(cè)10天后國(guó)債收益率，結(jié)果如圖9所示，組一回測(cè)區(qū)間的最優(yōu)準(zhǔn)確率達(dá)到64%，組二達(dá)到75%，并且對(duì)于上行樣本和下行樣本的預(yù)測(cè)準(zhǔn)確率均達(dá)到60%以上，表明模型具有一定的預(yù)測(cè)能力和穩(wěn)定性，能夠在不同市場(chǎng)條件下提供相對(duì)一致的預(yù)測(cè)，也說(shuō)明機(jī)構(gòu)交易行為可能對(duì)短期內(nèi)國(guó)債收益率的變動(dòng)具有領(lǐng)先性。

　　兩組回測(cè)準(zhǔn)確率的差異主要有以下幾點(diǎn)：一是時(shí)間跨度不同的影響，組一回測(cè)區(qū)間的時(shí)間跨度更長(zhǎng)，可能包含了更多的市場(chǎng)變化和不確定性，對(duì)模型的學(xué)習(xí)和泛化能力提出了更高的要求；二是組二訓(xùn)練區(qū)間更長(zhǎng)，可能捕捉到了市場(chǎng)的新趨勢(shì)；三是組一回測(cè)區(qū)間包含了收益率快速下行階段，組二回測(cè)區(qū)間收益率呈震蕩走勢(shì)，或表明組二的訓(xùn)練模型在識(shí)別震蕩期間的短期變動(dòng)方面更為出色。

　　除了準(zhǔn)確率之外，本文進(jìn)一步采用精確度和F1分?jǐn)?shù)對(duì)模型的預(yù)測(cè)性能進(jìn)行了綜合評(píng)估。其中，精確度指的是模型預(yù)測(cè)收益率上行/下行的樣本中實(shí)際上行/下行的概率，F(xiàn)1分?jǐn)?shù)則是準(zhǔn)確率和精確度的調(diào)和平均數(shù)。由于F1分?jǐn)?shù)綜合考慮了精確度和準(zhǔn)確率兩個(gè)方面，避免了單一指標(biāo)可能帶來(lái)的問(wèn)題，因此對(duì)模型性能的衡量更加全面。分析結(jié)果表明，模型對(duì)收益率上行和下行的預(yù)測(cè)精確度均達(dá)到60%以上，組二的預(yù)測(cè)精確度高于組一，體現(xiàn)出和準(zhǔn)確率類似的特征。其中模型對(duì)下行趨勢(shì)的預(yù)測(cè)表現(xiàn)更好，其精確度略高于上行情況。同樣，模型的F1分?jǐn)?shù)也高于60%（見(jiàn)圖10）。這些指標(biāo)的一致性表明了模型在不同市場(chǎng)變動(dòng)下具有一定的穩(wěn)健性。

　　總結(jié)

　　本文首先從負(fù)債、監(jiān)管約束和考核機(jī)制等角度簡(jiǎn)要分析了主要凈買入機(jī)構(gòu)的券種和期限偏好。一方面，特定機(jī)構(gòu)在特定期限券種上的定價(jià)權(quán)更大，偏好分析有助于明確特定期限的主要影響機(jī)構(gòu)，在投資分析中抓住重點(diǎn)，在相應(yīng)期限券種的交易上準(zhǔn)確跟蹤影響力較大的機(jī)構(gòu)行為趨勢(shì)和變化，并作出相應(yīng)判斷；另一方面，不同機(jī)構(gòu)的交易風(fēng)格不一，負(fù)債端更穩(wěn)定的機(jī)構(gòu)是市場(chǎng)中配置型資金的主要來(lái)源，市場(chǎng)情緒的演繹更易由交易型資金來(lái)主導(dǎo)，偏好分析為選擇合適的市場(chǎng)情緒觀測(cè)機(jī)構(gòu)奠定了基礎(chǔ)。

