機(jī)構(gòu)行為視角下的債券交易領(lǐng)先因子探尋與神經(jīng)網(wǎng)絡(luò)收益率預(yù)測

摘要：機(jī)構(gòu)行為研究對債券投資交易策略制定及風(fēng)控具有重要意義。本文主要分析了機(jī)構(gòu)投資者在債券市場中的交易行為及其對市場動態(tài)的影響。利用中國外匯交易中心的日頻現(xiàn)券交易數(shù)據(jù)，本文首先識別了機(jī)構(gòu)投資者的交易偏好，隨后通過測算交易勝率來評估其市場預(yù)測能力。最后，本文構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，輸入現(xiàn)券交易數(shù)據(jù)，對債券收益率變動進(jìn)行預(yù)測。研究結(jié)果不僅為理解機(jī)構(gòu)行為提供了新的視角，也為債券投資者制定投資策略和防范風(fēng)險(xiǎn)提供了一定參考。

關(guān)鍵詞：債市機(jī)構(gòu)行為 現(xiàn)券交易領(lǐng)先指標(biāo) 神經(jīng)網(wǎng)絡(luò) 債券收益率預(yù)測

引言

機(jī)構(gòu)投資者憑借其規(guī)模優(yōu)勢、信息獲取能力以及高效的信息處理能力，在資本市場中扮演著日益重要的角色。在債券市場中，這一現(xiàn)象尤為顯著，因?yàn)闄C(jī)構(gòu)投資者是市場流動性的主要提供者和交易的主導(dǎo)力量，所以機(jī)構(gòu)行為已成為債市的關(guān)鍵觀察指標(biāo)。機(jī)構(gòu)投資者的交易策略、風(fēng)險(xiǎn)偏好和市場預(yù)期等行為特征，對債券收益率曲線、市場流動性以及價(jià)格發(fā)現(xiàn)機(jī)制都有著深遠(yuǎn)的影響。過去，受限于交易明細(xì)數(shù)據(jù)的可得性，相關(guān)研究通常依賴于月頻的托管數(shù)據(jù)，時(shí)間相對滯后。隨著金融科技的發(fā)展和市場基礎(chǔ)設(shè)施的完善，現(xiàn)券交易數(shù)據(jù)的顆粒度得到提升，使得市場對機(jī)構(gòu)行為的研究越來越精細(xì)和深入。本文主要依據(jù)中國外匯交易中心發(fā)布的日頻現(xiàn)券市場交易數(shù)據(jù)，首先通過對債市參與機(jī)構(gòu)凈買入數(shù)據(jù)的分析，把握機(jī)構(gòu)的投資交易行為偏好；其次對機(jī)構(gòu)的交易勝率進(jìn)行測算，進(jìn)而探尋部分機(jī)構(gòu)行為領(lǐng)先因子；最后在機(jī)構(gòu)交易數(shù)據(jù)的基礎(chǔ)上運(yùn)用神經(jīng)網(wǎng)絡(luò)模型對債市收益率的變動進(jìn)行預(yù)測，以期在債券投資上能提供一些有益的參考。

銀行間債券市場參與機(jī)構(gòu)交易行為概覽

我國的債券市場主要分為銀行間市場和交易所市場。根據(jù)中國人民銀行數(shù)據(jù)，截至2024年6月末，銀行間市場債券托管規(guī)模約為144萬億元，占比達(dá)87.5%。銀行間市場依然是債券交易的最主要場所，因此本文主要依據(jù)現(xiàn)券交易日報(bào)對銀行間市場的機(jī)構(gòu)交易行為進(jìn)行分析。

現(xiàn)券交易日報(bào)數(shù)據(jù)包括機(jī)構(gòu)、交易日期、債券期限、券種和凈買入規(guī)模五個(gè)維度。機(jī)構(gòu)主要包括12類，分別是國有大行/政策性銀行（以下簡稱“大行”）、股份行、城商行、農(nóng)商行、外資行、券商、基金、貨幣基金、保險(xiǎn)、理財(cái)、其他產(chǎn)品1和其他機(jī)構(gòu)2。

