宏观定方向，轮动选久期：纯债宏观择时模型再进化

全球视野, 下注中国

打开APP

1 小时前4.1k

国泰海通证券研究

+关注

高频宏观因子+分维度投票模型决策久期仓位，资本市场因子补足长端与超长端的轮动选择。

摘要

在因子构建上，考虑到宏观因子的经济含义及其传导逻辑本身就是信号有效性的重要来源，本文没有将所有指标打散后统一评分，而是构建不同经济维度的分层因子库。我们首先固定因子对债券市场的信号方向，并结合历史表现、参数稳定性和信息重复性进行筛选，最终保留27个代表性指标，分别归入增长、通胀、生产、融资和政策五个经济维度。信号合成依次经过“因子-经济子类-经济维度-宏观总信号”四个层级，既避免指标数量较多的细分领域获得过高权重，也保留了不同经济线索之间的相互印证与合理分歧。

落脚到仓位决策上，本文首先通过多维度宏观因子择时解决债市大方向上“0与1”以及长短久期的配置问题。模型通过五个经济维度投票形成宏观总信号：看空时配置1-3年短久期品种，看多时配置长久期品种，在保持债券仓位的同时，将宏观判断转化为可执行的久期配置。至于看多后应进一步选择7-10年还是10年以上，则交由后续期限轮动模块判断。

然而，对于看多后“配置长债还是超长债”的问题，宏观信息本身却无法给出准确答案，因此我们增加了“7-10年&10年以上“的久期轮动模型。一方面，模型比较趋势跟随与均值回归策略在长、短窗口下的表现，动态识别30-10年期限利差的运行规律；另一方面，引入股债四象限捕捉跨资产风险偏好和资金流动，对期限利差给出的基础配置进行修正。由此，模型将宏观方向进一步落实到1-3年、7-10年和10年以上三类期限资产。

回测来看，多维度宏观因子择时+久期轮动的综合模型在样本内外均取得了较好的表现，其超额收益主要来自三个层面的共同贡献。综合策略全样本年化收益为6.99%，2024年以来进一步提高至9.38%，且收益增益并非单纯来自更高的久期暴露，而是主要源于：①多维宏观信息的交叉验证，增长、通胀、生产、融资和政策信号共同刻画债市环境，提高方向判断的完整性；②更灵敏的信号更新与仓位调整，将不同频率的数据统一转化为日度可用信号，并采用周频调仓，更灵敏地捕捉宏观环境的边际变化；③对长端/超长端配置价值的进一步识别，通过30-10年期限利差规律与股债联动状态，在7-10年和10年以上品种之间动态选择，从而把握超长债相对长债的收益弹性。

综合来看，近年来债市对宏观因子的关注度有所下降，但这并不意味着债券定价已经脱离基本面，特别是2026年以来，债市对宏观线索的敏感度重新抬升。2026年以来，模型超额胜率和超额收益稳定性较2025年明显改善，其背后或主因随着私募、量化及跨资产策略资金参与加深，宏观信息向债券市场传导的速度和方式正在发生变化，在此背景下宏观因素对债市的定价影响有望重新增强，但其运用方式也需要从单一指标判断，转向多维信息验证、动态信号跟踪与期限结构配置相结合的系统化框架。

风险提示：经济运行与市场定价机制变化可能导致模型失效；回测结果基于历史数据和指数模拟，未充分考虑实际交易中的流动性、冲击成本及跟踪误差，历史表现不代表未来收益。

1. 研究思路：宏观因子如何转化为债券期限配置

在利率量化择时的策略框架中，宏观因子无疑是底层定价的基石。然而在近年来市场常有“宏观因子失效”的体感，我们认为其背后并非债市对宏观数据完全钝化，而更多是由于经济周期变化中，市场对各类宏观因子的定价权重和敏感度会发生变化。面对这种阶段性的变化，若将宏观指标混合打分，这不仅容易让指标数量偏多的细分领域获取过高权重，同时还掩盖了增长、通胀、信用等宏观要素之间的分歧，使得无法刻画出特定经济环境下的主导矛盾。

因此，考虑到宏观因子的经济含义及其传导逻辑本身就是信号有效性的重要来源，本文没有将所有指标打散后统一评分，而是构建分层的宏观因子体系。我们将27个宏观因子划分至增长、通胀、生产、融资和政策五个经济维度，先由经济含义相近的指标形成子类信号，再由各子类等权生成维度判断，最后以五个维度为单位进行投票。这样的处理既避免了指标数量较多的细分领域获得过高权重，也保留了不同宏观线索之间的分歧，使模型能够识别不同经济环境下影响债市的主要矛盾。

回到实际投资，宏观因子首先解决的是债市方向和长短久期配置问题。增长、通胀、融资和政策等基本面变量主要影响利率的整体运行方向，而收益率曲线各期限之间又具有较强的联动性，因此，宏观信号适合用于判断当前应偏向短久期还是长久期。基于五个经济维度的投票结果，模型在宏观看空时配置1-3年品种，在宏观看多时配置长久期品种，从而将基本面判断转化为明确、可执行的期限仓位。

但宏观方向判断并不能完全解决7-10年与10年以上品种之间的选择，因此本文进一步构建了长端内部轮动模块。2020年以来，30-10年期限利差在趋势延续和均值回归两种运行机制之间切换；与此同时，随着跨资产策略资金参与加深，股债之间的风险偏好变化对超长债的影响也更加明显。基于此，模型一方面比较趋势跟随与均值回归策略在长、短历史窗口内的表现，通过跨周期确认识别当前期限利差的主要运行规律；另一方面引入股债四象限，在股跌债涨或股涨债跌等跨市场方向较为明确时，对7-10年与10年以上品种的配置进行修正。

