利率债供需分析框架 [page::0][page::1]

• 利率债供给主要包括国债、地方债和政策性金融债，发行受经济压力及财政赤字驱动。

- 需求端分为商业银行、保险机构、境外机构（关注票息收益）和广义基金（关注利率走势资本利得）。

• 形成了供给端的发行博弈与需求端的配置盘与交易盘的两重博弈结构。

债券收益分解模型及实证 [page::2][page::3]

• 利率债收益可分为远期利率、久期影响和凸性偏差三部分，模型解释度达95%。

- 不同久期债券风险结构不同，短久期债券远期利率影响显著，长久期债券久期影响占比更大。

利率久期择时策略及模型比较 [page::3][page::4][page::5]

• 设计周期模型、CIR模型和MM模型预测未来利率变化，择时策略基于未来一年债券收益预测，选择收益最高债券持仓并季度调仓。

- MM模型表现最佳，年化收益6.9%、最大回撤5.1%、夏普比率2.26，明显优于单纯持有10年或1年债券组合。

• 结合利率波动率信息构建基于VaR和Sharpe指标的择时策略，VaR10%策略表现优异，最大回撤降至3.3%，夏普比率升至2.55。

真实债券组合复现与久期择时策略实证 [page::5][page::6]

• 通过零息债券匹配久期和凸性，线性复制真实债券组合，基于MM模型和VaR策略进行久期择时。

- VaR25%策略表现最佳，年化收益5.3%、最大回撤2.9%、夏普比率2.37，风险收益表现优于基准。

久期择时策略在资产配置中的应用 [page::6][page::7]

• 在国内主流风险平价策略中嵌入久期择时策略，提升年化收益至6.6%，最大回撤降至4.0%，夏普比率提升至2.17。

- 结合股债动态赔率驱动策略融合股票、可转债及利率债，实现多资产动态配置。

赔率驱动的多资产动态配置策略 [page::7][page::8][page::9]

• 定义股票赔率（股息率-国债收益率）、可转债赔率（50ETF隐含波动率与可转债隐含波动率比率）指标。

- 汇总三类资产赔率，动态调整风险预算与配置权重，利率债权重保证70%以上，针对债券部分运用MM模型进行久期择时。

• 4%目标波动率下的动态配置策略结合久期增强，年化收益达9.3%，最大回撤4.3%，夏普比率2.23，显著优化组合表现。

《利率债收益预测框架——大类资产定价系列之二》报告详尽分析

---

一、元数据与概览

报告标题：《利率债收益预测框架 大类资产定价系列之二》

作者：林志朋、刘富兵

发布机构：国盛证券研究所（金工团队）

发布日期：2020年5月15日

主题：利率债的收益预测与投资策略分析，涵盖利率债供需框架、收益分解模型、久期择时策略及其在资产配置中的作用。

---

核心论点与目标信息

报告围绕四个核心命题系统展开：

1. 利率债供需分析框架的构建与解读，明确供给和需求的核心驱动因素及其典型参与者；
2. 利率债收益的分解模型，基于Antti Ilmanen（1995）债券收益分解理论，通过国内数据验证其适用性；
3. 利率债久期择时策略的设计与实证：通过构建多种利率预测模型，设计久期择时策略以实现高收益低风险的组合配置；
4. 久期择时策略在资产配置中的应用效果，结合风险平价和赔率驱动动态配置，提升整体组合表现。

报告重点强调基于模型的预测及风险管理，证实了久期择时策略可在不同久期债券投资中实现有效的风险调整收益提升。

---

二、逐节深度解读

1. 利率债供需分析框架

本节首先定义了利率债的主要构成：国债、地方政府债和政策性金融债，占整体债券存量的95%。如图表2展示，近年利率债的规模从2013年约19.6万亿逐步增长至2020年3月的57万亿，全国债券市场总体呈现明显扩张，尤其利率债占对比信用债和同业存单规模增速更为显著[page::0,1]。

饼图说明债券存量和成交结构中利率债依旧主导：存量比例中，地方政府债22%、国债17%、政策性金融债16%，成交中则政策性金融债占43%，显示市场活跃度差异[page::1]。

供给侧主要受财政赤字、专项债额度、经济下行压力影响。财政部赤字直接决定国债发行，地方财政缺口及专项债影响地方债发行，经济压力影响政策金融债发行，从而体现逆周期调节功能。

需求侧为四类机构：商业银行、保险机构、境外机构和广义基金。银行、保险和境外机构以持有票息收益率为主要需求驱动，属于配置盘；广义基金则受利率走势影响较多，关注资本利得，属交易盘。报告将供需关系划分为两层博弈：发行端的债券供需博弈、机构端配置盘与交易盘间的博弈[page::1]。

