债券策略周报 20250921 持券过节？怎么看 2025 年 09 月 21 日 ➢ 债市观点及组合策略推荐。 ➢ 临近国庆长假，需要持券过节吗？ ➢ 首先从资本利得角度，短时间对于利率有下行支撑的因素主要在于央行买债 预期，而如果买债规模不大，仅"续作"到期债券，对于债市的利好程度有限。 当前 10 年国债处于 1.8%左右，上行和下行均有空间，但债券赚钱效应的预期不 强。因此如果期待长假前后有较好的资本利得预期，则需要两种条件：1.债券利 率继续调整至有下行赔率位置，例如 10 年国债利率上行至 1.87-1.88%等超跌 位置；2.债券赚钱效应预期提高，情绪变好，例如出现央行降息、大规模买债预 期高、权益大幅下跌、四季度经济预期降温明显等因素。 ➢ 其次从票息角度，在央行依然保持宽松取向，预计资金利率不会大幅上升的 背景下，当前 1Y 存单、1-2Y 及以下信用下沉、2-3Y 高等级信用持有价值尚可。 但同时也需要考虑近期隔夜资金的收敛，以及四季度资金波动可能加大的情况， 再结合资本利得空间不大的背景下，5Y 以上信用需要谨慎一些；3-5Y 信用按照 交易思维对待，优先以二永为主，跟随长利率操作。 ➢ ...

量化模型与构建方式 1. 宏观冲击回归模型 - **模型名称**：宏观冲击回归模型[3][16] - **模型构建思路**：通过回归分析量化资产收益对非预期通货膨胀和非预期经济增长的敏感度（贝塔系数），以反映宏观经济意外冲击对资产价格的影响[3][16] - **模型具体构建过程**： 1. 使用二元回归模型，将资产收益同时对非预期通胀和非预期增长进行回归[3][16] 2. 模型公式为： $$r_{t+1}=c+\beta_{\pi}\pi_{t+1}^{s}+\beta_{g}g_{t+1}^{s}+\varepsilon_{t+1}$$[16] 其中： - $r_{t+1}$ 表示资产在t+1期的收益 - $c$ 为常数项 - $\beta_{\pi}$ 为通胀贝塔系数，衡量资产对通胀冲击的敏感度 - $\pi_{t+1}^{s}$ 表示非预期通货膨胀，计算公式为：$$\pi_{t+1}^{s}=\pi_{t+1}-E_{t}\pi_{t+1}$$[16] - $\beta_{g}$ 为增长贝塔系数，衡量资产对增长冲击的敏感度 - $g_{t+1}^{s}$ 表示非预期经济增长，计算公式为：$$g_{t+1}^{s}=g_{t+1}-E_{t}g_{t+1}$$[16] - $\varepsilon_{t+1}$ 为误差项 3. 使用1970年6月至2023年9月的季度数据，实际GDP增长数据来自美国经济分析局，CPI通胀数据来自美国劳工统计局，预期数据来自专业预测者调查（SPF）[18] 4. 通过从实际值中减去期初测得的一年期SPF增长预期和通胀预期，计算增长冲击和通胀冲击[18] - **模型评价**：该模型考虑了通胀与增长之间的相关性，使用非预期冲击作为自变量更能反映资产对意外经济变化的敏感度[17] 2. 预期值回归模型 - **模型名称**：预期值回归模型[29] - **模型构建思路**：评估预期增长和通胀对资产收益的影响，使用预期值而非意外冲击作为解释变量[29] - **模型具体构建过程**： 1. 回归模型公式为： $$r_{t+1}=c+\beta_{\pi}^{e}E_{t}\pi_{t+1}+\beta_{g}^{e}E_{t}g_{t+1}+\varepsilon_{t+1}$$[29] 其中： - $E_{t}\pi_{t+1}$ 表示t期对t+1期的通胀预期 - $E_{t}g_{t+1}$ 表示t期对t+1期的增长预期 - $\beta_{\pi}^{e}$ 和 $\beta_{g}^{e}$ 分别表示资产对预期通胀和预期增长的敏感度 2. 使用与基准模型相同的数据源和时间范围[29] 3. 实际值回归模型 - **模型名称**：实际值回归模型[32] - **模型构建思路**：使用实际经济增长和通货膨胀作为自变量，评估它们对资产收益的影响[32] - **模型具体构建过程**： 1. 回归模型公式为： $$r_{t+1}=c+\beta_{\pi}^{r}\pi_{t+1}+\beta_{g}^{r}g_{t+1}+\varepsilon_{t+1}$$[32] 其中： - $\pi_{t+1}$ 表示t+1期的实际通货膨胀率 - $g_{t+1}$ 表示t+1期的实际经济增长率 - $\beta_{\pi}^{r}$ 和 $\beta_{g}^{r}$ 分别表示资产对实际通胀和实际增长的敏感度 2. 