固定收益投資領域的科技應用

張浩 張驊 邢雯 喻泉

摘要：金融科技在固定收益投資領域的應用推動了資管行業的科技轉型。本文從市場分析、信用管理、組合管理等角度，總結了金融科技在資管機構固定收益投資領域應用的理論研究成果和實踐經驗，并就未來科技在該領域深化應用的方向進行了展望。

關鍵詞：固定收益投資? 金融科技? 信用管理? 組合管理

以計算機算法、大數據分析等為代表的前沿技術迅速滲透到金融行業的各個領域。在固定收益投資領域，金融科技的應用雖然起步較晚，但是已經對投資研究、組合管理、交易執行、風險管理等環節產生了深刻影響。各類金融機構積極探索數字化轉型，紛紛推出金融科技應用成果，以打造在固定收益投資領域的核心競爭力。

本研究將從市場分析、信用管理、組合管理等幾個角度，分析金融科技在資管機構固定收益投資領域的應用情況，嘗試提煉和總結其中的理論研究成果和實踐經驗，旨在為同業利用科技賦能固定收益投資實務提供參考。

市場分析：量化市場情緒

當經濟基本面沒有發生明顯變化時，市場情緒會階段性地主導行情走勢，此時對市場情緒的準確判斷顯得尤為關鍵。為幫助投資經理更好地判斷市場短期行情，本研究探索如何建立客觀評價市場情緒的指標，利用基金公司及產品的相關數據綜合編制債市情緒指數。與傳統的交易員口頭傳遞債券市場交易情緒相比，該指數在切入角度、輸入數據以及處理方法上均進行了一定創新，試圖通過觀察和分析債券市場的交易數據，提供一個更加全面、直觀和科學的市場情緒指數。

在切入角度上，債市情緒指數基于基金公司及其產品的交易數據進行編制。這是考慮到基金公司及其產品是債券交易的主要活躍參與方，其交易行為能夠比較客觀、準確地反映債券市場的交易情緒，對投資交易有實際借鑒意義。

在輸入數據上，借助計算機的大數據處理能力，對市場每天成交的債券數據進行分析，并基于對市場有效性的回測，最終選定基金杠桿率、交易久期、買方直接接受賣方價格（taken）的成交占比等指標用于合成債市情緒指數。

在處理方法上，債市情緒指數的合成方法主要采用機器學習中的主成分分析（PCA）等方法：在對輸入數據進行相應平滑處理時，通過主成分分析量化方法進行整合編制。該方法的優勢在于可以用單一的合成指標科學地描述其成分指標的綜合趨勢，也能對各成分的影響和貢獻進行量化和分解。與市場上較為常見的基于單維數據的研究方法相比，債市情緒指數從投資交易的視角出發，選取了投資經理和交易員關注的多維度數據進行合成。在計算頻率上，債市情緒指數可進行日頻計算，反映市場每日的情緒變化。

圖1展示了該指數的應用效果。其中，綠色折線代表債市情緒指數自2020年10月以來的走勢;柱狀圖則將單日的指數值分解為5個主成分指標的貢獻;當主成分指標的變化反映積極的市場情緒時，其貢獻為正值，反之為負值。2020年11月，受某大型煤炭企業違約事件影響，債市情緒一度非常悲觀，在11月19日觸底后逐漸恢復。

信用管理：構建自動信用評級模型和AI風險預警模型

在固定收益信用研究體系中，信用評級是指以企業基本面研究為主的信用水平判斷。而輿情、價格等影響因素會在短期內造成企業信用水平的波動，當積累到一定程度時，會導致企業基本面的變化，進而影響企業的信用資質。但隨著信息數據呈指數級增長、發債企業數量不斷增加、違約情況逐漸復雜化，傳統的人工分析難以覆蓋每天全市場5000余家發債主體的信用情況，因此亟須借助大數據運用、量化分析和人工智能（AI）等手段，提升信用評級效率和效果，形成主動風險監控及預警能力。

（一）量化信用評級

量化信用評級是指采用自動化模型并基于大數據技術量化入模因子，及時生成信用評級結果的現代評級方式。結合業務經驗，本研究充分挖掘數據與模型的效用，構建了量化信評模型。

企業數據作為模型分析的基礎，其廣度、深度和精度均會影響模型效果。除市場公開數據、行業特色數據外，本研究還通過非結構化數據解析、自然語言處理（NLP）解析及特征提取等技術手段，將傳統意義上難以入模的非定量指標轉換成標準化指標，可持續獲取非常規數據。本研究所獲取的數據涵蓋20萬余條市場債券信息，并對所有數據進行統一標簽化管理。