综上，报告构建了清晰的利率债供给-需求生态框架，有助于理解市场价格形成机制。

---

2. 利率债收益分解模型

本节基于Antti Ilmanen（1995）著作《Understanding the Yield Curve》提出的债券收益分解模型，将持有期债券收益拆解为：

• 远期利率项（forward rate），体现所持债券所在位置的远期利率收益；
• 久期影响（duration effect），反映利率变动对债券价格敏感度（线性部分）的影响；
• 凸性偏差（convexity bias），对应利率变化对债券价格非线性敏感度贡献。

公式部分详述了零息债券价格变动分解为远期利率乘以久期及凸性修正的数学表达。

基于2002-2019年数据，报告用实证方法回顾性对10年期零息债券收益进行三因素分解，结果显示模型估计的收益与真实收益拟合度极高，解释度超过95%（见图表29），验证了模型高度可靠性[page::2]。

进一步，报告分析了不同久期债券收益结构差异。图表30清晰展示了短久期债券（1年）远期利率贡献占比为100%，而随期限增长，久期影响逐步增强，在10年期债券中占约93%，凸性偏差相对较小。这揭示了投资者应根据债券久期侧重不同风险因素[page::3]。

---

3. 利率债久期择时策略

该策略基于收益分解框架及利率动态预测，通过模型预测未来利率变化，从而计算债券预期收益。

为捕捉利率的短期动量和长期均值回复特性，报告设计了三类模型：

• 周期模型（周期性变化假设，捕捉利率震荡）
• CIR模型（Cox-Ingersoll-Ross，经典利率模型，考虑利率均值回复和波动率）
• MM模型（Markov-Mixture模型，综合动量和均值回复特征）

图表36、37分别展示这些模型对2年和10年期零息债券未来一年的收益预测与实际收益对比，常见趋势是三模型均较好捕捉利率走势，但MM模型表现最优，拟合度最高[page::3,4]。

基于这些模型，报告构造了从2005年开始的实证回测，投资标的是1-10年零息债券，季度调仓，每次选择预期收益最高的一只债券，考虑实际交易成本。结果显示：

• 各模型均提升组合收益、降低最大回撤；
• MM模型表现最好，年化收益6.9%，最大回撤5.1%，夏普比率2.26，平均每年调仓约2.78次（见表格和图表38、39）[page::4,5]。

报告进一步基于MM模型的利率波动预测，利用夏普比率和VaR（在险价值）设计风险调整择时方法。VaR方式尤其有效降低了最大回撤（低至3.3%），保持较高收益与夏普比率（2.55），这显示风险管理技术显著提升策略稳定性与风险控制（图表40、41）[page::5]。

现实中零息债供给有限，报告提出用久期和凸性匹配方法，以线性组合零息债替代真实债券组合。采用五个中债国债总财富指数验证后，久期择时策略同样有效：年化收益达5.3%，最大回撤2.9%，夏普比率2.37（图表48、49）[page::6]。

---

4. 资产配置中久期择时的作用

资产配置层面，风险平价策略因股票波动明显高于债券，配置中债券占比约90%。久期择时策略嵌入后，可进一步提升风险调整后回报。具体表现：

• 基于VaR10%的久期择时，年化收益提升至6.6%，最大回撤降至4.0%，夏普比率提升至2.17（图表50、51）[page::6,7]。

报告进一步探讨了动态赔率驱动资产配置策略，结合股票、可转债和利率债，动态调整资产权重，应用赔率指标指导配置决策：

• 股票赔率采用股息率减国债收益率（完善Fed模型），比市盈率效果更佳；
• 可转债赔率基于50ETF与可转债隐含波动率比率作为相对估值指标；

结合赔率指标构建风险预算调整、组合优化及久期择时，整体目标波动率控制于3%-5%区间，债券权重下限不低于70%，动态分配债券期限结构（图表54、55、56）[page::7,8]。

综合评价，在4%目标波动率的动态配置组合中融入久期增强-VaR10%策略，显著提升年化收益至9.3%，最大回撤降至4.3%，夏普比率达2.23，显示久期择时在真实多资产动态配置中的活跃价值（图表59、60）[page::9]。