使用与基准模型相同的数据源[32] 4. 混合回归模型 - **模型名称**：混合回归模型[34] - **模型构建思路**：结合使用冲击变量和实际值变量，探究预期因素在解释资产收益变化中的作用[34] - **模型具体构建过程**： 1. 第一种变体使用增长冲击和实际通胀作为自变量： $$r_{t+1}=c+\beta_{g}g_{t+1}^{s}+\beta_{\pi}^{r}\pi_{t+1}+\varepsilon_{t+1}$$[34] 2. 第二种变体使用通胀冲击和实际增长作为自变量： $$r_{t+1}=c+\beta_{\pi}\pi_{t+1}^{s}+\beta_{g}^{r}g_{t+1}+\varepsilon_{t+1}$$[34] 5. 预期通胀变动模型 - **模型名称**：预期通胀变动模型[35] - **模型构建思路**：探究通胀冲击作为预期通胀变化代理变量的作用，评估预期通胀变动对资产收益的影响[35] - **模型具体构建过程**： 1. 使用预期通胀变化和增长冲击作为解释变量[35] 2. 模型形式为： $$r_{t+1}=c+\beta_{\Delta E\pi}\Delta E_{t}\pi_{t+1}+\beta_{g}g_{t+1}^{s}+\varepsilon_{t+1}$$[35] 3. 分别对完整样本（1970-2023）和子样本（1982-2023）进行回归分析[36] 6. 特定情景优化模型 - **模型名称**：特定情景优化模型[56] - **模型构建思路**：基于投资者特定的宏观经济观点，通过设定不同的增长和通胀冲击，计算条件预期收益，并进行均值-方差优化[52][56] - **模型具体构建过程**： 1. 首先估算各资产的增长贝塔值和通胀贝塔值[52] 2. 根据投资者与市场预期的偏差设定冲击值（如±2个百分点）[57] 3. 计算条件预期收益：$E[r|scenario] = carry + \beta_{g} \times \Delta g + \beta_{\pi} \times \Delta \pi$[57] 4. 进行均值-方差优化，约束条件包括：各资产换手率不超过5%，最优组合波动率不超过初始组合波动率（11.6%）[57] 5. 考虑四种情景：高通胀低增长（HILG）、高通胀高增长（HIHG）、低通胀低增长（LILG）、低通胀高增长（LIHG）[57] 7. 宏观贝塔约束优化模型 - **模型名称**：宏观贝塔约束优化模型[61] - **模型构建思路**：将宏观贝塔值作为约束条件纳入均值-方差优化，构建对宏观经济风险更具韧性的投资组合[53][61] - **模型具体构建过程**： 1. 优化问题表述为： $$\max w^{\prime}\mu$$[61] Subject to[61] $$w^{\prime}\Sigma w \leq \sigma^{2}$$[61] $$w^{\prime}\beta_{\pi} \geq \underline{\beta_{\pi}}$$[61] 其中： - $w$ 为资产权重向量 - $\mu$ 为预期收益向量 - $\Sigma$ 为方差-协方差矩阵 - $\sigma^{2}$ 为波动率约束 - $\underline{\beta_{\pi}}$ 为通胀贝塔值下限约束（如-1.0）[61] 2. 通过增加对高通胀贝塔值资产（如大宗商品）或通胀贝塔值负得较少的资产（如私募房地产）的权重，降低组合对通胀风险的敏感度[61] 量化因子与构建方式 1. 通胀冲击因子 - **因子名称**：通胀冲击因子[16] - **因子构建思路**：衡量实际通货膨胀与预期通货膨胀之间的差异，反映价格水平的意外变化[16][35] - **因子具体构建过程**： $$\pi_{t+1}^{s}=\pi_{t+1}-E_{t}\pi_{t+1}$$[16] 其中： - $\pi_{t+1}$ 为t+1期的实际CPI通胀率[18] - $E_{t}\pi_{t+1}$ 为t期对t+1期的通胀预期，来自专业预测者调查（SPF）[18] 2. 