综上所述，本文构建了一套由宏观因子择时到久期轮动的分层决策模型。回测来看，该模型不仅有效过滤了单一宏观指标的噪音，理顺了不同经济周期下的定价侧重点，更实质性地解决了长端与超长端轮动的仓位落地问题。最终，该策略能够在近年来多变的市场环境中，实现胜率与收益弹性的显著改善，为投资者提供了一个兼具经济可解释性与实战落地价值的固收配置工具。其中模型的收益增益主要来自三个方面：五个经济维度提供更丰富的宏观信息，并通过投票提高方向判断的可靠性；将不同频率的数据统一转化为日度可用信号并采用周频调仓，提高了模型对基本面边际变化的响应速度；30-10年利差与股债联动则进一步识别7-10年和10年以上品种的相对强弱，使宏观信号最终落实到具体期限资产。

2. 因子筛选：从基本面因子到五类宏观维度

2.1. 五类宏观维度构建

一般而言，宏观因子会通过经济增长、通胀水平、企业生产、社融信贷和政策利率等多个渠道影响债券定价，不同渠道的运行节奏和有效阶段并不完全一致，因此，若将全部指标合并筛选与投票，一方面容易使指标数量较多的经济领域获得更高的权重，另一方面也会掩盖增长、通胀和信用等信息之间的分歧。为保留宏观信号的经济含义，本文依据宏观因子所处的利率传导环节，将候选因子划分为增长、通胀、生产、融资、货币政策五个宏观维度，具体而言：

（1）增长维度：主要判断实体需求和经济活动是否改善，是影响实际利率中枢的核心信息。该维度宏观因子覆盖房地产、固定资产投资、消费、出口、GDP和PMI新订单等指标，分别从内需、外需和总体经济活动角度刻画经济景气程度。考虑到债券市场往往提前交易经济变化，该维度既关注经济活动所处水平，也关注其边际改善或走弱的方向。

（2）通胀维度：主要判断名义价格压力及其对货币政策的约束。该维度宏观因子覆盖CPI、PPI、PMI价格指标、食品价格和工业品价格等变量，分别对应消费端、生产端和上游原材料端的价格变化。考虑到单一商品价格还可能受到行业供给、国际定价和交易结构影响，因此该维度通过多环节价格互相印证，而非将某单一价格等同于总体通胀。

（3）生产维度：实体微观活力的“高频温度计”，能够补充传统需求指标的时效性。该维度宏观因子覆盖PMI生产、工业增加值、开工率、产销率和库存周期等指标。高频实物量与开工指标能够有效补充传统总量需求指标在时效性上的滞后，辅助判断需求预期向微观企业经营行为的传导进度。

（4）融资维度：主要观察资金由金融体系向实体经济传导的速度，是连接货币条件与经济活动的重要桥梁。该维度宏观因子覆盖社融、人民币贷款、企业贷款和企业债券融资等指标。信用扩张速度是连接货币政策与实体经济活动的重要桥梁，其边际变化往往直接影响债市情绪与赔率。

（5）货币政策维度：主要刻画短端利率锚及货币政策面临的约束。政策利率下调能够降低金融机构资金成本，并通过收益率曲线和宽松预期向中长端传导，通常对债券有利；政策利率上调则会抬升资金成本，对债券形成压力。我们以逆回购利率作为政策维度的核心指标，并将利率保持不变处理为中性或弃权。

需要强调的是，划分五大宏观维度并非强求宏观信息的绝对独立，而是为了在模型中保留不同经济逻辑的相互印证与合理分歧，以保证入选指标既能代表相应经济逻辑，又具备极强的历史区分度。

2.2. 因子筛选：兼顾经济逻辑、参数稳定性与去重

在完成经济维度划分后，我们进一步对因子进行筛选，该流程不以寻找全市场历史收益最高的因子为目标，而是希望在每一类经济维度中保留少量逻辑清晰、方向有效且参数相对稳定的代表性指标，为后续维度信号合成提供基础。

①基于经济逻辑的信号构建：对每个候选因子，我们首先按照经济逻辑固定信号方向：增长、通胀、生产或融资扩张通常对应债券看空信号，相关变量走弱则对应债券看多信号，避免根据回测结果反向选择因子方向。在此基础上，根据数据频率和指标属性分别构造边际变化、同比变化、动量、均线趋势或相对阈值等信号，并统一转换为0或1的债券仓位。

②因子回测与筛选：回测单个因子在2015-2023年，在中债7-10年净价指数上的表现，其中信号于下一交易日执行，并扣除单边2bp交易成本，并关注三个指标：

Ⅰ.筛选期累计收益。累计收益越高，说明因子过去识别债券有利持有阶段的能力越强，这是同类因子排序的主要依据。

Ⅱ.参数稳定性。我们同时测试主参数及两组相邻参数。如果三组参数的年化收益差异不超过1个百分点，则认为因子对参数变化相对不敏感。

Ⅲ.信号有效性。因子在筛选期内必须同时出现看多和看空信号，避免选择始终空仓或始终满仓、实际上没有择时作用的指标。

③重复性检验。在最终因子筛选上，我们不直接选取各维度累计收益最高的若干因子，而是在参考历史表现的基础上，进一步控制因子之间的重复性，换言之，如果排名靠前的因子集中在同一个细分领域，例如多个房地产指标或多个工业品价格指标，全部纳入会重复放大同一种经济信息。因此，我们在每个经济子类中选择少量代表指标，使最终成员能够覆盖该维度的主要经济环节。

2.3. 因子筛选：兼顾经济逻辑、参数稳定性与去重

经过上述流程，最终模型共筛选出27个宏观因子，覆盖增长、通胀、生产、融资和政策五个经济维度，不同维度因子的表现存在一定差异。其中，增长、通胀和融资维度因子表现相对稳定，生产维度因子内部的分化较大，政策利率则主要发挥方向识别作用。

增长维度：覆盖房地产、消费、投资和外需四个方面，入选因子包括一线城市二手房挂牌价、社会消费品零售、固定资产投资和PMI新出口订单。其中，房地产价格和外需指标的历史表现相对突出，消费指标单独收益较弱，但能够补充地产和投资之外的需求信息。

