iData交易數(shù)據(jù) 對銀行廣義利率債托管增量的預(yù)測及應(yīng)用

摘要：近年來，銀行持有銀行間廣義利率債增量數(shù)據(jù)與10年期國債收益率階段性頂部存在一定的相關(guān)性，但托管數(shù)據(jù)的延遲發(fā)布影響了預(yù)測方法的應(yīng)用。本文使用中國外匯交易中心iData的每日二級市場交易數(shù)據(jù)，通過線性回歸的方法，在每月末實(shí)時(shí)預(yù)測當(dāng)月銀行對廣義利率債的增持量，進(jìn)而為識別10年期國債收益率階段性頂部提供參考。

關(guān)鍵詞：iData交易數(shù)據(jù) 托管量 廣義利率債 10年期國債收益率

銀行的債券投資行為與債券收益率走勢

（一）銀行在廣義利率債市場的地位

我國債券市場自形成以來，一直維持著以銀行間債券市場為主、交易所市場為輔的格局。根據(jù)萬得（Wind）數(shù)據(jù)，截至2024年6月末，在我國164萬億元的存續(xù)債券規(guī)模中，銀行間市場存量規(guī)模為144萬億元，占比為87%；交易所市場存量規(guī)模為20萬億元，占比為12%。可見銀行間市場是我國債券市場的主要交易及

托管場所。

從債券類型上看，銀行間債券市場以廣義利率債（包括國債、政策性銀行債及地方債，下同）為主。根據(jù)2024年6月數(shù)據(jù)，在銀行間市場144萬億元的托管規(guī)模中，廣義利率債總規(guī)模為95萬億元，占比為66%。其中，國債規(guī)模為29萬億元，政策性銀行債規(guī)模為25萬億元，地方債規(guī)模為41萬億元。

從投資者類型上看，銀行間市場以商業(yè)銀行為最主要的投資群體。本文以廣義利率債托管數(shù)據(jù)為例，截至2024年6月，商業(yè)銀行托管規(guī)模為68萬億元，占比為71%。

由此可見，商業(yè)銀行是銀行間債券市場及廣義利率債市場最主要的參與群體。商業(yè)銀行在債券市場（尤其是廣義利率債）的交易行為，必然會(huì)對債券市場當(dāng)前及未來一段時(shí)間的收益率走勢產(chǎn)生一定程度的影響。

（二）銀行買入廣義利率債的動(dòng)機(jī)分析

從商業(yè)銀行買賣債券的動(dòng)機(jī)上看，大部分商業(yè)銀行（尤其是大型銀行）的債券持倉以配置戶（包括以攤余成本計(jì)量、以公允價(jià)值計(jì)量且其變動(dòng)計(jì)入其他綜合收益的金融資產(chǎn)）為主，交易賬戶的占比較少。本文統(tǒng)計(jì)了工商銀行、農(nóng)業(yè)銀行、中國銀行和建設(shè)hkXGDMLz2ktiMrqzFWPsAg==銀行（以下簡稱“四大行”）的數(shù)據(jù)，根據(jù)其2023年年報(bào)，在總體規(guī)模達(dá)36萬億元的債券持倉中，配置戶持倉為35萬億元，占比為97%，交易戶占比僅為3%。根據(jù)國家金融監(jiān)督管理總局?jǐn)?shù)據(jù)，截至2023年末，四大行總資產(chǎn)規(guī)模為148萬億元，占我國銀行業(yè)總資產(chǎn)規(guī)模的36%，足以體現(xiàn)商業(yè)銀行整體的債券行為特性。

對于以配置戶為主的商業(yè)銀行，債券名義利率的絕對水平是其進(jìn)行投資決策的關(guān)鍵參考依據(jù)。其原因主要有兩方面：一是債券配置戶以獲取債券票息收入為主要目的，而債券市價(jià)波動(dòng)對當(dāng)期損益表無影響，因此銀行更為看重買入債券時(shí)所能得到的絕對利率。二是在銀行內(nèi)部，存在著“信貸部門-金融市場部門”的資金比價(jià)效應(yīng)，若債券市場名義利率較高，超過了經(jīng)風(fēng)險(xiǎn)調(diào)整的新增信貸資產(chǎn)的實(shí)際回報(bào)，則銀行有動(dòng)力將更多資金從信貸市場轉(zhuǎn)移到債券市場，加大對債券的配置力度。

