东方证券-宏观固收量化研究系列之（五）：基于机器学习模型的债券流动性预测-211123

《东方证券-宏观固收量化研究系列之（五）：基于机器学习模型的债券流动性预测-211123（24页）.pdf》由会员分享，可在线阅读，更多相关《东方证券-宏观固收量化研究系列之（五）：基于机器学习模型的债券流动性预测-211123（24页）.pdf（24页精品完整版）》请在悟空智库报告文库上搜索。

研究结论流动性是债券市场中非常关键的变量，一般来说，流动性有两个层面的含义。

一方面，流动性指的是宏观层面的流动性，衡量的是中央银行以及以商业银行为主的金融机构对资金的供给情况。

另一方面，流动性指的是在微观层面上债券变现能力的高低，我们说某个债券流动性好，指的是债券持有者能够及时地按照合意的市场价格卖出该债券。

本文把研究重点放在债券微观层面的流动性上。

作为中国债券投资者来说，如何准确、合理地评估债券持仓的流动性风险，是当下急需解决的课题。

当前市场上大部分关于债券微观流动性的研究，是对债券历史的流动性数据进行评价和打分，并未涉及到对未来不确定性的流动性的评估。

而本文侧重于预测与评估债券在未来一段时间的流动性，本质上描述的是债券的流动性风险。

当前中国债券市场上对债券流动性的评估主要以定性或者简单打分卡的形式来实现。

而本文提供了一种量化的思路，即尝试寻找影响债券未来成交量的潜在特征和合适的统计学模型，对个券的未来成交量做出合理的预测，并对流动性好坏进行打分，从而可以定量地描述个券或者债券组合的流动性情况。

本文选取了一系列潜在的影响债券流动性的特征，并测试了不同模型的预测效果，包括打分卡模型、线性模型、Lasso模型、XGBoost模型。

结果表明，近年来在工业界广泛流行的XGBoost模型在预测误差和稳健性上优于其他模型。

XGBoost模型显示，过去一段时间的成交量、存续时间、发行量、剩余期限、到期收益率、Z-Spread、到期收益率的波动率等特征的预测能力较高。

为了比较债券在截面上的相对流动性大小，本文基于XGBoost模型的预测，构建了流动性评分的规则，对个券的未来流动性进行0-5档的映射打分，可以较为直观地展现个券的未来流动性好坏程度。

风险提示量化模型失效的风险市场极端环境的冲击。