通胀维度：覆盖官方通胀、调查价格、食品、黑色商品、金属和综合工业品等多个层次。其中，核心CPI、PPI和焦炭的表现相对稳定，铁矿石与螺纹钢基差则从期限结构角度补充黑色产业链信息。部分高频价格指标单独表现一般，但能够提高通胀信息的覆盖度并分散品种风险。

生产维度：覆盖订单、官方生产、高频实物生产和库存压力，入选因子包括PMI新订单、工业增加值、高炉开工率、磨机运转率、聚酯切片开工率和产成品库存。其中，高频实物量指标的样本内表现相对较好，但部分指标样本外有所衰减，说明生产信号具有较明显的行业和阶段特征。

信用融资维度：覆盖社融总量、企业贷款、企业债券融资和居民贷款。其中，社融总量的样本内外表现最为稳定，企业中长期贷款的样本内表现较好；企业债融资和居民中长期贷款的单独收益相对有限，但能够分别补充直接融资和居民加杠杆信息，避免信用判断过度依赖单一渠道。

政策维度：以7天逆回购利率作为正式信号，主要用于识别央行明确的政策调整。由于政策利率变动频率较低，其作用主要体现在政策转向时对宏观总投票进行修正，而不适合仅根据连续回测收益评价。

各因子的经济逻辑、信号构造及完整回测结果详见第七章附录。

3. 信号生成：五个经济维度的择时能力与状态差异

考虑到单个宏观因子指标容易受到统计噪声、发布日期和阶段性结构变化的影响，因此，我们不直接使用单因子决定择时方向，而是先在经济含义相近的指标之间形成维度信号，再通过五大维度投票生成宏观总信号。整个过程分为“因子-经济子类-经济维度-宏观总信号”四个层级，既避免同类指标重复放大，也保留不同经济环节之间的独立信息。

3.1. 五大宏观维度的择时能力回测

在完成宏观因子的筛选后，下一步的核心问题是如何将不同指标反映的经济信息合成为统一的维度判断，并检验各个维度能否独立识别债券久期方向。为此，我们采用分层投票的方法生成维度信号：先在经济含义相近的子类内部合成因子信号，再对不同子类进行等权汇总。维度看多得分达到0.5时生成债券看多信号，否则生成债券看空信号。这样的处理既保留了不同经济环节的信息，也避免某一子类因为包含较多指标而获得过高权重。

在获得维度信号后，我们进一步将其转化为可执行的择时策略，以考察该类经济信息能否有效区分长、短久期债券的相对表现。具体而言，当维度信号看多债券时，策略配置中债7-10年财富指数；当维度信号看空债券时，策略转为配置中债1-3年财富指数。与看空时直接空仓相比，这一设置使组合始终保持债券资产配置，回测结果更集中地反映维度信号对久期方向的判断能力。

回测结果表明，增长、通胀和融资维度在样本内外均取得正向择时收益，其中增长和融资维度的样本外表现进一步增强。2015-2023年，增长、通胀与成本和信用融资维度的年化超额分别为0.46%、0.83%和0.12%；2024年以来分别为1.46%、0.76%和1.13%。其中，增长和融资维度的样本外信息比率分别达到1.82和1.41，说明两个维度不仅取得了正超额，超额收益相对跟踪风险也具有较好的稳定性。相比之下，生产维度的样本外有效性有所减弱，政策维度的收益表现则基本接近均衡基准，但二者仍分别提供生产周期和政策方向信息。

增长维度因子在样本内外均保持正超额，并在样本外表现出更强的择时能力。该维度2015-2023年年化超额为0.46%，2024年以来提高至1.46%，信息比率也由0.465升至1.823。增长、地产和投资走弱通常会降低实体融资需求及利率上行压力，因此增长信号向债券久期的传导路径较为直接。样本外超额和信息比率同步提高，说明增长维度对近年来债券市场主要矛盾具有较好的识别能力。

通胀维度因子的表现最为稳定，是五大维度中重要的基础择时信号。该维度样本内和样本外年化超额分别为0.83%和0.76%，对应信息比率分别为0.817和0.944，两个阶段的表现较为接近。通胀和工业品价格回落通常意味着名义增长下降、货币政策约束减弱，从而有利于债券久期。样本内外超额的稳定延续表明，通胀维度的有效性并未明显依赖某一阶段的特定市场环境。

信用融资维度因子的样本外表现提升最为明显，近年来融资需求变化对债券利率的区分能力有所增强。该维度样本内年化超额为0.12%，2024年以来提高至1.13%，信息比率由0.125升至1.411。融资扩张通常反映实体需求修复，并对利率形成上行压力；融资收缩则有利于债券久期。近年来居民和企业融资需求偏弱，信用指标对经济修复强度和利率方向的指示作用更加突出，融资维度由此成为样本外表现较好的信号之一。

政策维度因子在样本外取得了最高的年化超额和信息比率，能够有效捕捉明确的政策方向。该维度样本内和样本外年化超额分别为−0.06%和−0.03%，整体表现基本接近均衡基准。由于政策利率调整频率较低，利率不变时模型维持中性仓位，因此该维度不宜完全按照连续持仓收益评价。其主要作用是在政策方向发生明确变化时，对其他宏观维度形成补充，并对宏观总信号进行方向修正。

生产维度在样本内表现出一定的防御价值，但样本外有效性有所减弱。2015-2023年，该维度年化超额为0.12%，策略夏普比率为2.68，高于50/50均衡基准的2.60；最大回撤为2.99%，也小于基准的3.44%。2024年以来，其年化超额降至−0.53%。这可能是因为近年来部分行业的生产活动更多受到出口、设备更新和产业政策支持，生产回升不再必然对应内需和融资需求改善；同时，主动补库与被动累库对利率的影响方向不同，也降低了生产信号单独进行期限择时的稳定性。

