纯债基金规模及久期重要性 [page::3]

• 截至2024Q3，国内纯债基金规模7.72万亿，占债券基金总规模75%。

- 久期是债基利率风险的核心衡量指标，影响价格波动敏感性和组合收益风险。

债基久期的传统与高频测算方法概述 [page::5]

• 相关系数法依赖单一或少数债券指数权重估算久期，存在覆盖不足和高估问题。

- 回归法通过多债券指数拟合基金净值，取得较好测算效果，能覆盖复杂持仓特征。

• 机器学习法数据样本有限，面临训练不足和复杂市场动态挑战。

回归方法及模型评价体系 [page::7][page::8]

• 构建OLS、Lasso、Ridge、WLS、LAD、WLAD等多种回归模型，采用平均绝对误差MAE评价。

- 详细设计固定与自动调整回归指数，采用多种统计回归方法处理多重共线性和异常值。

• 样本筛选1441只纯债基金，分中长期和短期，定位专业测算需求。

OLS回归高估及自动调整回归指数改进 [page::9][page::10][page::12]

• 传统OLS存在久期偏高，特别短债基金高估严重。

- 设计自动调整回归指数，根据基金类别和持仓成分合理筛选回归指标，MAE由0.76降至0.69。

• 自动调整指数解决了固定指数不匹配导致的误差和偏差。

Lasso/Ridge回归表现及原因分析 [page::13][page::14]

• Lasso/Ridge回归由于系数压缩和平滑，整体误差反而高于OLS。

- 回归系数之和往往压缩到0.8，低于真实债券价值，致使测算偏差加大。

WLS与WLAD回归的优势及典型案例 [page::15][page::16][page::17]

• WLS赋予近期数据更高权重，应对基金持仓的快速变化，有效减少预测误差峰值。

- LAD和WLAD利用L1范数稳健处理异常净值跳动，MAE降至0.66及0.66以下。

• 典型基金案例显示WLAD相较传统OLS测算误差更低，趋势更贴近真实久期。

WLAD模型参数调优及异质性设置策略 [page::17][page::18]

• 通过调节涨跌幅滚动平均期3日、回归窗口长度及最大权重，实现分久期类型分别最优拟合。

- 对长久期采用100日回归窗口与最大权重3，短久期采用60日窗口及权重3，综合误差进一步优化。

• 调参后模型平均绝对误差降至0.61年，中位数误差0.43年，测算绩效显著提升。

最新纯债基金日频久期测算结果与风险提示 [page::19][page::20]

• 模型日频测算显示2024年末短期纯债基金平均久期1.07年，中长期纯债基金2.74年，均较上半年出现上升趋势。

- 短期基金主要集中久期0.3-1.2年，中长期基金久期主要为1.5-4年区间。

• 模型稳定性良好，能实现较高频率精准久期测算，但存在历史样本依赖与市场环境变化风险。

深度分析报告：《回归法估计纯债基金久期》——华泰研究2024年12月

---

一、元数据与概览

• 报告标题：回归法估计纯债基金久期

- 发布机构：华泰证券股份有限公司

• 发布时间：2024年12月11日

- 研究员：林晓明、张泽、何康博士（PhD）

• 研究主题：纯债型基金久期的估算与高频跟踪方法研究

- 核心论点概述：
该报告聚焦于以回归法为核心手段，研究适合中国债券基金市场的纯债基金久期（日度）估算模型。研究发现基于自动调整回归指数的加权最小绝对偏差回归（WLAD）模型在日频测算久期上表现优越，误差较小，尤其适合应对基金净值异常跳动问题。报告系统测试了OLS、Lasso、Ridge、WLS、LAD等多种方法，提出结合债基历史持仓信息调整回归指数池以解决久期高估问题，并对模型参数进行了细致优化，取得了较高的估算准确度，并对市场风险进行了合理提示。

---

二、逐节深度解读

2.1 债基久期基础与现有估算方法概述

• 关键论点：

- 2024年Q3中国境内共有3741只债券基金，规模超过10万亿人民币，其中2385只为纯债型，占债券型基金规模74.94%（图表1、2）。
- 久期作为衡量债券及债基利率风险敏感性的核心指标，对于久期长的债基利率上升风险较大，但利率下降时有收益提升优势。
- 现有债基久期数据披露频率较低（半年度或季度），因此构建日度跟踪模型非常关键。
- 介绍了三大类日度久期估算方法：相关系数法、回归法和机器学习法。机器学习法数据限制较大，暂难广泛应用。