從各機(jī)構(gòu)凈買入數(shù)據(jù)可見，銀行間市場上的凈買入機(jī)構(gòu)和凈賣出機(jī)構(gòu)劃分整體較為穩(wěn)定。凈買入機(jī)構(gòu)主要包括農(nóng)商行、基金、理財(cái)、保險(xiǎn)、其他產(chǎn)品、其他機(jī)構(gòu)和外資行，凈賣出機(jī)構(gòu)主要包括股份行、城商行和券商（見圖1）。大行和貨幣基金凈買入穩(wěn)定性較弱。凈賣出機(jī)構(gòu)主要受到其在一級市場認(rèn)購、二級市場分銷的影響，因此呈現(xiàn)出持續(xù)的凈賣出行為，對分析該類機(jī)構(gòu)的真實(shí)交易偏好有所干擾。下文集中在對凈買入規(guī)模較大的主要凈買入機(jī)構(gòu)的分析上，具體包括農(nóng)商行、基金、理財(cái)、保險(xiǎn)和其他產(chǎn)品，其他機(jī)構(gòu)由于2022年中口徑發(fā)生變化暫不考慮。

各機(jī)構(gòu)交易行為偏好原因分析

機(jī)構(gòu)行為偏好背后的根源是負(fù)債來源，同時(shí)疊加了監(jiān)管約束和考核機(jī)制不同的影響，因此本文著重從負(fù)債角度分析機(jī)構(gòu)行為偏好原因。各機(jī)構(gòu)分券種及特定券種分期限平均買入量占比請見圖2、圖3、圖4。按現(xiàn)券交易日報(bào)分類，券種分為國債、政策性金融債（以下簡稱“政金債”）、地方政府債、中票、短融、超短融、企業(yè)債、資產(chǎn)支持證券、其他和同業(yè)存單。為便于分析，本文將中票、短融、超短融、企業(yè)債、資產(chǎn)支持證券和其他統(tǒng)一歸類為信用債。

（一）農(nóng)商行

分券種來看，農(nóng)商行偏好買賣國債、政策性金融債和同業(yè)存單。具體到期限，國債主要偏好10年期和30年期，政策性金融債偏好10年期。從負(fù)債角度看，銀行的負(fù)債以存款為主，規(guī)模相對穩(wěn)定，通過同業(yè)存單等方式也可以快速補(bǔ)充。此外，銀行受資本充足率及流動性比率的約束比較大。較為穩(wěn)定的負(fù)債以及對高度安全性的追求對銀行的債券資產(chǎn)配置特點(diǎn)有所影響。一方面，銀行自營風(fēng)險(xiǎn)偏好較低，更多配置資本占用少的利率債及流動性較好的同業(yè)存單；另一方面，銀行的債券資產(chǎn)規(guī)模較大，并且大部分是持有至到期賬戶，需要配置長久期的債券獲取票息收益。

（二）基金

分券種來看，基金偏好政策性金融債和信用債。具體到期限，政策性金融債10年期買入占比最高，信用債以3年期及以下的短久期券種為主，其次是10年期及以上的長期和超長期券種。從負(fù)債角度看，基金以債券型基金的占比最高，債券基金的資金來源主要是機(jī)構(gòu)投資者，尤其是銀行自營和保險(xiǎn)。因此，基金的負(fù)債穩(wěn)定性相對較弱，對流動性和相對收益的要求較高，決定了基金需要通過加杠桿、拉久期和資質(zhì)下沉等策略提高收益水平，在市場上更多表現(xiàn)為交易型資金。體現(xiàn)在債券資產(chǎn)配置上，基金需要更多地配置絕對收益較高的信用債；利率債方面，由于其他機(jī)構(gòu)投資者通過基金投資政策性金融債的利息收入具有免稅效應(yīng)，因此利率債投資以政策性金融債為主。久期上，資本利得是相對收益的重要來源，因而多選擇交易長久期的利率債，信用債則在綜合考慮風(fēng)險(xiǎn)收益的情況下多選擇短久期，長期和超長期信用債多為其他類信用債（含銀行二級資本債）。

（三）理財(cái)

分券種來看，理財(cái)偏好信用債和同業(yè)存單。具體到期限，信用債以3年期及以下短久期為主。從負(fù)債角度看，理財(cái)?shù)馁Y金主要來源于個(gè)人投資者，風(fēng)險(xiǎn)偏好較低，對虧損的容忍程度一般，一旦發(fā)生破凈就傾向于選擇贖回。另外，對相對收益的考核要求也影響了理財(cái)?shù)膫Y產(chǎn)配置。理財(cái)需要投資絕對收益較高的信用債和同業(yè)存單，考慮到流動性和控制回撤，久期上多選擇中短久期。