最后需要说明的是，部分维度策略的绝对夏普低于50/50基准，并不否定其择时价值。50/50基准通过同时配置短久期和长久期资产降低了组合波动，而单类维度择时回测需要在不同期限之间全仓切换，仓位相对集中。因此，单一维度更适合通过年化超额和信息比率评价其方向识别能力，并在五大维度综合投票中发挥信息互补作用。

3.2. 宏观状态是否影响不同维度宏观因子有效性？

回测来看，五大宏观维度在单独择时上呈现出一定的“强弱分化”。那么，将这些表现各异的底层维度进行综合，究竟能否真正合成一个高效且稳健的宏观总信号？关键在于这些维度能否提供真正增量且互补的信息。如果不同维度只是在对同一个宏观现象进行重复投票，那么综合信号不仅毫无意义，反而会放大单一风险；同时，如果不同因子的表现无法适应经济周期的切换，组合模型就会在特定阶段面临失效。

因此，在最终合成总信号之前，我们必须首先厘清两个关键问题：一是这些维度之间是否存在较高的相关性，二是它们的择时表现是否会受到特定宏观状态的影响。

复盘来看，五大宏观维度因子并不是对同一宏观信息的重复投票，而是从不同角度共同判断债券方向。四个连续经济维度之间的相关性整体较低，两两相关系数介于-0.006至0.292之间。其中，即使相关性最高的增长与生产维度，相关系数也不到0.3；增长与融资、通胀与融资之间则几乎不相关。这说明不同维度反映的经济信息具有较强独立性，并不存在多个维度长期重复表达同一观点的问题。

从实际投票结果看，四个连续维度的信号方向一致率介于50.2%至60.5%，最高也仅略高于六成。换言之，增长、通胀、生产和融资信号并不会长期同时看多或同时看空，而是分别根据自身对应的经济环节给出判断。政策维度则更加独立，仅在政策利率发生变化时参与投票，其他时间弃权，主要用于捕捉明确的政策转向。

各个维度信号的分歧，也提醒我们需要进一步思考：在不同的宏观环境下，究竟哪一条经济线索更值得定价？现实中，增长、通胀、生产和融资的变化并不总是同步，债市在不同阶段关注的主线也有所不同，各维度的择时有效性因此可能存在阶段性差异。结合宏观状态考察维度表现，有助于识别当前环境下更具参考价值的信号，也为判断综合信号的可信度与仓位执行力度提供依据。

我们沿水平和趋势两个维度分别观察PMI、CPI、PPI以及融资需求，并检验不同类型因子在各个状态下的表现，可以发现两点规律：

（1）经济高景气阶段，通胀是核心约束。回测来看，通胀维度在PMI高位时的月均信号方向收益为0.27%，低位时为−0.05%，两者相差32.5%，这一现象在样本内外均成立，当经济景气水平较高时，价格变化可能更充分地反映需求与成本压力，因而更容易影响市场对利率和政策空间的判断。因此，PMI较高时，通胀维度值得重点关注。

（2）信用偏弱阶段，增长是核心锚点。回测来看，增长维度在信用增长低位时的月均信号方向收益为0.23%，高位时为-0.2%，低位相较高位高出0.44%。这一差异同样在样本内外均保持同向。当信贷增长偏弱时，增长与需求的变化更直接地影响市场对经济修复持续性的判断；信贷需求较强时，融资扩张与实体需求改善未必同步，增长信号还需要结合融资结构和政策因素理解。因此，信用偏弱可以作为重点观察增长信号的环境条件。

4. 方向择时：从经济维度投票到长短久期配置

回到实际投资，宏观因子首先解决的是债市方向和长短久期配置问题。增长、通胀、融资和政策等基本面变量主要影响利率的整体运行方向，而收益率曲线不同期限之间又具有较强的联动性。因此，当宏观环境有利于债券时，拉长久期通常能够获得更高的收益弹性；当宏观环境转弱时，缩短久期则有助于降低利率上行带来的损失。基于这一逻辑，宏观信号主要用于判断组合应配置1-3年还是7-10年品种。

宏观总信号由五个经济维度等权投票形成。增长、通胀、生产、融资和政策维度分别形成一票，看多票占有效票数的比例超过50%时，模型发出债市看多信号；低于50%时发出看空信号；恰好为50%或无有效票时，则延续上一期判断。政策利率不变时，政策维度自动弃权。各维度均保持一票，避免因内部指标数量不同而产生隐含的权重差异，也使不同宏观线索之间的分歧能够直接反映在投票结果中。

在仓位执行上，模型将宏观判断转化为1-3年和7-10年品种之间的100/0配置。宏观看多时，组合全部配置7-10年财富指数；宏观看空时，全部配置1-3年财富指数；平票时维持原有仓位。模型将不同频率的宏观数据统一映射为日度可用信号，按周形成目标仓位，并于下一交易日执行，回测中按单边2bp扣除交易成本。

回测来看，基于宏观维度债市择时模型在样本内外均优于长、短久期各配置50%的均衡基准，体现出宏观信息对债市择时的指导价值。2015-2023年，宏观择时策略年化收益为4.34%，相对均衡基准的年化超额为0.58%；2024年以来，年化收益提高至5.23%，年化超额达到1.34%。样本内外均取得正超额。

控制平均久期暴露后，仓位切换时点仍然贡献了正向收益。宏观因子择时策略在样本内、样本外的平均长久期仓位分别为59.98%和78.55%，以各阶段平均仓位构造固定权重组合后，宏观因子择时策略仍分别取得0.63%和0.44%的年化超额，全样本年化超额为0.65%。同时，夏普比率由同平均仓位组合的2.44提高至2.60，最大回撤由4.11%收窄至3.12%，样本内外也保持相同的改善方向。这表明，模型的收益不仅来源于长久期品种的配置，也源于其自身的择时能力。