　　其次，機(jī)構(gòu)的短期交易勝率的測(cè)算結(jié)果一方面反映出機(jī)構(gòu)能夠識(shí)別短期債市趨勢(shì)；另一方面機(jī)構(gòu)的交易偏好變化一定程度上預(yù)示著市場(chǎng)情緒和預(yù)期的變化，通過(guò)挖掘交易數(shù)據(jù)信號(hào)，有助于投資者預(yù)測(cè)市場(chǎng)動(dòng)向。在此基礎(chǔ)上，本文構(gòu)造經(jīng)久期調(diào)整的買賣強(qiáng)度因子，綜合考慮了久期和買入強(qiáng)度這兩個(gè)關(guān)鍵指征，發(fā)現(xiàn)基金的該因子極大值和極小值對(duì)判斷債券收益率階段底部和上行趨勢(shì)是否結(jié)束有一定的領(lǐng)先意義。需要注意的是，機(jī)構(gòu)行為的影響主要作用于短期，在基本面、資金面和債市供需未出現(xiàn)較大變化的情形下，交易型資金采取跟隨策略較好，配置型資金則可以在因子極小值出現(xiàn)后逐步介入。

　　最后，為緩解單個(gè)因子存在的局限性和更全面地反映各主要機(jī)構(gòu)交易行為的綜合影響，本文采用更為前沿的方法神經(jīng)網(wǎng)絡(luò)模型研究了機(jī)構(gòu)交易數(shù)據(jù)和收益率變動(dòng)之間的關(guān)系。結(jié)果顯示神經(jīng)網(wǎng)絡(luò)模型具有一定的預(yù)測(cè)能力和穩(wěn)定性，對(duì)上行樣本、下行樣本以及不同的市場(chǎng)條件均有較高的準(zhǔn)確率和精確度。模型的預(yù)測(cè)結(jié)果一方面可以幫助投資者識(shí)別市場(chǎng)趨勢(shì)，作為投資時(shí)機(jī)選擇和優(yōu)化資產(chǎn)配置的參考，從而提高短期投資回報(bào)；另一方面也有助于投資者更好地管理投資組合的風(fēng)險(xiǎn)，比如通過(guò)調(diào)整久期或使用衍生品進(jìn)行對(duì)沖。需要注意的是，受限于訓(xùn)練數(shù)據(jù)的樣本量，模型的泛化能力、準(zhǔn)確率以及精確度仍有提升空間。后續(xù)研究可以從以下幾個(gè)方面開展，一是通過(guò)引入更多數(shù)據(jù)和市場(chǎng)情景，豐富訓(xùn)練集多樣性，提高模型的適應(yīng)性；二是本文主要考慮了微觀因素的影響，未來(lái)可通過(guò)加入高頻宏觀數(shù)據(jù)，進(jìn)一步提高模型的預(yù)測(cè)能力；三是加強(qiáng)對(duì)收益率變動(dòng)幅度的預(yù)測(cè)，以更好地助力投資決策。

　　注：

　　1．其他產(chǎn)品包括證券公司的資產(chǎn)管理業(yè)務(wù)、信托公司的金融產(chǎn)品、企業(yè)年金、期貨公司的資產(chǎn)管理產(chǎn)品、其他投資產(chǎn)品、社保基金、養(yǎng)老基金。

　　2．其他機(jī)構(gòu)包括財(cái)務(wù)公司、信托投資公司、民營(yíng)銀行、資產(chǎn)管理公司、金融租賃公司、期貨公司等。

　　參考文獻(xiàn)

　　[1]傅雄廣，侯國(guó)棟． 金融機(jī)構(gòu)視角下的債券收益率影響因素與市場(chǎng)機(jī)制[J]．金融市場(chǎng)研究，2022（4）．

　　[2]類承曜，陳禮清． 中國(guó)債券市場(chǎng)的可預(yù)測(cè)性和分割性研究[J]．經(jīng)濟(jì)理論與經(jīng)濟(jì)管理，2021，41（1）．

　　[3]潘水洋，劉俊瑋，王一鳴． 基于神經(jīng)網(wǎng)絡(luò)的股票收益率預(yù)測(cè)研究[J]．浙江大學(xué)學(xué)報(bào)（理學(xué)版），2019，46（5）．

　　[4]王瓊． 基于切比雪夫正交基神經(jīng)網(wǎng)絡(luò)的中國(guó)十年期國(guó)債收益率預(yù)測(cè)[J]．甘肅金融，2020（4）．

　　[5]朱瑩瑩． 債券市場(chǎng)行為短期化的成因及影響分析[J]． 債券，2022（4）． DOI： 10.3969/j.issn.2095-3585.2022.04.019．

　　◇?本文原載《債券》2024年9月刊

　　◇?作者：南京銀行資金運(yùn)營(yíng)中心　鄧露

　　◇ 編輯：丁杭超　鹿寧寧