（四）保險(xiǎn)

分券種來看，保險(xiǎn)在地方債、國債、信用債和同業(yè)存單上的買入較為平均。具體到期限，政府債以超長期為主，信用債以10年期和超長期占比最高。從負(fù)債角度看，保險(xiǎn)的資金主要來源于壽險(xiǎn)的保費(fèi)收入，負(fù)債期限長，穩(wěn)定性強(qiáng)，收益要求高于存款和短久期資管。因此，資產(chǎn)配置上，保險(xiǎn)會選擇長期和超長期品種，在兼顧流動性和收益的情況下對利率債和信用債均衡配置。

（五）其他產(chǎn)品

分券種來看，其他產(chǎn)品同基金和理財(cái)一樣，信用債占比最高，利率債占比則介于基金和理財(cái)之間。具體到期限，類似于基金和理財(cái)，其他產(chǎn)品的信用債也是3年期及以下期限占比最高，超長期信用債占比高于基金和理財(cái)，利率債主要偏好長久期。從負(fù)債角度看，以券商資管為例，過去由于資管新規(guī)的影響，券商資管的通道業(yè)務(wù)迅速下降，存量規(guī)模呈下行趨勢，但在2024年4月打擊手工補(bǔ)息后，存款資金部分流向券商資管，這部分資金對流動性和相對收益率要求較高，資產(chǎn)配置上對超長信用債的需求也更大。

機(jī)構(gòu)交易勝率測算和領(lǐng)先因子探尋

（一）機(jī)構(gòu)交易勝率測算

為衡量各類機(jī)構(gòu)在債市交易表現(xiàn)如何，本文引入勝率這個(gè)指標(biāo)。勝率的定義為：若買入后若干交易日期間利率下行，或賣出后若干交易日期間利率上行，則計(jì)為一次成功操作，反之則反。由于信用債收益率變動的趨勢基本與利率債一致，因此本文以主要利率債交易品種10年期國債為例按年份進(jìn)行交易勝率測算。機(jī)構(gòu)的二級市場交易行為變動對債券收益率的影響可能更偏短期，中長期的利率走勢或更多與宏觀經(jīng)濟(jì)基本面有關(guān)，因此本文主要測算短期交易勝率，測算區(qū)間分別選擇5個(gè)交易日（見圖5）和10個(gè)交易日（見圖6），勝率按年份進(jìn)行統(tǒng)計(jì)，2021年從7月初起算，2024年截至6月末。

通過前述對機(jī)構(gòu)的交易勝率的測算，本文發(fā)現(xiàn)，測算區(qū)間為5天時(shí)，機(jī)構(gòu)交易勝率相對分化較大，基金的勝率相對偏低。這可能和基金的交易風(fēng)格有關(guān)，基金的杠桿操作使其傾向于動量交易，容易出現(xiàn)超買和超賣的現(xiàn)象，短期內(nèi)或放大收益率波動，導(dǎo)致市場情緒出現(xiàn)反轉(zhuǎn)。除基金外其余主要買入機(jī)構(gòu)的勝率基本在50%以上，一方面意味著各機(jī)構(gòu)能識別和利用市場機(jī)會，另一方面可能也和機(jī)構(gòu)投資風(fēng)格相對穩(wěn)健有關(guān)。

當(dāng)測算區(qū)間調(diào)整為10天時(shí)，各主要買入機(jī)構(gòu)的勝率分化現(xiàn)象有所收斂，包括基金在內(nèi)的主要買入機(jī)構(gòu)的勝率基本在50%以上，顯示在該區(qū)間內(nèi)，基金的動量交易的收益或更加穩(wěn)定。另外也在一定程度上說明，買入機(jī)構(gòu)總體上可以對市場短期趨勢進(jìn)行有效識別，通過機(jī)構(gòu)交易數(shù)據(jù)的挖掘，能夠發(fā)現(xiàn)債市趨勢或反轉(zhuǎn)信號，從而輔助進(jìn)行交易決策。