• 重要数据点：

- 以中债-新综合财富指数（短久期1年以下与中久期3-5年）净值对比，展示久期对债券价格收益差异的影响（图表3）。

• 核心逻辑：

由于债基成分多样且披露有限，需通过指数和基金净值数据建立关系，利用回归或其他统计模型反推债基久期。

---

2.2 经典久期定义与债基修正久期估算方法

• 麦考利久期与修正久期计算（麦考利久期为现金流加权时间平均，修正久期则衡量了价格对利率变动的敏感度，并剔除利率影响调整）详解了久期的微分定义和修正久期公式。

- 债基久期计算则基于债券组合修正久期的加权平均，权重即各债券市值占基金净资产比例，但因基金披露有限，只能利用重仓债券估算或者通过利率敏感性数据间接推导。

• 具体案例：利用易方达安心回报A年报中利率升降25bp时资产净值变动，反推修正久期与凸度。

- 测算频率限制：久期数据多为半年或季度频，无法高频跟踪，因此需要探索回归等日频估算方法。

---

2.3 相关系数法与回归法的比较

• 相关系数法：

- 选取与基金净值相关度较高的债券指数作为代表，利用相关系数作为权重测算久期。
- 案例：兴业嘉荣一年定开基金与中证中期信用债指数净值高度相关(99.8%)，但久期估算偏差明显（表5显示指数久期总高估基金久期），原因是单一指数无法覆盖复杂基金多样的久期结构。
- 缺陷集中：难以找到相关系数高且覆盖债基久期的单一指数。

• 回归法：

- 将多债券指数作为自变量进行收益率回归，获取系数后加权计算久期。
- 建立收益率回归方程，系数正向约束且总和受限（0.8至1.4，符合基金资产配置规则）。
- 优点是涵盖更全面的债券指数，减少漏估风险。

• 机器学习法：

- 利用债基信息及指数数据训练模型预测久期，理论潜力大，但受到样本数据稀缺（半年报披露）限制较大。

---

2.4 回归法模型详解与比较

• OLS (最小二乘回归)：

- 理论基础：高斯-马尔科夫条件下最佳线性无偏估计。
- 实测结果：整体高估债基久期，MAE约0.76，误差右偏；特别是短期基金出现大幅偏差。
- 典型案例：华泰紫金丰益中短债007819.OF，OLS将权重全押在长久期指数导致高估（图9）。
- 缺陷：固定回归指数组，分类粗糙，难匹配多样化基金持仓。

• 改进 - 自动调整回归指数（OLS+）：

- 根据基金历史久期特征和持仓分布，动态调整所用指数类别，使指数匹配度更高。
- 规则详述：短久期基金择用短期利率债系列及信用债系列指数，长久期基金择用中长期指数，且结合持仓重仓类别调整指数使用（图10）。
- 结果：MAE降至0.69，误差分布更集中，右偏减轻。特殊基金误差显著下降（图11-13）。

• Lasso与Ridge回归：

- 理论：增加正则项减少多重共线性影响，压缩系数（Lasso可自动变量选择，Ridge平滑系数）。
- 结果：压缩导致权重总和降低至0.8下限，且误差显著高于OLS，表现不佳（图14-16）。
- 案例分析：华夏鼎丰013780.OF中，Lasso/Ridge回归误差大于OLS，系数分布不准确（图17-18）。

• WLS加权最小二乘回归：

- 赋予回归样本不同权重，给近期期权更大权重以反映最新持仓变化。
- 案例：景顺长城景泰鑫利纯债A基金持仓2020-2021年突变导致OLS误差激增，WLS显著降低误差（图19-20）。
- 全样本验证：MAE较OLS小幅改进至0.689，误差分布更优（图21-22）。

---

2.5 抗异常影响的LAD与WLAD回归

• 背景：基金净值受大额申赎、信用违约等异常事件影响，OLS、WLS基于L2范数对异常值敏感。

- LAD与WLAD：
- 损失函数采用绝对值误差（L1范数），对异常值更稳健。
- WLAD结合加权，兼顾近期权重。

• 结果：

- LAD和WLAD相比WLS，MAE分别降至0.663、0.656，误差分布更集中，说明异常值影响有效缓解（图23-24）。

---

2.6 WLAD模型的参数优化与异质性调整

• 模型效果综合：不同模型MAE对比中，WLAD表现最好（MAE0.656，误差中位数平均0.4549），稳健性最高（图25-26）。

- 参数调优：
- 净值涨跌幅滚动平均区间：3天优于原5天设置，对中短期久期都表现更优（图27）。
- 回归窗口长度与最大权重参数实验：
- 短期债基适合回归窗口60天，最大权重3；
- 中长期债基适合回归窗口100天，最大权重3（图28）。

• 优化结果：新参数下WLAD模型MAE降至0.61，误差中位数平均仅0.43（图29-30），时序误差分布稳定。

- 个案演示：以交银裕利纯债A和大成景安短融A为例，模型能较准确反映基金久期变化趋势（图31-32）。

---

2.7 全市场纯债基金最新久期测算

• 最新测算时点：2024年11月29日数据。

- 结果：
- 短期纯债基金平均久期1.07年；中长期纯债基金平均久期2.74年（图33-34）。
- 比较此前2024年6月数据，两类债基久期均呈现上升趋势。
- 久期分布：短期纯债型主要集中在0.3-1.2年，中长期纯债型集中在1.5-4年（图35-36）。

