2026年资金面利率择时量化模型：哪些资金面指标具有利率预测性

利率择时定量方法回顾：宏观与微观

在债券投资领域，利率择时的核心在于预判利率走势，以指导久期配置与买卖 决策。近年来，量化方法在该领域的应用不断深化，形成了从宏观基本面到微观市 场行为的多维度分析体系。我们之前的两篇专题研究报告，分别从宏观因子与微观 技术指标两个视角出发，系统构建并实证检验了不同的利率择时策略，提供了兼具 理论逻辑与实战价值的分析方法。 从微观市场行为出发的技术分析框架，其核心在于利用历史价格数据本身所蕴 含的信息来预测未来走势。在报告《技术分析框架下的利率择时和久期轮动策略》 中，研究首先直面债券市场数据特性——表征利率变动的债券净价指数仅有日度收 盘价，缺乏高频量价数据，于是我们筛选了45个仅需收盘价即可计算的指标。研究 以中债-国债总净价（7-10年）指数为标的，通过指标信号集成进行多空择时。该微 观择时信号可进一步应用于久期轮动策略：在看多时持有长久期（7-10年）财富指 数，看空时换持短久期（1-3年）财富指数。回测显示，该轮动策略相比简单持有长 久期或等权配置长短久期，能够在控制回撤的同时提升收益风险比，验证了技术指 标在利率趋势判断及资产配置层面的实用价值。

另一方面，从宏观经济基本面入手的分析则着眼于利率变化的根本驱动因素。 报告《考虑领先滞后关系的宏观因子择时策略：利率择时应用》系统地构建了一个 包含八大类、98个初始因子的宏观数据库，并通过严谨的领先滞后关系检验与共线 性筛选，最终确定了20个对债券净价指数具备领先预测能力的宏观因子。研究方法 上，通过建立宏观因子变化值与利率指数月度涨跌幅的线性回归模型进行择时。研 究显示，动态调整因子组合、滚动多因子回归的策略，能进一步提升模型的适应性 与稳健性。将此宏观择时信号应用于同样的久期轮动框架，风险收益情况优于买入 持有长久期财富指数，体现了宏观因子对利率中长期趋势的把握能力。

综合而言，宏观与微观两种利率择时路径各有侧重，互为补充。宏观因子策略 立足于经济周期、货币政策、产业活动等基本面逻辑，试图捕捉利率变化的中长期 驱动力量，其优势在于逻辑清晰、稳健性强，尤其适合低频配置型决策。而技术分 析策略则纯粹基于市场自身价格序列，通过数学与统计模型识别趋势、动量和反转 等模式，其优势在于反应敏捷、规则客观，能更好地捕捉中短期市场情绪与资金流 向带来的波动机会。两者结合，或许能构建更为立体和鲁棒的利率研判体系：宏观 分析框定方向与战略久期，微观技术则辅助战术调整与时机选择。值得注意的是，两份报告均强调了模型的历史局限性与市场不确定性风险，投资者在借鉴任何量化 模型时，都需深刻理解其假设、参数稳定性及外部环境变化可能带来的影响，将模 型输出作为决策的参考之一，而非唯一依据。 对于利率波动方向的判断，还有一类重要的择时指标——资金面指标，指的是 用于分析和预判金融市场短期流动性状况、资金供需关系及其对利率走势（尤其是 短期利率）影响的各类指标。它们直接反映了银行体系、金融机构及实体经济的资 金松紧程度，是预判市场利率短期波动的重要依据，是介于宏观因子和微观价量之 间的中观指标。本篇报告将通过量化方法建模，根据资金面指标对利率择时方法进 行研究。

资金面因子库的建立

（一）资金面指标的收集

在资金面指标的选择上，主要考虑如下几类变量：国债收益率等重要参考利率、 反映市场短期资金成本的回购利率、反映央行货币政策意图的公开市场操作量价指 标、体现银行间信用资金松紧的拆借利率、衡量银行中长期负债压力的存单利率、 反映市场对未来利率预期的互换利率、央行和商行的资产负债表规模指标、社融与 货币供给等和资金面相关的宏观指标、税收和发债等财政政策、美债利率等海外流 动性指标以及票据贴现利率等。

基于上述变量类别范围，我们搜寻了104个候选指标，其基本信息列示于表3。 在所选取的因子中，日频因子和月频因子均占相当部分，因此我们后续考虑构建日 频和月频两类模型：前者只考虑日频因子，在每个交易日收盘前调仓；后者则包含 月频因子和降频至月频后的日频、周频因子，在每月月初首个交易日收盘前调仓。 后续应用时，考虑发布时间以确定滞后期数，表3所列示的“发布延迟”，指在日频 （或月频）因子每交易日（或每月月初首个交易日）收盘前调仓的基础上，再过几 期后可以得到当期数据，例如当日收盘后发布的数据延迟为1日，而次月月末发布的 数据延迟为两个月。

（二）资金面指标的筛选与处理

由于部分资金面指标可能存在数据稀疏（如早期数据缺失、停止更新等）问题， 为了尽可能降低缺失值对模型估计的影响，我们对样本区间（2016年12月31日至 2026年3月5日）所包含的全部交易日范围内缺失10%以上的日频指标或全部自然月 范围内缺失10%以上的月频指标进行了剔除。 筛除部分数据稀疏的指标后，我们使用留存的指标构建了一些有经济意义的组合，如期限利差、中美利差等，与原本的指标共同形成了研究所使用的因子库，因 子库中包含的因子及其组合列示于表4。 在获取上述因子序列后，对各个因子序列进行前向填充以填补缺失值，并按其 发布延迟时间进行滞后，在此基础上作一阶差分，即形成我们后续研究中所采用的 变量。