因此，當(dāng)銀行在某個(gè)時(shí)間段顯著增加廣義利率債配置時(shí)，意味著銀行作為一個(gè)群體，認(rèn)為當(dāng)前的債券利率水平較高，符合機(jī)構(gòu)自身的配置要求；隱含的意思是，債券利率可能處在階段性的高點(diǎn)。同時(shí)，由于銀行作為廣義利率債市場最主要的參與群體，其顯著增加債券配置，會(huì)推動(dòng)債券收益率的下行。因此，實(shí)時(shí)預(yù)測并監(jiān)控銀行對廣義利率債的凈托管量增長，對分析未來一段時(shí)間內(nèi)的債券收益率走勢有重要參考意義。

（三）銀行債券凈買入與國債收益率的關(guān)系

本文利用中央國債登記結(jié)算有限責(zé)任公司（以下簡稱“中央結(jié)算公司”）公布的每月債券持倉數(shù)據(jù)（按投資者類型及債券類型分）以及債券收益率走勢，來分析兩者的相關(guān)性。

在債券持倉數(shù)據(jù)方面，本文選取商業(yè)銀行與信用社的廣義利率債持倉數(shù)據(jù)。由于隨著時(shí)間的推移，債券市場規(guī)模不斷增長，銀行每月托管增量的中樞也隨之增長。為保證數(shù)據(jù)的可比性，本文使用銀行對廣義利率債托管相對增量——銀行廣義利率債托管增量/中債廣義利率債托管增量——作為監(jiān)控指標(biāo)。債券收益率方面，本文選取每月末10年期國債收益率作為代表。

中央結(jié)算公司從2019年1月起公布分投資者類型的地方債托管數(shù)據(jù)?；跀?shù)據(jù)可得性，可計(jì)算自2019年2月起的托管增量，驗(yàn)證的數(shù)據(jù)樣本空間為2019年2月—2024年6月數(shù)據(jù)。

本文認(rèn)為，上述數(shù)據(jù)長度足以觀察分析銀行對廣義利率債的凈增持行為對長期國債收益率的影響，原因在于：

一是更早期的債券收益率受經(jīng)濟(jì)基本面及政策導(dǎo)向影響更大，甚至是決定性影響，投資者行為對收益率影響并不顯著。

二是自2020年以來，中國進(jìn)入宏觀低利率區(qū)間，利率波動(dòng)率顯著降低。機(jī)構(gòu)投資者行為（尤其是銀行）對收益率的直接影響更為顯著，在局部時(shí)間段內(nèi)，甚至成為主要影響因素（2024年的債市行情可充分印證）。

三是隨著宏觀利率的低位運(yùn)行，出于風(fēng)險(xiǎn)收益比考慮，銀行（尤其是中小銀行）將更多的資金投入債券市場，其投資者行為對債券收益率的影響在顯著且持續(xù)增加。

四是存在數(shù)據(jù)可得性限制。

從圖1可以看出，當(dāng)銀行廣義利率債托管相對增量較高時(shí)（閾值為100%），當(dāng)月大概率處于收益率階段性頂部。自2019年1月至2024年6月，共出現(xiàn)過7輪利率頂部。該指標(biāo)成功地捕捉到了7輪利率頂部區(qū)間中的6輪1。尤其是該指標(biāo)成功地預(yù)測了2022年末的債券收益率頂部，對于投資的價(jià)值巨大。

此外，該指標(biāo)在2019年7月、2020年1月、2024年3月給出信號，雖然此時(shí)不是利率頂部，但此后1至3個(gè)月內(nèi)10年期國債價(jià)格出現(xiàn)較大幅度下行，對投資交易仍有一定的指導(dǎo)意義。但若銀行廣義利率債托管相對增量值較低時(shí)，該指標(biāo)與收益率之間的關(guān)系并不顯著。