---

2.8 风险提示

• 模型依赖历史数据，未来市场环境变化可能导致模型失效。

- 模型估计可能与真实情况存在较大差异。

• 研究无投资建议性质。

---

三、图表深度解读

• 图表1-2（债基规模变化）：显示债券型基金及纯债基金在2010-2024年期间的规模与市场份额稳步提升，资产净值从千亿元到数万亿级别，市场关注度持续增加。

- 图表3（久期对净值的影响）：1年以下与3-5年债券指数净值曲线差异明显说明久期对收益和价格波动的决定作用。

• 图表7-8（OLS误差分布）：误差多右偏，意味着短久期债基被高估。箱型图显示误差随时间变化，但普遍稳定，反映回归误差的系统性特点。

- 图表9（007819.OF）：确认OLS模型对短期基金久期高估；权重均投入到长久期指数。

• 图表11-13（OLS+调整后）：误差分布趋于对称，中位误差明显降低，准确度提升。

- 图表14-16（Lasso/Ridge）：显示Lasso/Ridge回归模型因系数压缩导致误差升高，表现不理想。

• 图表17-18（013780.OF）：Lasso与Ridge过度压缩权重，系数和下降，导致误差较大。

- 图表19-20（006764.OF）：持仓结构快速变化导致OLS误差激增，WLS改进该缺陷，误差大幅降低。

• 图表21-22（WLS整体）：显示WLS相对OLS小幅优势，提升有限。

- 图表23-24（LAD/WLAD）：误差分布更加集中，WLAD稍优。

• 图表25-26（各模型比较）：明确WLAD为最佳模型。

- 图表27-28（参数优选）：3天涨跌幅滚动，100/60天回归窗口，最大权重3为优。

• 图表29-30（优化WLAD）：误差进一步降低，拟合更优。

- 图表31-32（个案）：WLAD模型能够跟踪个券基金久期趋势。

• 图表33-36（最新久期测算及分布）：全市场全债基久期及结构分布的最新量化表现，为投资者、市场监测提供实时参考。

---

四、估值分析

本报告无直接估值内容，主要为风险指标测算模型研究，不涉及基金估值定价。

---

五、风险因素评估

• 正如报告风险提示所述：

- 依赖历史回归的模型存在未来市场环境变化导致失效风险。
- 异常净值跳动因素非模型设计解释范畴，存在测算误差。
- 量化估算方法的局限性可能导致实际久期偏离估计值。
- 不考虑产品具体操作策略及市场非理性行为的影响。

• 报告未提出具体的风险缓解策略，但采用更健壮的回归方法（WLAD）可视为模型层面的风险缓冲。

---

六、批判性视角与细微差别

• 报告认为Lasso/Ridge效果不佳，主要基于系数压缩导致回归权重与实际持仓不符，这一结论合理，但未体现调参及弹性网等更复杂正则化形式的潜在改进可能。

- OLS与OLS+对比展示自动调节指数重要性，然而回归指数的选择规则、债基分类标准细节较为依赖历史已知数据，可能对极端新兴产品适应不足。

• WLAD模型虽表现最佳，但误差仍存在，中长期债基的回归窗口较长可能削弱对近期持仓变化的敏感性。报告提及最大权重调节缓冲此问题，但可能仍存在较大动态调整延迟。

- 报告完全基于中国市场环境和数据，模型通用性及稳定性对于境外市场未加论述。

• 报告未涉及久期估算在市场极端行情（如流动性枯竭期）的脆弱表现。

- 风险提示部分较为简略，可加强对市场行为和数据质量风险的深入分析。

---

七、结论性综合

华泰证券的这份深度研究报告系统回顾并比较了债券基金久期的三大类测算方法，基于丰富数据实证，发现回归法因涵盖多债券指数，测算精度高于相关系数法和机器学习法。
通过实践验证，报告指出传统OLS回归虽简单但存在久期高估问题，尤其是对短久期基金。通过结合基金历史持仓动态自动调整回归指数，有效缓解此问题，显著降低了估算误差。
Lasso与Ridge回归因权重压缩对真实久期的反映存在不足，故不推荐。为提升模型应对异常净值跳动的能力，采用LAD及其加权变种WLAD，有效增强了模型的稳健性，将平均绝对误差进一步降低。
报告对WLAD模型的参数（涨跌幅滚动区间、回归窗口及权重调节）进行了细致调优，并针对短中长期债基设置差异化参数，进一步提升了模型表现。最终，利用优化后的WLAD模型，在2024年最新净值数据测算下，中长期纯债和短期纯债基金的平均久期分别为2.74年和1.07年，且模型误差控制在合理区间内，能较好反映市场久期动态。
报告展示了详实的图表支持分析，从债券指数净值走势、回归误差分布，到单只基金案例验证，为投资者和市场监测机构提供了重要工具与参考。
同时，报告明确指出模型不代表投资建议，存在历史数据及市场环境变化的风险，提示投资者谨慎使用。

---

以上即为对《回归法估计纯债基金久期》华泰研究报告的详尽分析与深入解读，覆盖报告结构的每一重要章节，结合图表提供数据洞见，阐释模型设计思想与适用局限，形成系统完整的理解框架，供金融分析师、基金经理及量化研究人员参考。

[page::0,1,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20]

报告