增长冲击因子 - **因子名称**：增长冲击因子[16] - **因子构建思路**：衡量实际经济增长与预期经济增长之间的差异，反映经济活动的意外变化[16] - **因子具体构建过程**： $$g_{t+1}^{s}=g_{t+1}-E_{t}g_{t+1}$$[16] 其中： - $g_{t+1}$ 为t+1期的实际GDP增长率[18] - $E_{t}g_{t+1}$ 为t期对t+1期的增长预期，来自专业预测者调查（SPF）[18] 3. 通胀贝塔因子 - **因子名称**：通胀贝塔因子[3] - **因子构建思路**：衡量资产收益对通胀冲击的敏感度，反映资产对冲通胀风险的能力[3][4] - **因子具体构建过程**： 通过宏观冲击回归模型估计得到的$\beta_{\pi}$系数[3][16] 4. 增长贝塔因子 - **因子名称**：增长贝塔因子[3] - **因子构建思路**：衡量资产收益对增长冲击的敏感度，反映资产对冲增长风险的能力[3][4] - **因子具体构建过程**： 通过宏观冲击回归模型估计得到的$\beta_{g}$系数[3][16] 模型的回测效果 1. 宏观冲击回归模型 - 短期利率：增长贝塔值0.38(t=4.34)，通胀贝塔值0.52(t=5.65)，调整R²=0.39[25] - 10年期名义收益率：增长贝塔值0.18(t=3.23)，通胀贝塔值0.32(t=5.77)，调整R²=0.31[25] - 名义30年-10年利差：增长贝塔值-0.05(t=-3.98)，通胀贝塔值-0.05(t=-3.30)，调整R²=0.19[25] - 10年期实际收益率：增长贝塔值0.05(t=1.71)，通胀贝塔值0.04(t=0.85)，调整R²=0.03[25] - 股票：增长贝塔值3.75(t=3.90)，通胀贝塔值-1.99(t=-2.63)，调整R²=0.24[25] - REITs：增长贝塔值3.36(t=2.82)，通胀贝塔值-0.89(t=-0.89)，调整R²=0.13[25] - 信用利差：增长贝塔值-0.15(t=-4.97)，通胀贝塔值0.03(t=1.15)，调整R²=0.19[25] - 大宗商品：增长贝塔值2.00(t=2.69)，通胀贝塔值7.62(t=5.26)，调整R²=0.37[25] - 黄金：增长贝塔值-1.78(t=-1.75)，通胀贝塔值5.84(t=3.11)，调整R²=0.23[25] 2. 预期值回归模型 - 所有因子和资产的R²值均较低，系数统计上不显著[31] 3. 实际值回归模型 - 贝塔系数符号和显著性与基准模型大致相同，但R²值通常低于基准模型[33] 4. 预期通胀变动模型（完整样本1970-2023） - 短期利率：通胀贝塔值1.59(t=6.43)，调整R²=0.40[37] - 10年期名义收益率：通胀贝塔值0.82(t=3.54)，调整R²=0.23[37] - 30年-10年利差：通胀贝塔值-0.17(t=-3.19)，调整R²=0.21[37] - 10年期实际收益率：通胀贝塔值0.01(t=0.12)，调整R²=0.02[37] - 股票：通胀贝塔值-4.64(t=-1.99)，调整R²=0.22[37] - REITs：通胀贝塔值-1.39(t=-0.56)，调整R²=0.11[37] - 信用利差：通胀贝塔值-0.01(t=-0.11)，调整R²=0.17[37] - 大宗商品：通胀贝塔值20.81(t=4.48)，调整R²=0.31[37] - 黄金：通胀贝塔值18.88(t=4.69)，调整R²=0.26[37] 5. 预期通胀变动模型（子样本1982-2023） - 短期利率：通胀贝塔值1.74(t=4.56)，调整R²=0.34[37] - 10年期名义收益率：通胀贝塔值1.33(t=5.67)，调整R²=0.32[37] - 30年-10年利差：通胀贝塔值-0.26(t=-4.02)，调整R²=0.21[37] - 10年期实际收益率：通胀贝塔值0.14(t=0.70)，调整R²=0.02[37] - 股票：通胀贝塔值-5.06(t=-1.56)，调整R²=0.18[37] - REITs：通胀贝塔值1.54(t=0.37)，调整R²=0.09[37] - 信用利差：通胀贝塔值-0.20(t=-1.59)，调整R²=0.17[37] - 大宗商品：通胀贝塔值16.71(t=4.34)，调整R²=0.28[37] - 黄金：通胀贝塔值4.52(t=1.32)，调整R²=0.15[37] 因子的回测效果 1. 