（二）領(lǐng)先因子探尋

債券收益主要有以下兩種來源：一是票息收入，二是資本利得。拉長久期和加杠桿是可以放大以上兩種來源的工具。久期越大，杠桿越高，可以獲得的票息收入越多，資本利得的波動也越大。因此，在利率下行階段，機(jī)構(gòu)通常使用拉長久期和加杠桿來增厚收益。通過分析二級市場的現(xiàn)券交易數(shù)據(jù)，我們可以對久期和買賣強(qiáng)度進(jìn)行測度。這些指標(biāo)不僅有助于評估市場交易情緒，還能為預(yù)測未來債券收益率的走勢提供重要參考。

因此，針對久期以及買賣強(qiáng)度，本文主要觀測3個(gè)因子：一是長久期債券交易活躍度，主要以各機(jī)構(gòu)10年期以上國債的買入量占所有國債買入量的比重作為衡量活躍度的觀測指標(biāo)；二是買賣強(qiáng)度，凈買入量較大實(shí)際上代表了機(jī)構(gòu)的買入強(qiáng)度高，短期情緒較好；三是經(jīng)久期調(diào)整的買賣強(qiáng)度，由于考慮到機(jī)構(gòu)合計(jì)凈賣出會使得加權(quán)久期產(chǎn)生誤導(dǎo)性的結(jié)果，因此本文采用各期限債券久期的總量度量，即使用各期限的債券凈買入量與相應(yīng)久期相乘之和。它顯示了在一定時(shí)期內(nèi)，投資者傾向于購買哪些期限的債券，以及這種傾向的強(qiáng)度。相較長債交易活躍度，該因子考慮了機(jī)構(gòu)偏謹(jǐn)慎時(shí)短久期策略的運(yùn)用以及買入的強(qiáng)度；相較買賣強(qiáng)度，該因子考慮了久期的影響，整體來看結(jié)合了前兩者的優(yōu)點(diǎn)。在當(dāng)前債券中樞整體下行的背景下，市場更為關(guān)心階段反轉(zhuǎn)的信號，而市場情緒的演繹更易由交易型資金來主導(dǎo)。因此本文以基金為例檢驗(yàn)3個(gè)因子與30年期國債收益率的關(guān)系（見圖7）。為便于觀察，本文對3個(gè)因子進(jìn)行了等比縮放處理。

可以發(fā)現(xiàn)經(jīng)久期調(diào)整的買賣強(qiáng)度因子（因子3）與買賣強(qiáng)度因子（因子2）的走勢較為一致，并且通常對因子2的極值有放大的作用，能夠更好反映市場情緒的極端變化。根據(jù)歷史數(shù)據(jù)規(guī)律，極值的定義為最近3個(gè)月內(nèi)因子的絕對值達(dá)到最大并且超過近3個(gè)月均值的3倍。因子1對債券收益率變動方向有一定指示作用，但在收益率快速下行階段表現(xiàn)可能會有所鈍化，無法準(zhǔn)確反映市場情緒的極端變化。綜合而言，因子3對市場情緒的反應(yīng)更為靈敏，當(dāng)因子3處于極大值時(shí)，通常意味著當(dāng)前市場的樂觀情緒達(dá)到極致，利率到達(dá)階段低點(diǎn)，短期內(nèi)收益率多有上行；因子3處于極小值時(shí)，短期內(nèi)收益率延續(xù)上行趨勢或進(jìn)入震蕩行情。對這個(gè)規(guī)律的解釋可能有以下幾點(diǎn)：一是前期基金積累了較多的浮盈，市場的微小變動容易引發(fā)止盈情緒的快速增加，可以看到極小值通常跟隨著極大值出現(xiàn)；二是基金對組合久期的快速調(diào)整可能顯示資金面有所收斂、政策風(fēng)險(xiǎn)加大或基本面出現(xiàn)改善跡象，基金交易的靈活性使其具有一定領(lǐng)先性；三是基金的大量賣出代表市場恐慌情緒較重，短期內(nèi)由于慣性驅(qū)使會繼續(xù)上行。

盡管因子3能為我們指示某些時(shí)段內(nèi)的市場動向，但其局限性也不容忽視，如因子對時(shí)間窗口具有敏感性，以及單因子難以反映市場的多重影響。為了增強(qiáng)預(yù)測的魯棒性并捕捉更全面的市場行為，我們進(jìn)一步采用更為前沿的方法——基于現(xiàn)券交易數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型。

