多维度宏观指标背后的利率定价逻辑

多维度宏观指标背后的利率定价逻辑李杨(证券分析师)熊晓湛(证券分析师)蔡雯倩(联系人)S0350522070001S0350521110004S0350123070023liy19@ghzq.com.cnxiongxz@ghzq.com.cncaiwq@ghzq.com.cn证券研究报告2023年12月17日请务必阅读报告附注中的风险提示和免责声明2核心提要u不同宏观周期，决定YTM定价的要素存在较大的差异•在宏观周期的不同阶段，YTM定价的决定因素也会有所不同，例如2019年11月利率下降驱动YTM下行，2020年4月社融上涨驱动YTM上行，2023年9月经济增长上升是驱动YTM上行的关键因素。•为应对这一问题，我们尝试将主要的经济指标分为景气、通胀、利率、库存、信用五个维度，选取每个维度下合适的代理宏观经济指标，构建更为稳健的YTM预测框架。u基于决策树的宏观驱动债券策略构建•传统的宏观市场状态模型难以捕捉多维数据驱动的市场变化，决策树是一种强大的模型工具，特别适用于处理多个输入特征，它可以在多个数据指标上选择最佳的划分点，以对市场状态进行精准划分。通过考虑景气、通胀、利率、库存、信用等多个维度，决策树有助于捕捉不同经济指标之间的复杂关系。•对于所有样本内的数据，模型准确率为74.47%，所有样本外的数据预测准确率为72.86% ，在样本外的2019年、2020年和2021年，模型准确率最高达到75.00%。根据模型预测的YTM变化选择不同类型的债券指数策略，2019年以来的现货年化收益率达到4.23%，最大回撤为-2.65%。u“决策树+”：结合赔率策略和宏观经济信号策略的组合策略•基于决策树的宏观经济策略旨在捕捉到在不同时间点上驱动YTM变动的各维度指标，从而预测YTM变动方向。而宏观经济信号策略则基于宏观经济指标是否为短期低点以及连续涨跌情况生成信号，更关注经济增长的趋势性变动和极端情形。•本文在基于决策树的宏观经济策略基础上，叠加了宏观经济信号策略，打造了“决策树+”策略。2019年以来，组合策略的现货年化收益率达到4.63%，最大回撤为-2.18%，相较于原方案，策略的收益和回撤表现均有所提升。u风险提示•本报告所有分析均基于公开信息，不构成任何投资建议；若市场环境或政策因素发生不利变化将可能造成行业发展表现不及预期；报告采用的样本数据有限，存在样本不足以代表整体市场的风险，且数据处理统计方式可能存在误差；市场存在一定的波动性风险；报告中结论均基于对历史客观数据的统计和分析，但过往数据并不代表未来表现。请务必阅读报告附注中的风险提示和免责声明3哪些指标会影响YTM定价“决策树+”策略构建01.03.1.1 五个维度的宏观变量分析1.2 各维度下的指标筛选逻辑基于决策树的宏观经济策略构建02.3.1 如何构建组合策略3.2 宏观经济信号策略构建3.3 决策树+”策略构建2.1 为何我们选择决策树2.2 基于决策树的YTM预测模型2.3 今年以来的决策逻辑分析2.4 基于决策树的宏观经济策略请务必阅读报告附注中的风险提示和免责声明41.1 五个维度的宏观变量分析p 五个维度的宏观变量●对宏观周期的刻画是实现大类资产配置的基础，不同的宏观周期阶段下，表现相对强势的资产往往也会有所不同。●市场上较为经典的分析框架分别为美林时钟、金融周期、库存周期。不过这些通过简单划分市场状态的模型在运用中稳定性较差，模型输出的宏观状态通常会频繁切换，同时识别出的拐点并不是真实的周期转折点。●本文同时考虑经济景气、通胀、利率、库存、信用五个维度的指标，改善单一维度判断不稳定的问题，构建YTM预测框架。资料来源：国海证券研究所美林时钟l过热l滞涨l衰退l复苏经济增长+通胀：货币+信用：金融周期l紧货币宽信用l紧货币紧信用l宽货币紧信用l宽货币宽信用库存周期l主动补库存l被动补库存l主动去库存l被动去库存经济增长+存货经典周期系统单一指标稳定性较差，宏观状态频繁切换宏观指标l中债国债到期收益率l固定利率国债lSHIBOR利率（流动性）l社会融资规模lM2:同比lM1:同比信用lPMI:主要原材料购进价格lCPI:当月同比l市场价:螺纹钢l市场价:电解铜l市场价:生猪通胀l工业企业：产成品存货库存lPMI、PMI新订单、PMI生产l产量:原煤：当月同比lGDP:不变价:当季同比l工业企业:主营业务收入l100大中城市:供应土地数量l工业增加值:当月同比经济增长请务必阅读报告附注中的风险提示和免责声明51.2 各维度下的指标筛选逻辑p宏观因子筛选方法：如何定义景气、通胀、利率、库存、信用●相关系数筛选：分别计算所有宏观因子与下一期YTM变化量的相关系数，然后对相关系数取绝对值作为因子与YTM变化的相关程度，对于经济增长、利率、信用、库存和通货膨胀五个维度，分别取相关程度大的因子，得到的因子将进一步筛选●上涨状态收益：对于任一因子，本文将因子当期值相对上一期值增长定义为“上涨状态”，然后计算因子在“上涨状态”下YTM变化率均值与全样本范围YTM变化率均值的差值，并且取其绝对值表示上涨状态收益与全样本收益的差距，各维度下分别取收益差距最大的因子经济增长类因子利率类因子信用类因子库存类因子通货膨胀类因子相关系数筛选对相关系数取绝对值作为相关程度计算因子与下一期YTM变化量的相关系数对于各维度分别取相关程度最大的25个因子上涨状态收益筛选计算因子“上涨状态”下YTM变化率均值与全样本范围YTM变化率均值的差值将因子当期值相对上月值上涨定义为“上涨状态”对差值取绝对值作为收益差距对于各维度分别取收益差距最大的5个因子中国:工业企业:产销率:当月同比固定利率国债:发行利率:6个月中国:社会融资规模存量:人民币贷款:同比中国:工业企业:产成品存货:同比中国:CPI:食品:当月同比确认因子资料来源：国海证券研究所请务必阅读报告附注中的风险提示和免责声明61.2 各维度下的指标筛选逻辑p经济增长指标选取 ●本文选取“中国:工业企业:产销率:当月同比”作为经济增长指标，该指数是销售产值和工业总产值的比率，用来反映工业产品的产销衔接情况●当“中国:工业企业:产销率:当月同比”上升并且经济活动加速增长时，央行可能会采取紧缩性货币政策来避免过度通货膨胀，这种情况下YTM上行●在2019年4季度至2020年1季度和2021年2季度至2022年2季度间，经济增长指标和YTM间相关性较为显著中国:工业企业:产销率:当月同比经济增长指标上升并且经济活动加速增长时，央行可能会采取紧缩性货币政策来避免过度通货膨胀，这种情况下YTM上行图2：经济增长指标上涨时YTM变动分布图22.533.544.55-5-4-3-2-10122014/1/312015/1/312016/1/312017/1/312018/1/312019/1/312020/1/312021/1/312022/1/312023/1/31图1：经济增长指标与YTM变动时间序列图左轴：中国:工业企业:产销率:当月同比(%)右轴：ytm(%)资料来源：Wind，国海证券研究所，统计区间2014年1月~2023年10月请务必阅读报告附注中的风险提示和免责声明71.2 各维度下的指标筛选逻