通胀冲击因子 - 与实际通胀高度相关，相关系数0.89[31] - 与预期通胀相关性较低，相关系数0.05[31] 2. 增长冲击因子 - 与实际增长高度相关，相关系数0.78[31] - 与预期增长相关性较低，相关系数0.14[31] 3. 通胀贝塔因子 - 大多数传统资产（如股票和固定收益）为负值[4][25] - 大宗商品和通胀挂钩债券为正值[4][25] - 黄金的正值主要归因于20世纪70年代的数据[43] 4. 增长贝塔因子 - 大多数资产为正值[4][25] - 久期资产和黄金为负值[4][25]

课程内容与定位 - 课程名称为《徐可·2025-2026投资组合构建年课》[1] - 课程聚焦于帮助投资者构建系统性投资组合方法论[1] - 课程内容覆盖动态布局红利、重组、科技三大热门题材[3][4] - 课程强调低波动策略以应对市场突发冲击[4][10] 定价与促销信息 - 课程原价为16658元[4] - 限时优惠价12400元[4] - 优惠活动时间为2025年8月1日至2025年8月15日[4] - 优惠总额达4258元[4] 服务条款与权限 - 订阅期为2025年9月1日至2026年8月31日[7] - 订阅后可观看订阅期内发布的全部内容[7] - 非年课期间发布的内容不在权限范围内[7] - 产品为虚拟服务不支持7天无理由退换[8] 用户支持与操作 - 需通过正确手机号开通产品权限[5] - 产品使用需联系"有看投"官方客服或小助理[5] - 最终解释权归第一财经"有看投"所有[5]

量化模型与构建方式 1. **模型名称：JumpModel** - **模型构建思路**：通过分解资产收益率变化，区分平稳变化与跳跃变化，捕捉市场结构性变化[3] - **模型具体构建过程**： 1. 基于隐马尔可夫模型（HMM）拓展，引入跳跃过程描述突变： $$P(S_{t}|S_{t-1},J_{t})=(1-\lambda)P_{i j}+\lambda Q_{i j}$$ 其中$\lambda$控制跳跃概率，$Q_{i j}$为突变转移概率[14] 2. 观测变量服从带跳跃项的肥尾分布： $$Y_{t}|S_{t},J_{t}\sim{\mathcal{N}}{\big(}\mu_{S_{t}}+J_{t},\sigma_{S_{t}}^{2}+\sigma_{J}^{2}{\big)}$$ $J_t$可选用Laplace分布等[17] 3. 惩罚系数$\lambda$通过滚动窗口交叉验证优化（24个月训练窗口+12个月验证窗口）[30] - **模型评价**：相比传统HMM能更及时捕捉市场突变，但对惩罚系数敏感[20] 2. **模型名称：XGBoost预测模型** - **模型构建思路**：集成学习方法处理高维特征数据，预测JumpModel输出的市场状态[4] - **模型具体构建过程**： 1. 输入特征包括资产特定回报特征（EMA、Sortino比率等）和跨资产宏观特征（国债收益率、VIX指数等）[32] 2. 采用默认参数避免过拟合，每6个月滚动迭代训练[34] - **模型评价**：在沪深300、中证500等资产上展现出稳健的择时能力[35][39] 3. **模型名称：均值-方差优化组合** - **模型构建思路**：基于XGBoost预测结果动态调整资产权重[42] - **模型具体构建过程**： 目标函数： $$\max w^T \mu - \frac{\gamma}{2}w^T \Sigma w - \alpha \|w-w_{pre}\|_1$$ 约束条件：$0 \leq w_i \leq 40\%$（单资产上限）[42] 协方差矩阵$\Sigma$反映资产间风险联动[43] --- 模型的回测效果 1. **JumpModel-XGBoost框架** - 沪深300择时策略年化收益率6.37%，IR 0.58（基准为等权配置）[49] - 中证500策略交易频率较高，需注意成本控制[39] - 中证国债指数策略成功捕捉牛市主要阶段[41] 2. **均值-方差优化组合** - 2018-2025年多资产测试中： - 年化收益：6.37% - 最大回撤：13.9%（2021年） - 换仓频率：3-11次/年[55] - 