在構建量化模型時，本研究經綜合考量，選取評級區分度較高、準確度經過投資實戰檢驗的平安資管內部評級作為模型學習目標，并輔以國際三大評級機構的全球評級結果進行校準。在模型方法選擇上，通過對比多種建模方法，同時選擇多元邏輯回歸模型和XGBoost非線性模型1，以達到優勢互補的目的，在提高準確度的同時，確保解釋性。經過分析師對模型因子的業務含義檢查，模型結果與人工結果的交叉校驗，不斷的模型訓練、參數調節，最終形成量化信用評級模型。

從模型運用效果來看，業務部門評價其智能程度大體上可以與市場上一個中等水平分析師的能力相當。具體以2014—2019年所有發債主體的模型評級結果為樣本池進行檢驗，總體呈現以下特點：

第一，模型評級的區分度較高。以2019年數據為例，評級結果呈現如圖2所示的正態分布。

第二，模型評級的準確度較高。從2019年年報數據來看，90%以上的發債主體評級與內部評級差異保持在1級以內，二者差異在2級以內的主體占比達97.6%，高于行業通常水平。

第三，模型所評級別越高，對應發債主體的級別穩定性越好。AA級及以上發債主體的評級結果總體上變動較小，而中低評級發債主體的評級結果調整較為頻繁。

（二）AI風險預警

為實現對企業信用風險的主動管理，本研究從財務粉飾、經營風險、輿情風險、市場異動、關聯風險等多個方面構建AI模型以捕捉風險因素，從而及時監控信用風險波動情況。運用AI模型進行風險預警的最大挑戰之一是樣本稀疏。以財務粉飾識別為例，一般常被用來作為研究樣本的曾受過監管部門處罰的企業只有百余家。因此本研究采用兩層因子設計來解決樣本稀疏的問題。第一層為業務規則沉淀，基于專家經驗和規則判斷，獲取精度較高但覆蓋率較低的造假樣本，同時引入風險評估領域中常用的極值分布理論對尾部風險進行廣義帕累托分布的擬合，用以捕捉疑似財務造假樣本。第二層為深度學習泛化，通過機器學習模型對上一步所得可靠性較高的財務造假可疑樣本進行泛化學習，找到與之類似但無法通過簡單業務規則直接抓取的疑似造假樣本，再通過非結構化的輔助指標，拼出完整的造假證據鏈，對財務造假情形實現精準預警。

另外，為了讓模型能識別“重大信用風險的征兆”而非僅識別“近在眼前的違約”，在AI風險預警模型的主模型層面，借鑒遷移學習的方法，將外部評級下調、列入評級觀察名單、內部評級下調、異常成交等多種信用風險事件共同納入模型的學習目標，使模型不僅能夠識別違約事件，也能盡早提前識別企業信用風險暴露的征兆。與傳統的評級模型相比，預警更強調捕捉信用風險的動態變化，因此在平安資管“風險預警等級”五級分類2這一輸出形式的基礎上，引入了“風險趨勢”的概念，用以描述預警模型領先于市場普遍認知（來自外部評級、公允估值等信息源）的風險變動預判。簡單地說，本研究希望通過風險預警模型助力投資者在瞬息萬變的資本市場中能最具前瞻性。

組合管理：構建固定收益多因子體系

現代證券投資組合理論是美國經濟學教授哈里·馬科維茨最早提出的，通過將概率論和線性代數的方法應用于證券投資組合研究，探討了不同類別、運動方向各異的證券間的內在相關性。威廉·夏普在其理論基礎上進一步提出了資本資產定價模型（CAPM），這是因子投資模型的雛形。隨后眾多的學術和市場人士加入對因子投資的研究。在固定收益投資領域，由于底層資產更為復雜，其中的因子模型開發較權益投資領域更為困難，強大計算能力的要求更是令人望而卻步。借助金融科技力量進行個債的因子拆解處理，組合的優化管理才有辦法得以實施。

（一）因子構建

結合投資實踐需要，本研究著手對各類資產進行因子拆解，建立了多因子體系。其中，對個債因子的拆解采用以利率久期（細化到短端、中端及長端）收益因子、利差調整久期收益因子、套息收益因子為主要部分的固定收益多因子模型，以此輔助投資經理管理固定收益投資組合。在針對中國市場的回測研究中，這套因子對過去一段時間組合投資收益的解釋性非常好，在不同的市場狀態下均能表現穩定。

對于利率久期收益因子，選取整條國債收益率曲線上的幾個關鍵期限點，通過關鍵期限點收益率的變化即可解釋絕大多數國債價格的變化。

對于利差調整久期收益因子，將信用債與同期限國債的信用利差變化3進一步拆解為信用主體所在領域（可以按行業、信用等級等劃分）的總體變化及其個體變化。

對于套息收益因子，將持有債券的靜態利息收益進一步細分為對應回購融資成本的套息（base rate carry）、相同久期國債收益率的套息（duration equivalent carry）以及期權調整后相對國債利差的套息（OAS carry）。債券的剩余期限在持有期會越來越短，在收益率曲線上將逐漸向左移動，而正常的收益率曲線一般向右上方傾斜，還會存在相應的騎乘（rolldown）收益。