基于現(xiàn)券交易數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型預(yù)測債券收益率變動

傳統(tǒng)的債券收益率預(yù)測方法，如時(shí)間序列分析、回歸模型等，雖然在一定程度上能夠捕捉到收益率的變化趨勢，但它們往往受限于模型的線性假設(shè)，難以充分捕捉市場數(shù)據(jù)的非線性特征和復(fù)雜動態(tài)。隨著人工智能技術(shù)的發(fā)展，尤其是神經(jīng)網(wǎng)絡(luò)算法在金融領(lǐng)域的應(yīng)用日益廣泛，為債券收益率的預(yù)測提供了新的思路和工具。神經(jīng)網(wǎng)絡(luò)是一種強(qiáng)大的非線性模型，能夠通過學(xué)習(xí)大量歷史數(shù)據(jù)中的復(fù)雜模式和關(guān)系，對債券收益率的變動進(jìn)行建模和預(yù)測。通過構(gòu)建適當(dāng)?shù)纳窠?jīng)網(wǎng)絡(luò)架構(gòu)，可以有效地處理和分析歷史機(jī)構(gòu)凈買入數(shù)據(jù)和國債收益率數(shù)據(jù)，從而探索機(jī)構(gòu)行為對債市收益率的影響。

（一）模型原理

神經(jīng)網(wǎng)絡(luò)模型（見圖8）通?？梢苑譃檩斎雽印㈦[藏層和輸出層，其中隱藏層和每個(gè)隱藏層中的神經(jīng)元數(shù)目均可以有多個(gè)。為了尋找輸入數(shù)據(jù)X和真實(shí)數(shù)據(jù)Y之間的關(guān)系，需要初始化輸入層到隱藏層神經(jīng)元的權(quán)重和偏置，再經(jīng)過非線性函數(shù)激活、加權(quán)求和，最終到達(dá)輸出層。由于激活函數(shù)是非線性，使得模型可以描述X和Y之間更復(fù)雜的關(guān)系。此時(shí)模型輸出的Y’和真實(shí)數(shù)據(jù)Y尚存在差距，這個(gè)差距會通過目標(biāo)函數(shù)來衡量，目標(biāo)函數(shù)越小，代表Y’越接近于Y。之后，模型根據(jù)設(shè)置的學(xué)習(xí)率不斷迭代更新初始權(quán)重和偏置，并采用隨機(jī)梯度下降算法求解目標(biāo)函數(shù)局部最小值，即達(dá)到對Y的最優(yōu)預(yù)測。

（二）數(shù)據(jù)預(yù)處理

具體數(shù)據(jù)選擇上，本文的輸入數(shù)據(jù)主要使用當(dāng)日（t日）和歷史的國債收益率曲線，以及各機(jī)構(gòu)國債的凈買入數(shù)據(jù)，期限選擇上包含短期、長期和超長期，以涵蓋久期變化的信息，輸出為預(yù)測期10年期國債收益率變動。國債收益率來源于萬得（Wind）數(shù)據(jù)庫，凈買入數(shù)據(jù)來源于中國外匯交易中心。根據(jù)前述機(jī)構(gòu)行為偏好分析以及調(diào)參驗(yàn)證，最終本文的歷史國債收益率曲線選擇10日前（t-10日），期限包括1年期、10年期和30年期，預(yù)測期選擇10日后（t+10日），機(jī)構(gòu)選擇農(nóng)商行、保險(xiǎn)和基金?？紤]到數(shù)據(jù)量與市場條件的平衡，本文做了兩組訓(xùn)練，組一訓(xùn)練區(qū)間選擇2021年7月—2023年12月，回測區(qū)間為2024年1—6月；組二訓(xùn)練區(qū)間為2021年7月—2024年3月，回測區(qū)間為2024年4—6月。另外，由于近兩年處于債券利率下行期，債券收益率數(shù)據(jù)存在漲跌分布不均的問題，會影響模型預(yù)測的魯棒性。本文對訓(xùn)練數(shù)據(jù)做了均衡化處理，在目標(biāo)函數(shù)里對收益率向上和向下分別賦予不同的權(quán)重以應(yīng)對該問題。