除投票方向外，维度之间的共识程度也能够为信号确定性提供辅助判断。回测来看，宏观维度之间信号共识度越强，模型整体择时效果通常越好，具体而言：

①在看多时，宏观维度信号共识度的提高主要改善收益空间。当信号为2时（三多一空），未来5日和20日胜率分别为61.81%和71.01%，甚至略高于四个维度一致看多时的60.10%和65.62%；但从收益幅度看，四个维度一致看多时的未来5日和20日平均相对收益分别达到5.60bp和24.46bp，均高于三多一空时的3.96bp和18.43bp，表明更强的看多共识主要对应更大的久期收益空间。

②看空阶段，宏观维度信号共识度的作用则更加明显。四个维度一致看空时，未来5日和20日看空胜率分别为63.58%和68.21%，显著高于三空一多时的48.03%和48.03%；同期长久期相对短久期收益分别为−9.98bp和−22.72bp，而三空一多时仍小幅为正。整体来看，看多共识增强主要提升拉长久期的收益弹性，看空共识增强则同时提高缩短久期的判断胜率和收益效果。

5. 期现轮动：从长短久期配置到“超长VS长端”久期轮动策略

在前文的基于不同宏观维度择时模型中，我们重点解决了债市“多空”的问题，我们要将宏观择时信号落脚到具体策略，还需要将方向判断转化为久期仓位。考虑到债券收益率曲线各期限之间具有较强相关性，长短久期配置与债市方向判断本质上存在较高的一致性。久期配置更值得关注的难点，是看多债市后如何在长端与超长端之间进行选择。

因此，基于宏观维度债市择时模型发出看多信号后，还需要进一步回答究竟配置7-10年还是10年以上。为此，我们构建了基于30-10利差状态与跨市场情绪的双重决策机制，对长端内部轮动问题进行分析。

5.1. 长端与超长端如何选择：30-10利差规律与“股债跷跷板”

一般而言，在判断期限利差时，通常主要关注收益率曲线的整体形态变化。但实际上，近年来30-10年期债的利差运行规律发生了较大变化，2020年以前，期限利差整体呈现较强的均值回归特征，利差偏离中枢后通常会逐步回归；2020年以后，期限利差的趋势持续性有所增强，部分阶段会沿同一方向持续运行，均值回归和趋势交易开始交替占优。如果始终采用固定的趋势或均值回归规则，容易在市场特征发生变化时失效。因此，长债、超长债的选择首先需要判断当前30-10年利差的运行特征。

还需要注意到的是，近年来股债资金轮动和风险偏好变化对超长债的影响更加明显。随着国债期货市场流动性提升，以及量化、权益对冲和宏观策略资金参与加深，股票与债券之间的资金切换能够更快地传导至长端和超长端，股债强弱状态导致的跨市场资金流动在部分时候也会成为主导超长债赔率的重要边际力量。

基于上述两类市场特征，我们从期限利差和股债状态两个角度构建长端轮动策略，具体而言：

5.1.1. 思路1：30-10年利差变动规律识别

基于30-10期限利差的思路主要是利用30年-10年利差，在趋势和均值回归两种机制间进行动态切换，具体规则为：

①基础策略构建：趋势跟随与均值回归。我们通过比较30年-10年利差的20日均线与120日均线来刻画利差状态。按照“趋势规则”，当20日均线低于120日均线时，意味着利差正处于收窄趋势，此时选择10年以上品种；当20日均线高于120日均线时，意味着利差趋于走阔，此时选择7-10年品种。而“均值回归规则”给出的配置方向则与此完全相反。

②30-10年利差变动规律判断。分别测算上述两种规则在过去约2个月（短窗口）和12个月（长窗口）的表现。如果长短两个窗口均显示趋势规则表现更好，则认为当前30-10年国债利差更符合趋势规律，若两个窗口均显示均值回归规则更优，则认为当前30-10年国债利差更符合均值回归规律。

③长债/超长债配置选择。当快、慢两个窗口支持同一种30-10年利差运行规律时，模型直接按照该规律选择7-10年或10年以上品种；当两个窗口得出的结论不一致时，说明当前市场特征尚不明确，为了降低单一规则失效带来的风险，我们会将7-10年和10年以上两类期限各配置50%。

5.1.2. 思路2：引入“股债四象限”捕捉跨资产资金的流动

基于股债状态的思路主要是利用股债相对强弱对前述期限利差信号进行修正，具体分为三个步骤：

①划分股债状态。模型会分别计算股票和债券过去60个交易日的收益，并根据二者的涨跌方向，将市场划分为股涨债涨、股涨债跌、股跌债涨和股跌债跌四种状态，以此反映市场的风险偏好及资金流动方向。

②聚焦具有明确指向的股债“跷跷板”行情。在四种状态中，会引发跨资产资金流动的，主要是股债反向运行的两个状态，当股跌债涨、风险偏好明显下降时，跨资产配置资金在寻求避险过程中往往会优先通过做多TL等高弹性工具来表达观点，而TL的走强则会向现券传导，带动超长端利率加速下行，此时10年以上品种弹性最优；而股涨债跌通常对应风险偏好回升，资金流出债市，超长端面临的价格调整压力更大，此时7-10年债券相对占优。

③结合跨市场状态调整久期配置。在最终的久期选择上，模型以利差规律为基础，以跨市场情绪为补充。具体而言，当识别到明确的“股跌债涨”时，组合配置10年以上超长债；当识别到“股涨债跌”时，配置至7-10年期品种。若是处于股债同向运行的状态，则不进行干预，维持由思路1的30-10利差模型给出的配置方案。

5.1.3. 基于30-10利差与股债四象限修正的久期轮动策略

为了验证上述久期轮动机制的实际表现，我们分别测试30-10利差信号、跨市场情绪信号以及综合策略，并将持有超长债作为静态基准进行对比。回测来看，通过30-10利差与跨市场状态的双重判断，模型在长债与超长债之间切换的准确度明显提升。

