20260827-天风证券-量化_更适合当下市场的模型更新_6页_848kb

报告摘要

本报告由财通证券研究所发布，旨在分析2026年债券市场环境下择时模型的更新逻辑、方法及变化。报告指出，随着市场环境的演变，模型需要定期更新以保持其有效性和适应性，特别是在宏观与微观定价逻辑差异较大的背景下，因子选择和超参调整是模型优化的关键。

模型更新的必要性：由于市场环境的变化，择时模型需要定期调整超参和因子，以确保模型的准确性和稳定性。
超参调整逻辑：模型超参包括序列长度、预测时滞、堆叠层数、Dropout比例、训练轮次、批次大小、学习率、正则化系数等。更新中增加了隐藏单元数和L2正则化强度，同时减小了预测时滞和学习率，以提升模型的泛化能力和稳定性。
因子更新逻辑：因子选择基于SHAP值排序，从大规模因子池中选出固定数量的因子，以兼顾不同市场环境下的表现和边际贡献。宏观定价因子（如期限利差、CD利率、社融）仍占主导，但基本面因子权重下降，机构行为和权益市场因子的重要性上升。
因子频率分布变化：日频因子仍占主导，但月频因子数量相对稳定，说明模型在捕捉短期波动的同时也关注中低频趋势信号。
不同资产表现差异：债券和黄金因宏观定价逻辑清晰，择时效果较好；其他资产波动率较高，受消息面和事件冲击影响大，模型可能偏右侧或滞后。
模型稳定性：尽管部分因子在短期内波动较大，但债券模型“反复横跳”现象较少，仍偏向中期波段的把握。

超参调整：
- 增加隐藏单元数，提升模型拟合复杂非线性关系的能力。
- 提升L2正则化强度，防止过拟合，增强样本外泛化能力。
- 缩短预测时滞，以更契合当前市场波动节奏。
- 下调学习率，使训练过程更稳定，避免参数在最优解附近震荡。
因子调整：
- 采用SHAP值排序法，从大规模因子池中选择固定数量的因子。
- 宏观定价因子（如期限利差、CD利率、社融）仍占主导。
- 基本面因子权重下降，机构行为和权益市场因子权重上升。
- 日频因子为主，月频因子数量相对稳定，体现对不同节奏信号的权衡。

30年国债：
- 因子列表相似度为67.5%，日频因子数量增加。
- SHAP值前10位因子中，新增“10Y-1Y期限利差”、“CRB现货指数:综合”等，原有“中国:高炉开工率(247家)”、“中国:PPI:生活资料:当月同比_月差分”等因子仍保持重要地位。
5年国债：
- 因子列表相似度为60.5%，日频因子数量略有变化。
- SHAP值前10位因子中，“中国:M1:同比_月差分”、“10Y-1Y期限利差”等因子权重上升，原有“中国:沿海主要港口货物吞吐量:当月同比_月差分”、“中债国债到期收益率:30年”等因子部分被替代。
2年国债：
- 因子列表相似度为70%，日频因子数量略有下降。
- SHAP值前10位因子中，“中国:开工率:精对苯二甲酸”、“美国:ISM:非制造业PMI_月差分”等因子权重上升，原有“中国:沿海主要港口货物吞吐量:当月同比_月差分”、“2年期国债期货 KDJ”等因子部分被替代。
3年AAA中短票：
- 因子列表相似度为64.5%，日频因子数量略有增加。
- SHAP值前10位因子中，“中国:M1:同比_月差分”、“期货结算价(活跃合约):黄金_日变化率”等因子权重上升，原有“中国:市场价:电解铜(1#)”、“中国:房地产开发投资完成额:累计同比”等因子部分被替代。