（三）模型構(gòu)建和預(yù)測結(jié)果

模型構(gòu)建上，本文根據(jù)訓(xùn)練數(shù)據(jù)實(shí)際情況對神經(jīng)網(wǎng)絡(luò)模型做了適應(yīng)性調(diào)整。一是根據(jù)數(shù)據(jù)量選擇適合的層數(shù)和神經(jīng)元個(gè)數(shù)以防止過擬合；二是模型激活函數(shù)根據(jù)任務(wù)性質(zhì)選擇了Sigmoid非線性函數(shù)，解決了階躍函數(shù)在0點(diǎn)無偏導(dǎo)數(shù)的問題；三是在目標(biāo)函數(shù)中加入了正則項(xiàng)，以提高數(shù)值穩(wěn)定性和模型的泛化能力。

訓(xùn)練過程中，本文首先嘗試了不同的模型參數(shù)的初始化方法，發(fā)現(xiàn)區(qū)別不大，選擇比較常見的對稱區(qū)間均勻隨機(jī)取值，避免程序收斂不穩(wěn)定的問題；其次，對于參數(shù)的更新采用Adam方法，有助于調(diào)整不同參數(shù)的學(xué)習(xí)率，加速收斂并減少震蕩；最后，對于訓(xùn)練的次數(shù)，本文發(fā)現(xiàn)數(shù)值越大一定程度上越收斂，通過多次隨機(jī)來增強(qiáng)模型穩(wěn)定性，提高準(zhǔn)確度，而訓(xùn)練次數(shù)較少則容易陷入局部最優(yōu)的困境。

通過上述模型預(yù)測10天后國債收益率，結(jié)果如圖9所示，組一回測區(qū)間的最優(yōu)準(zhǔn)確率達(dá)到64%，組二達(dá)到75%，并且對于上行樣本和下行樣本的預(yù)測準(zhǔn)確率均達(dá)到60%以上，表明模型具有一定的預(yù)測能力和穩(wěn)定性，能夠在不同市場條件下提供相對一致的預(yù)測，也說明機(jī)構(gòu)交易行為可能對短期內(nèi)國債收益率的變動具有領(lǐng)先性。

兩組回測準(zhǔn)確率的差異主要有以下幾點(diǎn)：一是時(shí)間跨度不同的影響，組一回測區(qū)間的時(shí)間跨度更長，可能包含了更多的市場變化和不確定性，對模型的學(xué)習(xí)和泛化能力提出了更高的要求；二是組二訓(xùn)練區(qū)間更長，可能捕捉到了市場的新趨勢；三是組一回測區(qū)間包含了收益率快速下行階段，組二回測區(qū)間收益率呈震蕩走勢，或表明組二的訓(xùn)練模型在識別震蕩期間的短期變動方面更為出色。

除了準(zhǔn)確率之外，本文進(jìn)一步采用精確度和F1分?jǐn)?shù)對模型的預(yù)測性能進(jìn)行了綜合評估。其中，精確度指的是模型預(yù)測收益率上行/下行的樣本中實(shí)際上行/下行的概率，F(xiàn)1分?jǐn)?shù)則是準(zhǔn)確率和精確度的調(diào)和平均數(shù)。由于F1分?jǐn)?shù)綜合考慮了精確度和準(zhǔn)確率兩方面，避免了單一指標(biāo)可能帶來的問題，因此對模型性能的衡量更加全面。分析結(jié)果表明，模型對收益率上行和下行的預(yù)測精確度均達(dá)到60%以上，組二的預(yù)測精確度高于組一，體現(xiàn)出和準(zhǔn)確率類似的特征。其中模型對下行趨勢的預(yù)測表現(xiàn)更好，其精確度略高于上行情況。同樣，模型的F1分?jǐn)?shù)也高于60%（見圖10）。這些指標(biāo)的一致性表明了模型在不同市場變動下具有一定的穩(wěn)健性。

總結(jié)