①30-10期限利差信号：样本外识别能力显著增强。在样本内，该信号的5日胜率为56.84%，与始终持有10年以上品种的自然胜率持平；20日胜率为56.49%，略低于自然胜率（60.70%）。但进入样本外区间后，该信号的择时优势充分显现，5日和20日胜率分别达到55.81%和56.98%，较同期始终持有10年以上的自然胜率分别大幅提升5.81和10.47个百分点，表明纯期限信号近期在长端与超长端强弱切换的识别上有效性显著抬升。

②股债四象限信号：引入跨市场视角，在长周期维度展现了更强的胜率优势。样本内，股债四象限信号的20日胜率达到60.24%，成功跑赢始终持有10年以上的基准胜率（57.43%）。在样本外，该信号的区分能力进一步跃升，其5日和20日胜率分别高达66.67%和60.00%，相较同期基准自然胜率分别高出6.35和3.33个百分点。这证明通过宏观股债状态进行方向判定，能够有效规避单一债券市场带来的信号失效风险。

③综合策略：胜率与相对收益均实现改善。尽管样本内受超长债牛市极高的自然胜率压制，综合策略的5日胜率（53.55%）未能跑赢基准，但拉长至20日窗口，其胜率已回升至60.66%，超越同期基准。更重要的是在样本外，综合策略的5日和20日胜率分别达到61.82%和58.88%，较始终持有10年以上基准提高8.18和8.41个百分点。同时，该综合策略在样本外的5日和20日平均相对收益分别拉升至15.49bp和30.61bp，较两类单一模型均有显著增厚，证明了复合框架在应对近期多变市场环境时的有效性。

5.2. 从多维度宏观因子择时模型到久期轮动策略

综合上述内容，我们构建了一个从宏观信号到最终仓位的完整策略框架。该框架按照“宏观因子择时-长短久期决策-长端VS超长端配置”的递进逻辑，逐步确定组合在1-3年、7-10年和10年以上三类资产中的配置仓位。

①基于多维度宏观因子的多空信号生成。模型通过汇总增长、通胀、生产、信用融资、政策利率五大维度的宏观信号，进行独立投票。每个维度分别给出多、空或弃权的意见。

②基于宏观多空信号的长短久期决策。当五大维度的宏观投票过半数看空时，组合全仓配置1-3年期短债；当宏观投票持平时，说明基本面多空方向暂不明确，组合维持上一期的仓位结构，降低无效调仓频率；当宏观投票过半数看多时，组合确认拉长基础久期，并进入长端与超长端的配置选择。

③基于30-10利差与股债状态的多头仓位决策。在宏观择时模型发出看多信号后，模型综合30-10年期限利差与股债状态完成长债、超长债的配置决策。

回测结果显示，宏观方向择时是模型关键且稳定的收益来源。在2015年至2026年9月4日的全样本区间内，相较于“50%配置1-3年、25%配置7-10年、25%配置10年以上”的固定权重基准，仅依靠宏观多空信号进行长短久期切换，即可取得5.91%的年化收益和1.47%的年化超额收益。从历年表现来看，宏观方向层在过去12个年度中有10年取得正向超额，较好地跟踪了债市的长期趋势。

而基于30-10利差与股债四象限修正的久期轮动策略则进一步提升了模型的整体表现。综合久期轮动策略后，在全样本区间的年化收益率提高至6.99%，相对基准的累计超额收益达到32.23%，信息比率为1.10。这表明在宏观定调的基础上，引入价量特征与跨资产信息的交叉验证，能够有效改善近期市场环境下的择时效果。

我们进一步将完整策略相对固定基准的超额拆解为“平均仓位贡献”与“择时贡献”两部分。测算显示，在全样本中，策略的超额收益约有32%归因于平均期限暴露，而约68%的超额收益来源于对仓位切换时点的把握。这说明模型的主要优势体现为在合适的阶段增加久期以获取超额收益，并在看空阶段转入短久期以减少阶段性损失。

此外，从各层信号的协同效果来看，宏观因子择时、久期轮动策略在不同的市场阶段交替发挥作用，增强了策略收益来源的分散性。在2024年，宏观方向、30-10利差策略和股债状态策略分别贡献了4.45%、1.00%和2.16%的超额收益；2025年，30-10利差策略贡献了2.46%的收益增厚；2026年以来，宏观方向和四象限修正则分别贡献了1.13%和1.94%的正向超额。这种多层叠加的决策体系，有效降低了策略对单一轮动机制的依赖。

6. 风险提示

经济运行与市场定价机制变化可能导致模型失效；回测结果基于历史数据和指数模拟，未充分考虑实际交易中的流动性、冲击成本及跟踪误差，历史表现不代表未来收益。

7. 附录：入选因子的单因子回测表现

7.1. 入选因子的单因子回测表现

7.1.1 增长因子

增长维度按经济环节切成房地产、消费、投资、外需四个子块，每个子块各投一票，互不合并。从因子净值来看，房地产价格和外需指标的历史表现相对突出，具体而言：

①一线城市二手房挂牌价：该指标能够反映核心城市房地产价格预期及地产景气变化，本文以该因子10日均线与40日均线之差构造趋势信号，短期均线低于长期均线、即房价趋势转弱时生成债券看多信号。回测来看，该因子样本内累计收益为9.32%，历史样本外年化收益为3.41%，是增长维度中样本内外最稳健的一个，参数稳定性较好。

②社会消费品零售：单因子收益相对有限，但能够提供投资和地产之外的消费需求信息。我们以当前值相较三个月前变化值来衡量消费增速的边际变化，零售增速回落时生成债券看多信号，回升时生成看空信号。该因子筛选期累计收益为1.76%，样本内同仓位年化超额为-0.14%，但样本外同仓位年化超额回升至0.96%。剔除检验显示，删除社零后模型样本内年化收益下降约0.13个百分点，说明其虽然单独表现不强，但能够改善增长维度的组合信号，因此予以保留。