因此，及時(shí)掌握銀行對廣義利率債持倉數(shù)據(jù)的邊際變化，對分析短期的債券收益率走勢有重要的參考意義。

使用iData數(shù)據(jù)實(shí)時(shí)預(yù)測托管增量

（一）線性回歸的公式及數(shù)據(jù)選取

前文指標(biāo)中的分母，即中債廣義利率債托管增量，可以在月末通過當(dāng)月發(fā)行量減去到期量得到。然而，分子中的按投資者分類的持倉數(shù)據(jù)，在每個(gè)月結(jié)束后的15～20天才予以公布，這使得通過這類數(shù)據(jù)去分析銀行對廣義利率債持倉邊際變化的方法有一定的延遲性，大大降低了其使用價(jià)值。

一個(gè)替代的方法是，使用中國外匯交易中心的iData數(shù)據(jù)進(jìn)行同步預(yù)測。iData每日公布債券二級市場的交易數(shù)據(jù)，并按照投資者類別、債券類型、債券期限歸類匯總。

但是，iData數(shù)據(jù)用于預(yù)測銀行每個(gè)月的廣義利率債托管量有一個(gè)天然缺陷：iData數(shù)據(jù)只提供每日的二級市場交易數(shù)據(jù)，與托管數(shù)據(jù)并不直接相關(guān)。實(shí)際上，債券市場的一級承銷商大多為商業(yè)銀行，其在一級市場中標(biāo)，同時(shí)將部分持倉通過二級市場賣出，而iData只統(tǒng)計(jì)了二級市場賣出交易，并沒有一級市場的交易數(shù)據(jù)。因此，iData數(shù)據(jù)往往顯示出銀行機(jī)構(gòu)持續(xù)賣出廣義利率債。此外，銀行持倉的廣義利率債到期也會(huì)減少其托管量，但并不在iData統(tǒng)計(jì)數(shù)據(jù)中，即對于某類債券：

銀行當(dāng)月托管凈增量=銀行當(dāng)月二級市場凈買入量+銀行當(dāng)月一級市場中標(biāo)量-銀行當(dāng)月持倉到期量

由于銀行的中標(biāo)量和持倉到期量無法直接獲得，下文將采用銀行對廣義利率債的月度托管量凈增持?jǐn)?shù)據(jù)、廣義利率債的月度發(fā)行及到期數(shù)據(jù)，通過線性回歸去測算銀行在債券一級發(fā)行量中的中標(biāo)占比（系數(shù)a），以及在存量債券到期量中的占比（系數(shù)b），從而用“a×債券當(dāng)月發(fā)行量”計(jì)算銀行當(dāng)月一級市場中標(biāo)量，用“b×債券當(dāng)月到期量”計(jì)算銀行當(dāng)月持倉到期量。

對于某月的廣義利率債數(shù)據(jù)，本文分別對國債、政策性銀行債及地方債的銀行托管增量進(jìn)行線性回歸：

銀行當(dāng)月托管凈增量=銀行當(dāng)月二級市場凈買入量+a×債券當(dāng)月發(fā)行量- b×債券當(dāng)月到期量

其中，托管凈增量數(shù)據(jù)由中央結(jié)算公司公布，銀行二級市場凈買入量通過iData數(shù)據(jù)獲得，債券發(fā)行及到期量均可從Wind中導(dǎo)出并統(tǒng)計(jì)獲得。

（二）數(shù)據(jù)樣本的可得性及有效性

iData數(shù)據(jù)是中國外匯交易中心近年來才提供的債券二級交易的統(tǒng)計(jì)數(shù)據(jù)，因此筆者所能獲得的是自2020年初開始的iData數(shù)據(jù)。

托管數(shù)據(jù)方面，中央結(jié)算公司從2019年1月起公布按投資者類型分布的地方債托管數(shù)據(jù)，因此完整的廣義利率債月度托管數(shù)據(jù)（按投資者類型）自2019年起才可獲得。

由于上述的線性回歸同時(shí)需要iData和中央結(jié)算公司的月度數(shù)據(jù)，因此本文使用2020—2022年總計(jì)36組月度數(shù)據(jù)作為線性回歸的樣本數(shù)據(jù)，同時(shí)使用2023年1月—2024年6月總計(jì)18組月度數(shù)據(jù)作為回測數(shù)據(jù)。

