20260706-浙商证券-利率策略与相对价值系列一_主成分分析（PCA）框架下的债市结构特征与交易启示_28页_1mb

主成分分析（PCA）框架下的债市结构特征与交易启示

核心内容概述

本报告通过主成分分析（PCA）方法对收益率曲线进行降维分析，揭示了中国债市收益率曲线波动的主要驱动因素。PCA 能够识别出三个核心因子（PC1、PC2、PC3），分别代表利率水平、曲线斜率和曲率变化，累计解释了99.92%的收益率曲线波动。报告进一步分析了各因子的时间序列特征、与外部变量的关联性，以及其在不同市场阶段的表现，并探讨了这些因子在相对价值交易和动态对冲策略中的应用。

主要观点

• PCA 适用于收益率曲线分析：PCA 不依赖于先验假设，而是通过数据揭示市场内在的不相关线性因子，能够精准捕捉真实的市场变动机制。
• PC1 为利率水平因子：PC1 在所有期限上均呈现正值，代表整体利率水平的变化，与平均收益率高度相关。
• PC2 为斜率/利差因子：PC2 显示出“跷跷板”结构，反映短端与长端之间的利差变化，与期限利差高度相关。
• PC3 为曲率因子：PC3 表现为“蝶式”形态，反映中端期限与两端期限之间的相对定价变化，与曲率代理变量高度相关。
• PCA 因子具有稳定性：在不同子样本和滚动窗口中，PC1、PC2、PC3 均表现出较强的解释能力，且具有一定程度的正交性。
• 因子与外部变量相关性层级递减：PC1 与宏观变量相关性较高，PC2 与资金面变量相关性较强，PC3 与外部变量相关性较弱，适合构建相对价值策略。
• 因子适用于不同策略：PC1 更适合趋势跟踪策略，PC2 和 PC3 更适合均值回归与相对价值交易。

关键信息

1. PCA 适用性

• 传统模型（如 Nelson-Siegel）假设因子形态，容易忽略真实市场变化。
• PCA 能揭示真实市场因子结构，具有更高的灵活性和适应性。
• PCA 能有效解决多重共线性问题，简化分析流程。

2. PCA 因子经济含义

• PC1：利率水平因子，反映整体利率变化。
• PC2：斜率因子，反映长短端利差变化。
• PC3：曲率因子，反映中端与两端之间的相对定价变化。

3. PCA 因子时间序列特征

• PC1：呈现长期趋势性，无均值回归特征，适合趋势跟踪。
• PC2：具有均值回归属性，波动频繁，适合相对价值交易。
• PC3：波动幅度最小，高度集中于零值，但异常波动可能反映市场结构变化。

4. PCA 与外部变量关系

• PC1：与宏观变量（如 PMI、CPI、能源价格）和政策变量（如 LPR）相关性较高。
• PC2：与资金面变量（如资金利率）和政策变量相关性较强。
• PC3：与外部变量相关性较弱，更适合相对价值交易。

5. 不同市场阶段因子表现

• 2018~2020：PC1 贡献率较高，PC2 和 PC3 贡献率较低。
• 2021~2023：PC2 贡献率显著上升，反映期限分化。
• 2024~至今：PC2 和 PC3 贡献率继续上升，表明市场结构复杂化。

6. 策略应用

• PC1：用于管理整体利率风险，适合趋势策略。
• PC2：用于捕捉斜率变化，适合陡峭化或平坦化交易。
• PC3：用于曲率交易，适合构建蝶式策略。

交易启示

• 趋势跟踪策略：PC1 作为利率水平因子，适合长期趋势判断。
• 相对价值交易：PC2 和 PC3 作为斜率和曲率因子，适合短期交易。
• 因子中性组合构建：可通过对冲 PC1 来专注于 PC2 或 PC3 的相对价值机会。
• 风险提示：需注意 PCA 因子结构漂移、样本偏少、外部变量误判等风险。

附录：关键图表与数据

图表目录

• 图1：中国国债收益率曲线协方差矩阵
• 图2：PCA 特征值（标准化后）
• 图3：PCA 前三个特征向量
• 图4：PCA 前三个因子时间序列
• 图5：PCA 因子间 52 周滚动相关性
• 图6：PCA 因子与代理变量相关性热力图
• 图7：PC1 与平均收益率水平
• 图8：PC2 与 30Y-2Y 利差
• 图9：PC3 与 7Y 曲率代理变量
• 图10：不同子样本的 PCA 载荷稳定性
• 图11：季度滚动 PCA 载荷热力图
• 图12：各主成分滚动方差贡献率
• 图13：PCA 因子间 52 周滚动相关性
• 图14：924 以来各滚动窗口的 PCA 方差贡献率

表格目录

• 表1：PCA 特征值与方差解释率
• 表2：不同子样本的 PCA 方差贡献率
• 表3：外部变量分类及主要传导机制
• 表4：924 以来各季度的核心外部关联领先指标
• 表5：外部变量冲击下的收益率曲线重构结果示例