---

三、图表深度解读

• 图表2（债券存量规模）：

显示2013年至2020年3月中国债券市场存量分布，利率债占比最大且规模显著扩大。从19.6万亿增长到57万亿，表明利率债市场庞大且持续扩张。

• 饼图（债券存量结构与成交结构）：

反映了不同债种占比差异，政策性金融债在交易中活跃度高得多，占比达43%，而存量占比仅16%。说明该债种市场流动性、关注程度较高。

• 收益分解图（图表29）：

显示模型分解的收益构成，红线（真实收益）几乎与黑色（模型估计收益）重合，表明模型对债券收益的解释能力极强。黄色部分久期贡献大，绿区凸性影响较小。

• 风险贡献分布图（图表30）：

证明不同久期下收益构成不同，短期债主要受远期利率驱动，长期债更多依赖久期效应，投资者和策略需区别对待。

• 模型收益预测图（图表36、37）：

视觉表达3个模型对未来一年收益预测贴近实际收益。MM模型预测曲线与实际收益曲线匹配更好，尤其在波动和拐点。

• 净值曲线（图表38、40、48、50、59）：

几个净值图均展示不同模型和策略下的复合收益提升趋势，且均稳步高于基准（单一债券或基础指标），体现策略有效性。

• 策略表现表（表格39、41、49、51、60）：

多维度指标包括年化收益、波动、最大回撤、夏普比率、卡玛比率及换手率，全方位评估策略，数据显示基于MM模型的久期择时及VaR风险调整策略，整体风险调整收益明显优于传统标的（如10年期国债）。

---

四、估值分析

报告核心为利率债收益预测及风险管理模型，并未直接进行标的估值或目标价设定，而是采用统计模型（MM模型等）基于利率动态预测，估计债券未来收益率，间接实现估值。

通过债券收益分解（三因素模型）量化利率变动影响，结合动态利率预测（MM模型捕捉短期动量和长期均值回复特征）及波动率调整（VaR风险度量），综合构建久期择时策略。

该策略通过不断调整组合中的债券久期，实现收益最大化和风险最小化，呈现策略“估价-择时-风险管理”的闭环框架。

---

五、风险因素评估

报告在尾部特意提示风险：模型分析与策略均基于历史数据和统计规律，市场环境若发生剧烈变化，可能导致模型失效（黑天鹅事件风险）。

隐含风险还包括：

• 预测模型的参数估计偏误风险；
• 利率市场行情突变及流动性风险，尤其针对久期较长债券；
• 交易费用及换手率对表现的影响，因策略换手较高（多达数百个百分点年化换手率）；
• 真实投资环境中复制零息债策略的限制及市场摩擦。

报告未显著提出具体风险缓释措施，更多侧重于模型预测和风险调整的内生机制。

---

六、批判性视角与细节

• 模型依赖性强：虽然报告用历史数据验证模型效果良好，但其建立假设依赖市场均值回复和动量特性，未来宏观政策环境或市场结构变化可能减弱模型预测力。
• 久期择时交易成本：高换手率策略实际操作中面临更高交易费用，尤其在市场波动时可能影响实际收益，报告未深入分析此敏感性。
• 零息债有限，匹配风险：通过久期和凸性匹配真实债券组合的方法能在理论上实现想要的久期配置，但实际匹配的误差和组合风险需关注。
• 赔率指标的选取与适用性：股息率替代市盈率，隐含波动率比的使用虽有学理支持，但报告仅基于经验观察，缺乏深层理论模型支撑。
• 研究样本及时间范围：研究主要基于2002年至2020年数据，未涵盖更长周期，可能存在样本选择性偏差。

---

七、结论性综合

报告《利率债收益预测框架——大类资产定价系列之二》以坚实的学术理论基础和详实的数据实证，系统构建了利率债投资的收益分解和久期择时框架。

通过明确利率债供需结构，结合先进的利率预测模型（周期、CIR、MM模型）和收益分解思想，作者设计出了一套行之有效的久期择时策略。实证结果表明，该策略不仅实现了年化收益6-7%（高于传统固定收益标的），且显著降低最大回撤与波动，提升了风险调整后的表现（夏普比率达到2.2以上）。

风险调整后的择时策略（基于VaR）尤其突出，其最大回撤控制能力强，体现了风险管理与收益提升的双赢。

将久期择时嵌入风险平价等资产配置方案，不论静态配置还是基于赔率的动态配置，均显著提升年度收益并降低回撤，最大回撤较传统策略降低1％以上，夏普比率提升0.3以上，动态配置策略年化收益甚至接近10%。

图表数据系数严谨且契合文本分析，凸显了久期择时与模型预测实用性在债券及多资产配置的突出价值。

总体看，作者对利率债市场的理解深刻，模型设计科学合理，实证结果强有力支持其投资策略，报告为资产管理者在利率债市场提升配置效率提供了极具操作性的框架和工具。

---

备注：

以上所有结论均基于报告数据和作者分析，均附带相应页码溯源，确保内容准确可查阅。

---

图片溯源（示例）

• 利率债供需结构示意图
• 利率债收益拆解（图表29）
• 不同久期债券风险贡献（图表30）
• 2年期零息债未来收益预测对比（图表36）
• MM模型久期择时策略净值走势（图表38）
• 基于VaR调整的择时策略净值（图表40）
• 总财富指数久期择时策略净值（图表48）
• 股债风险平价与久期增强策略净值（图表50）
• 4%波动率动态配置策略净值（图表59）

---

分析完毕。[page::0,1,2,3,4,5,6,7,8,9]

报告