筆者認(rèn)為上述數(shù)據(jù)量足以實(shí)時(shí)預(yù)測銀行對廣義利率債的托管增量。實(shí)際上，近年來中國的經(jīng)濟(jì)增長范式已經(jīng)深刻改變，與過往相比，機(jī)構(gòu)投資者行為對債券收益率的影響越來越大，甚至有些時(shí)候超出了基本面對債券收益率的決定性作用，這點(diǎn)可在2024年上半年的債市行情中得到充分印證。因此，即使不考慮數(shù)據(jù)可得性，刻意拉長數(shù)據(jù)周期（如過去10年數(shù)據(jù)），其回歸效果可能并不能達(dá)到理想效果，原因在于早期投資者行為在決定債券收益率走勢中的影響并不顯著，更多的是經(jīng)濟(jì)基本面及政策導(dǎo)向決定了債市收益率的上下行。

（三）回歸結(jié)果及回測效果

本文使用2020—2022年共計(jì)36組月度數(shù)據(jù)進(jìn)行線性回歸，結(jié)果見表1。

然后，對2023年1月—2024年6月共計(jì)18組月度中債托管數(shù)據(jù)進(jìn)行逐月滾動(dòng)預(yù)測（即先使用過去36組月度數(shù)據(jù)進(jìn)行線性回歸，然后使用回歸得出的線性公式，去預(yù)測當(dāng)月末的銀行廣義利率債托管數(shù)據(jù)），擬合程度較好（見圖2）。

使用估計(jì)值預(yù)測10年期國債收益率頂部

2020年以來，銀行持有廣義利率債占全市場比例約為70%，即存量占比約為70%。因此當(dāng)銀行加大配置力度時(shí)，銀行的托管增量占全市場比例應(yīng)明顯高于存量占比。

這里定義“銀行廣義利率債托管增量/中債廣義利率債托管增量”為“銀行廣義利率債托管相對增量”。使用上文的線性回歸公式，很容易在每個(gè)月末計(jì)算銀行廣義利率債托管相對增量的估計(jì)值。

經(jīng)過定量計(jì)算及定性觀察，本文發(fā)現(xiàn)當(dāng)該估計(jì)值超出90%閾值時(shí)（當(dāng)月銀行機(jī)構(gòu)買入了90%及以上的廣義利率債凈增量），對10年期國債收益率階段性頂部的同步識別效果最為顯著。

從圖3中可以看到，其預(yù)測階段性利率頂部的效果較好。在2020年1月—2024年6月，共出現(xiàn)過5輪利率頂部，分別為：

（1）2020年11月、2021年2月，該指標(biāo)在2021年1月、2月給出信號；（2）2021年10月；（3）2022年4月、6月，該指標(biāo)在2022年2月、4月、6月給出信號；（4）2022年11月及2023年1月、2月、3月，該指標(biāo)在2022年11月、12月及2023年1月、2月給出信號；（5）2023年7月、9月、10月、11月，該指標(biāo)在2023年9月給出信號。該指標(biāo)正確預(yù)測了第一、第三、第四、第五輪共4輪利率頂部區(qū)間，正確率為80%。

尤其值得注意的是，在2022年末的利率債收益率急速上行的階段，該方法成功給出了顯著的頂部指示。若投資者根據(jù)文中方法，在2022年末大力度增配廣義利率債，那么在2023年將獲得極為豐厚的資本利得，凸顯了該方法的參考價(jià)值。

結(jié)論與展望

本文通過iData每日公布的二級債券市場成交數(shù)據(jù)，同時(shí)考慮每個(gè)月廣義利率債的發(fā)行量及到期量數(shù)據(jù)，以36個(gè)月為滾動(dòng)窗口進(jìn)行線性回歸，在每個(gè)月的月末當(dāng)天便可測算銀行對于廣義利率債的每月托管增量。

本文發(fā)現(xiàn)，若銀行廣義利率債托管相對增量的估計(jì)值超過90%閾值，當(dāng)月10年期國債收益率大概率處于階段性頂部。在2020年1月—2024年6月的5輪利率頂部中，該指標(biāo)可捕捉到4輪，尤其是該估計(jì)值成功預(yù)測了2022年末的利率債收益率頂部。因此，該方法對債券投資者具有較高的參考價(jià)值。

作為拓展，讀者可以自行研究其他類型投資者的廣義利率債托管凈增量變化對債券收益率是否有顯著影響。