（二）組合管理及優化

基于以上覆蓋固定收益類資產的底層因子框架，投資經理在構建一個組合和后續的調倉優化過程中，即可以使用組合管理中的優化算法，更科學地選擇資產和配置投資權重。

本研究開發了一套借鑒AI算法的創新型多目標優化算法，可以在給定多個投資目標和受到多個投資限制時，基于多因子體系給出多個帕累托最優前沿上可投資產權重配置的結果，實現在因子層面的最優化。這套算法充分考慮了中國債券市場的交易規則慣例，如銀行間市場債券的最小交易面值為1000萬元、新老券的流動性差異等，使得優化的結果具備相當高的實操性。在此基礎上，本研究進一步推出了組合管理平臺。該平臺能夠根據投資目標的變化，為投資經理在管理被動組合、主動組合、貨幣產品等固定收益產品時提供投資建議。

當管理被動組合時，投資目標往往是使組合的投資收益盡量與作為業績基準的指數收益保持一致。組合管理平臺計算出指數在各因子上的風險暴露權重后，通過算法優選出一些跟蹤誤差最小的投資組合，從而使得投資經理構建組合的過程變得更客觀和輕松。

當管理主動組合時，投資目標就有多種可能，如達到一個絕對收益水平、超越指數基準等。組合管理平臺在將投資經理對市場的預期觀點（如對無風險收益率、信用利差走勢的判斷）反映到資產配置的過程中，借助多目標優化為投資經理提供風險收益曲線上的有效前沿選擇，從而構建風險收益更均衡的投資組合。

對于一個貨幣產品，投資經理必須在收益與流動性之間進行權衡。通過對個債流動性成本的計算，組合管理平臺可以幫助投資經理在滿足組合流動性目標的同時，優化得到收益更高的資產配置方案。

市場每天都在變化，投資是一個動態的過程，組合管理平臺也提供了客觀準確的回溯歸因，直觀展示組合收益在各因子上的分解情況，方便投資經理持續了解自己的預期觀點為組合帶來的收益情況。當投資經理更新預期觀點后，通過多因子模型重新進行多目標優化，即可為投資經理提供優化組合的建議，以便作出調倉決策。

（三）組合風險管理

資管新規實施以來，各類固定收益產品均在進行凈值化轉型，如何降低組合波動率、控制收益的最大回撤率成為整個資管行業的痛點。

由于債券資產間的歷史協方差矩陣無法捕捉波動性趨勢的變化，固定收益多因子模型引入歷史波動率（Historical Vol）、隨機波動率（Stochastic Vol）、波動率的波動率（Vol of Vol）等統計指標，通過計算各因子間的前瞻性方差協方差矩陣和投資組合在各因子上的風險暴露權重，及時反映市場波動性的趨勢性變化。而且當計算好各因子間方差的協方差后，可以將模型系統地應用到各種投資組合中，以更準確地預估組合的波動率，幫助投資經理更好地控制組合收益的回撤率。這些對于投資決策及風險管理均具有指導意義。

固定收益多因子模型同樣也能更好地刻畫壓力測試場景下的組合收益率變化，是對波動率及VaR等風險度量的補充，主要防范回報分布的“肥尾效應”。在多因子傳導的壓力測試中， 通過對關鍵因子施壓并納入因子的相關關系進行風險傳導，計算其他因子被動變化后的收益，從而得到對投資組合整體的沖擊，模型結果更貼近現實且具有前瞻性。

未來展望

從長遠角度看，大數據、計算機算法和AI等技術在固定收益投資領域所能提供的價值遠非上述所列幾項，其在債券流動性成本及溢價預估、市場精準化定價、多資產組合精細化分析支持等方面仍有很大的應用空間。

隨著金融科技的蓬勃發展，如何使其與固定收益投資實務有效融合，將是金融機構打造在固定收益投資領域核心競爭力的關鍵所在，同時也是解決我國固定收益市場流動性問題以及提升市場有效性的重要抓手。

注：

1.多元邏輯回歸模型的解釋性好，更接近人的思維，但準確度不足;XGBoost非線性模型的準確度高，能處理更高維的數據，但解釋性較差。

2.平安資管“風險預警等級”五級分類是指根據信用風險程度將企業劃分為高風險、中高風險、中風險、中低風險、低風險五個等級。

3.信用債價格除受無風險收益率的影響外，還受預期違約率的影響，體現在與同期限國債的信用利差變化上。

作者單位：平安資產管理金融工程團隊

平安資產管理創新規劃團隊

責任編輯：孫惠玲? 印穎

參考文獻

[1] 陳秀梅.我國債券市場信用風險管理的現狀及對策建議[J].宏觀經濟研究，2012（2）.

[2] 溫彬，張友先，汪川.國際債券市場的發展經驗及對我國的啟示[J].上海金融，2010（9）.