③固定资产投资：能够较好识别投资需求边际走弱所对应的债券机会。信号同样为当前值相较三个月之前的变化，投资增速回落时生成债券看多信号，投资增速回升时生成看空信号。该因子筛选期累计收益为8.63%，历史样本外年化收益为1.65%，相邻参数下的表现较为稳定。

④PMI新出口订单：对外需变化具有较好的指示作用，样本内外均取得了正收益。我们以50作为荣枯分界线，读数低于50时认为外需偏弱并生成债券看多信号，高于50时生成看空信号。该因子筛选期累计收益为8.91%，历史样本外年化收益为2.19%。

7.1.2 通胀因子

通胀维度是入选指标最多的维度，共11个正式因子。我们按价格形成的环节将其拆分为6个小维度，多指标的小维度先在内部等权合成，再向通胀维度投出一票，以免同一类价格信息被重复放大。具体而言，我们从官方与调查价格、食品价格、黑色商品、黑色基差、金属价格、综合工业品六个角度刻画价格与成本压力。从回测结果来看，核心CPI、PPI、焦炭和黑色基差表现较好，部分高频价格指标则主要发挥领先观察和分散风险作用；单一价格环节的有效性会随宏观环境切换而漂移，因子表现的分化也说明了小维度合票的必要性。

7.1.2.1 官方与调查价格：3个指标合成1票

该子维度是通胀维度的核心一票，用官方口径和调查口径互相印证：官方数据权威但滞后，PMI 调查数据及时但噪声大。

①核心CPI：通胀维度中样本内外表现最好的因子之一。该指标衡量了剔除食品和能源后的基础通胀压力，我们以当前值与三个月前值之差构造信号，核心通胀边际下降时生成债券看多信号。该因子筛选期累计收益为9.33%，样本外年化收益为3.13%。

②PPI：历史表现较为稳定。该指标能够反映工业品出厂端价格和上游成本压力。我们以当前值减去三个月之前的值构造信号，PPI边际回落时生成债券看多信号。该因子筛选期累计收益为8.21%，样本外年化收益为1.57%，样本内外方向一致但幅度收敛。

③PMI出厂价格：具较高的数据时效性（比正式价格数据提前约半个月）和较好的样本内表现。我们以50为价格扩张与收缩的分界线，指标低于50时生成债券看多信号。该因子筛选期累计收益为8.57%，样本内同仓位年化超额为0.98%；样本外年化收益为2.16%，同仓位年化超额为-0.02%，基本与同仓位基准持平。

7.1.2.2 食品价格：2个指标合成1票

食品价格波动大、季节性强，单一品种容易被供给冲击带偏，因此用两个相关性不高的品种合成一票。

①豆油价格：在样本外表现较好，但对参数选择相对敏感。该指标代表油脂类食品价格，我们将当前价格放到过去60个交易日的价格排序中并关注其所处位置，价格位于历史窗口后50%时即认为价格偏低、生成债券看多信号。该因子筛选期累计收益为4.00%，样本内同仓位年化超额为0.17%，样本外年化收益为3.07%、同仓位年化超额为1.63%。

②鸡蛋价格：代表高频畜禽类食品价格，与豆油形成品种互补。我们先计算最近5个交易日的涨跌幅，再与过去60个交易日的常态波动相比，超过1倍标准差才视为显著变化；价格显著下跌时生成看多债券信号。单因子表现偏弱，样本内累计收益1.79%、样本外年化0.96%；因而其入池目的是分散豆油的单品种风险，而非贡献收益。

7.1.2.3 黑色商品价格：单指标1票

①焦炭价格：黑色产业链样本中表现较好的代表因子，反映成本压力和地产基建需求预期。我们以最近4个交易日的对数收益构造动量信号，价格趋势转弱时生成债券看多信号。该因子筛选期累计收益为9.53%，样本内同仓位年化超额为0.69%，样本外年化收益为2.06%、同仓位年化超额为0.53%。

7.1.2.4 黑色基差：2个指标合成1票（专项补充）

现货与期货的价差能从期限结构角度补充单纯的价格信息：基差走强通常意味着现货偏紧、需求较好，基差走弱则相反。下列两个因子属于模型专项补充，未参加203个因子的统一竞赛，指标则来自专项回测；两者合成一票后，既保留了基差这一独立信息维度，又不会让黑色产业链在通胀维度中获得额外权重。

①铁矿石基差：从期限结构角度提供更多信息。我们以20日均线与60日均线之差构造趋势信号，基差趋势走弱时生成债券看多信号。专项回测中，该因子样本内累计收益为6.26%、同仓位年化超额为0.44%，样本外年化收益为2.85%、同仓位年化超额为1.23%。

②螺纹钢基差：能够进一步刻画黑色产业链的期限结构变化。信号采用10日均线与40日均线之差捕捉更短周期的期限结构变动，基差趋势回落时生成债券看多信号。专项回测中，该因子样本内累计收益为8.33%、同仓位年化超额为0.62%，样本外年化收益为2.18%、同仓位年化超额为0.96%。

7.1.2.5 金属价格：2个指标合成1票

黑色与有色分别对应地产基建链和制造业链，用一票同时覆盖。

①镀锌板价格：代表钢材现货价格趋势，样本内表现较好，但样本外有效性有所下降。我们以20日均线与120日均线之差构造中长期趋势信号，价格趋势走弱时生成债券看多信号。该因子筛选期累计收益为9.24%，样本内同仓位年化超额为0.72%；样本外年化收益为1.80%，同仓位年化超额为-0.15%。

②铝价格：在样本内外均取得了正超额，但参数稳定性相对一般。该指标反映有色金属需求和工业生产预期，我们以20日均线与60日均线之差构造信号，铝价趋势回落时生成债券看多信号。该因子筛选期累计收益为6.30%，样本内同仓位年化超额为0.43%，样本外年化收益为2.86%、同仓位年化超额为1.75%。