配置上限测试（30%/40%/50%/70%）显示收益差异不显著[56] --- 量化因子与构建方式 1. **因子名称：资产特定回报特征** - **因子构建思路**：捕捉资产自身波动与风险特征[32] - **因子具体构建过程**： - 指数移动平均线（EMA） - 下行偏差（对数刻度） - Sortino比率[32] 2. **因子名称：跨资产宏观特征** - **因子构建思路**：反映市场整体风险偏好与流动性[32] - **因子具体构建过程**： - 2年期国债收益率 - 国债收益率曲线斜率 - VIX指数 - 股债相关性[32] --- 因子的回测效果 （注：报告中未单独列出因子测试指标，仅作为模型输入特征使用）

投资组合构建基础 - 资产配置是投资组合构建的起点，需平衡风险与收益以实现长期稳健增长 [1] - 投资者需根据收入稳定性、负债情况及投资经验评估风险承受能力 [1] - 年轻投资者可提高权益类资产占比，临近退休投资者需侧重固定收益类资产 [1] - 股票、债券、货币基金及黄金等大宗商品可形成有效互补 [1] - 跨资产类别的配置组合波动率通常低于单一资产投资 [1] 投资工具选择 - 指数基金与ETF是新手理想入门工具，具有低成本、高透明度特点 [2] - 沪深300指数基金覆盖A股核心资产，标普500 ETF提供全球优质企业配置机会 [2] - 债券基金选择需关注久期与信用等级，中短期利率债基金适合作为组合稳定器 [2] - 货币基金与国债逆回购适合风险偏好极低的投资者 [2] 组合构建策略 - "核心-卫星"策略中核心资产占60%-70%，以大盘指数基金或债券基金为主 [4] - 卫星资产配置30%-40%，可涉足行业主题基金或黄金ETF以捕捉结构性机会 [4] - 科技股周期中增加半导体或新能源ETF权重可能提升组合收益 [4] 动态管理 - 需定期审视资产比例并进行再平衡操作以维持组合健康 [4] - 股票类资产因上涨超配时需将部分收益转移至债券或现金类资产 [4] - 个人财务状况变化如购房、子女教育等需触发组合调整 [4] - 每年进行一次再平衡的组合夏普比率较不调整组合高出0.2-0.3 [4]

巴菲特早期投资业绩 - 1957-1969年合伙企业时期实现29.5%年化收益率（费前），同期道琼斯指数仅7.4% [4] - 投资组合集中于传统行业"烟蒂股"，而非高科技公司 [4] - 早期方法论基于资产负债表定量分析，强调投资动作一致性和可复制性 [4] 投资方法论演变 - 投资分析起点为资产负债表，重点关注普通股市值低于净现金/净流动资产/净有形资产的机会 [5] - 早期受格雷厄姆影响，后期逐步发展出三类投资机会分类：普通股（组合占比5-10%）、套利股（占比最高25%）、控制股（占比25-35%）[19] - 从严格资产负债表分析扩展到识别表外资产（如美国运通的"客户信任"资产）[19] 格瑞夫兄弟制桶公司案例 - 1951年投资时股价18.25美元，较每股净流动资产20.47美元折价11%，较净有形资产39.60美元折价54% [8] - 木材资产占固定资产44.2%，具有保值特性 [8] - 管理层变更后回购超30%流通股，使每股净有形资产增加12.4美元 [8] - 1951-1956年实现年化20%回报，转型成功得益于历史客户关系 [9] 联合街铁路案例 - 1954年投资时市值不足100万美元，股价30-35美元低于每股净现金48.13美元 [12][14] - 存在每股21.04美元特殊存款隐藏资产 [14] - 1956年派发50美元/股特别股息，总回报翻倍（年化30%）[14] 费城雷丁公司案例 - 1954年股价13.38美元，表外无烟煤废渣资产估值每股8美元 [15][16] - 1955年以1500万美元收购联合内衣公司（税前利润300万美元），利用税盾效应 [16] - 后续系列收购推动股价从1954年12美元升至1968年200美元（14年年化22%）[17][18] - 该案例成为伯克希尔哈撒韦公司运营模式的雏形 [18] 行业特征 - 格瑞夫公司所处木桶行业面临集装箱替代，1947年后收入利润下滑 [7][8] - 联合街铁路所在公共交通行业受汽车替代影响，1946-1953年乘客量下降55% [12] - 费城雷丁所在无烟煤行业产量从1917年9960万吨下滑至1953年3090万吨 [15]