本文首先從負(fù)債、監(jiān)管約束和考核機(jī)制等角度簡要分析了主要凈買入機(jī)構(gòu)的券種和期限偏好。一方面，特定機(jī)構(gòu)在特定期限券種上的定價(jià)權(quán)更大，偏好分析有助于明確特定期限的主要影響機(jī)構(gòu)，在投資分析中抓住重點(diǎn)，在相應(yīng)期限券種的交易上準(zhǔn)確跟蹤影響力較大的機(jī)構(gòu)行為趨勢和變化，并作出相應(yīng)判斷；另一方面，不同機(jī)構(gòu)的交易風(fēng)格不一，負(fù)債端更穩(wěn)定的機(jī)構(gòu)是市場中配置型資金的主要來源，市場情緒的演繹更易由交易型資金來主導(dǎo)，偏好分析為選擇合適的市場情緒觀測機(jī)構(gòu)奠定了基礎(chǔ)。

其次，機(jī)構(gòu)的短期交易勝率的測算結(jié)果一方面反映出機(jī)構(gòu)能夠識別短期債市趨勢；另一方面機(jī)構(gòu)的交易偏好變化一定程度上預(yù)示著市場情緒和預(yù)期的變化，通過挖掘交易數(shù)據(jù)信號，有助于投資者預(yù)測市場動向。在此基礎(chǔ)上，本文構(gòu)造經(jīng)久期調(diào)整的買賣強(qiáng)度因子，綜合考慮了久期和買入強(qiáng)度這兩個(gè)關(guān)鍵指征，發(fā)現(xiàn)基金的該因子極大值和極小值對判斷債券收益率階段底部和上行趨勢是否結(jié)束有一定的領(lǐng)先意義。需要注意的是，機(jī)構(gòu)行為的影響主要作用于短期，在基本面、資金面和債市供需未出現(xiàn)較大變化的情形下，交易型資金采取跟隨策略較好，配置型資金則可以在因子極小值出現(xiàn)后逐步介入。

最后，為緩解單個(gè)因子存在的局限性和更加全面地反映各主要機(jī)構(gòu)交易行為的綜合影響，本文采用更為前沿的神經(jīng)網(wǎng)絡(luò)模型研究了機(jī)構(gòu)交易數(shù)據(jù)和收益率變動之間的關(guān)系。結(jié)果顯示，神經(jīng)網(wǎng)絡(luò)模型具有一定的預(yù)測能力和穩(wěn)定性，對上行樣本、下行樣本以及不同的市場條件均有較高的準(zhǔn)確率和精確度。模型的預(yù)測結(jié)果一方面可以幫助投資者識別市場趨勢，作為投資時(shí)機(jī)選擇和優(yōu)化資產(chǎn)配置的參考，從而提高短期投資回報(bào)；另一方面也有助于投資者更好地管理投資組合的風(fēng)險(xiǎn)，比如通過調(diào)整久期或使用衍生品進(jìn)行對沖。需要注意的是，受限于訓(xùn)練數(shù)據(jù)的樣本量，模型的泛化能力、準(zhǔn)確率以及精確度仍有繼續(xù)提升的空間。后續(xù)研究可以從以下幾個(gè)方面開展：一是通過引入更多數(shù)據(jù)和市場情景，豐富訓(xùn)練集多樣性，提高模型的適應(yīng)性；二是本文主要考慮了微觀因素的影響，未來可通過加入高頻宏觀數(shù)據(jù)，進(jìn)一步提高模型的預(yù)測能力；三是加強(qiáng)對收益率變動幅度的預(yù)測，以更好地助力投資決策。

參考文獻(xiàn)

[1]傅雄廣，侯國棟. 金融機(jī)構(gòu)視角下的債券收益率影響因素與市場機(jī)制[J].金融市場研究，2022（4）.

[2]類承曜，陳禮清. 中國債券市場的可預(yù)測性和分割性研究[J].經(jīng)濟(jì)理論與經(jīng)濟(jì)管理，2021，41（1）.

[3]潘水洋，劉俊瑋，王一鳴. 基于神經(jīng)網(wǎng)絡(luò)的股票收益率預(yù)測研究[J].浙江大學(xué)學(xué)報(bào)（理學(xué)版），2019，46（5）.

[4]王瓊. 基于切比雪夫正交基神經(jīng)網(wǎng)絡(luò)的中國十年期國債收益率預(yù)測[J].甘肅金融，2020（4）.

[5]朱瑩瑩. 債券市場行為短期化的成因及影響分析[J]. 債券，2022（4）. DOI： 10.3969/j.issn.2095-3585. 2022.04.019.