7.1.2.6 综合工业品：单指标1票

①南华工业品指数：单因子收益偏弱，但能够提供跨品种工业品价格信息。我们采用近20个交易的累积涨跌幅构造动量信号，指数下跌时生成债券看多信号。该因子筛选期累计收益为1.43%，样本内、样本外同仓位年化超额分别为-0.08%和-0.28%。删除南华工业品后，模型样本内年化收益提高约0.08个百分点，但最大回撤恶化约0.21个百分点，说明该指标具有一定的风险平滑作用。因此，其入池目的主要是分散通胀维度的品种风险，而非追求较高的单因子收益。

7.1.3 生产因子

生产维度因子从订单趋势、官方与调查生产、高频实物生产、被动库存压力四个角度刻画了生产链条。该维度内部的回测表现分化较大，我们选择先在经济子类内部合成，再向维度投票，以降低单一生产指标失效对最终维度信号的冲击。从回测结果来看，高频实物量指标整体优于部分官方和PMI指标。

7.1.3.1 订单趋势：1票

①PMI新订单：生产维度中识别需求和未来生产动能的主要指标。我们以新订单指数最近三个月的连续方向构造信号，新订单持续走弱时生成债券看多信号。该因子筛选期累计收益为5.67%；样本外年化收益为0.70%。

7.1.3.2 官方与调查生产：2个指标共同确认后形成1票

官方口径给出总量锚，调查口径给出边际变化，两者共同确认才形成信号，以避免单一口径的噪声直接传导到维度投票。

①工业增加值当月同比：收益贡献偏弱，但能够为生产维度提供官方总量锚。我们使用最近三个发布期的趋势变化生成信号，工业生产增速回落时生成债券看多信号。该因子筛选期累计收益为2.04%，样本内、样本外同仓位年化超额分别为-0.16%和-1.18%。删除该指标后，模型样本内年化收益提高约0.12个百分点，说明其收益贡献较弱；但保留该指标可以避免生产维度完全依赖调查数据和高频行业数据，因此其主要作用是增强经济解释的完整性。

②PMI 生产：提供调查口径的生产边际信息。同样采用最近三个月的连续方向生成信号。该因子是全部正式因子中表现最弱的一个：样本内累计收益-0.04%、样本外年化-1.06%。之所以仍然保留，是因为其与工业增加值采取“共同确认”而非独立投票的方式，即仅当两个口径同向时才形成信号，因此其单独的负收益不会直接传导为维度投票的负贡献。

7.1.3.3 高频实物生产：3个指标扩散后形成1票

高频开工率数据比官方和PMI 数据更及时，但单一行业容易受自身供给扰动，因此用黑色、建材、化工三条产业链的开工率做扩散，再共同形成一票，确保单一行业信号失效不会被重复放大。

①高炉开工率：能够较为及时地反映黑色产业链的实际生产变化。我们先计算了最近5个交易日的开工率变化，再与过去60个交易日的常态波动相比，超过1倍标准差才视为显著，开工率显著下降时生成债券看多信号。该因子筛选期累计收益为5.54%，样本内同仓位年化超额为0.35%，样本外年化收益为1.58%、同仓位年化超额为0.35%。

②磨机运转率：在样本内表现较好，但样本外超额略有转负。该指标主要反映水泥和建材行业的实际生产情况，运转率走弱通常意味着地产和基建相关实物需求下降。该因子筛选期累计收益为6.59%，样本内同仓位年化超额为0.73%；样本外年化收益为1.81%。

③聚酯切片开工率：样本内表现突出，但样本外出现较明显衰减。该指标用于观察化工和纺织产业链的生产景气，开工率下降时生成债券看多信号。该因子筛选期累计收益为9.07%，样本内同仓位年化超额为1.06%；样本外年化收益为0.48%，同仓位年化超额为-1.00%。

7.1.3.3 被动库存压力：1票

①PMI产成品库存：直接收益贡献较低，主要作用是识别订单和库存之间的错配。库存上升本身是多义的：可能是企业主动补库（需求好），也可能是需求不足导致的被动积压（需求差）。因此我们构造了“产成品库存指数减新订单指数”的缺口，并观察其最近三个月的趋势，缺口上升意味着订单走弱或被动累库，从而生成债券看多信号。该因子筛选期累计收益为0.42%，样本内同仓位年化超额为0.03%，样本外收益及超额均接近0。其入池意义主要是补充订单指标无法直接反映的库存压力。

7.1.4. 融资因子

融资维度整体表现较为稳定，是五个维度中样本内外一致性最好的之一。四个正式因子各自独立投一票，分别覆盖融资总量、企业间接融资、企业直接融资和居民融资四个渠道，避免信用信号过度依赖单一融资来源。其中社融总量的样本内外表现均较好，企业和居民信贷则分别反映不同部门的融资需求。

①社会融资规模当月值：融资维度中表现最稳定的总量指标。我们比较最近三期融资合计与上年同期三期合计，融资收缩时生成债券看多信号。该因子筛选期累计收益为8.81%，样本内同仓位年化超额为0.70%，样本外年化收益为2.69%、同仓位年化超额为0.98%。

②企业中长期贷款：反映企业资本开支和中长期融资需求。我们以最近三期合计与上年同期三期合计之差构造信号，贷款走弱时生成债券看多信号。该因子筛选期累计收益为9.74%，样本内同仓位年化超额为0.77%；样本外年化收益为2.31%，同仓位年化超额为-0.19%。

③企业债融资：样本外表现较好。我们比较最近三期融资额与上年同期水平，企业债融资收缩时生成债券看多信号。该因子筛选期累计收益为0.20%，样本内同仓位年化超额为-0.36%，样本外年化收益为1.34%、同仓位年化超额为0.57%。删除该指标后，模型样本内年化收益提高约0.05个百分点，样本外则基本不变。其入池意义是保留银行贷款之外的直接融资信息，并与企业中长期贷款共同合成为企业融资一票，因此负面影响相对有限。