杨骏逸

摘要：从债券市场的发展方向、机构投资者的业务诉求以及海外市场的成功经验来看，开展债券量化业务正当其时。选择投研一体化平台来实现债券量化在各个场景的应用是一条可行路径。本文主要基于债券量化业务中的三个重要因素——驱动因素、风险控制和交易执行，构建了包括六个子系统的投研一体化平台，并在此平台上实践了智能建仓、利率多因子模型构建和债券指数基金监控等经典场景，体现出平台具有较高的实用价值。

关键词：债券量化  投研一体化平台  应用场景  系统建设

债券市场是现代金融市场的重要组成部分。目前，我国债券市场体量庞大、品种齐全、功能多样。随着近年来资管规模的快速增长、交易品种的不断丰富和信用风险的日渐暴露，传统的债券投研及交易方式逐步受到大环境的挑战。在此背景之下，债券量化业务开始纳入机构投资者的视线。

开展债券量化业务正当其时

（一）海外市场拥有成功经验

债券量化业务并非近年新兴的业务，早在上世纪70年代，美国资本市场涌现了一批以量化分析的方式进行债券投资的交易员和基金经理，其中最出名的莫过于John Meriwether领衔的所罗门兄弟套利部门及后来创立的长期资本管理公司（Long-Term Capital Management，LTCM），其借助量化分析工具，利用同質债券价格趋同的策略进行套利，为公司带来了丰厚的回报。除交易策略之外，量化分析在债券信用分析、风险管理等诸多领域亦有应用价值。

（二）交易工具逐渐丰富

债券量化业务离不开丰富的交易工具。随着多年来债券市场规模的增长，债券品种不断增加，交易工具逐渐丰富：国债期货的重启上市、信用风险缓释工具（CRM）的推出、债券指数基金数量的增加及发行速度加快，都为债券量化业务提供了更多元的工具选择。

（三）机构投资者内部条件已成熟

目前，债券市场不少机构投资者都有着丰富的投资交易经验，积累了大量的业务知识，储备了一批专业人才。然而囿于人力限制，机构投资者迫切希望将业务知识与成功经验转换为分析模型，沉淀至业务系统。同时，随着多年来的投资者教育，投资者对量化思想的认可度亦越来越高。加之信息技术的不断成熟，机构投资者已具备开展债券量化业务的内部条件。

从债券市场的发展方向、机构投资者的业务积累和诉求，以及海外市场的成功经验来看，在不久的将来，我国债券量化业务将实现大跨步发展。而当下着手开展债券量化业务，不失为把握时代发展大势的明智决策。

开展债券量化业务的路径选择

多年的积累和实践经验表明，选择投研一体化平台来实现债券量化业务在各个场景的应用是一条可行路径。笔者所定义的投研一体化平台，是指覆盖各类资产、连通各个业务环节、支持各种业务类型的平台。

为什么要基于投研一体化平台？这是因为业务是连贯的，任何应用场景都会最终落地到投资交易的执行环节，系统不能是割裂的，不能只完成完整业务链条中的一部分并且只覆盖部分品种。映射到债券量化的应用场景，投研一体化平台应该覆盖研究、投资、风控、交易和清算五个环节。在业务和品种方面，公募基金可以展业并投资的标的均应被覆盖。

从业务应用的角度来看，债券量化业务与股票量化业务存在如下三个差异。这三个差异也决定了投研一体化平台各个子系统建设的思路和方向。

（一）个券研究模型差异

债券和股票的属性不同，因此两者的定价模型和风险预测方式存在差异。在基于基本面进行量化分析时，股票侧重于基本面给股价带来的影响，而债券侧重于基本面对违约风险的影响，债券的价格在一定范围内受市场利率的影响更大。因此，在考虑基本面和价格因素时，股票量化的策略回测形式对债券量化的参考意义有限，而构建信用评级模型，量化分析债券的违约风险以及结合债券的内在价格和市场行情进行价差分析会更有意义。

（二）流动性差异

相较而言，债券的主体交易场所是银行间市场，交易方式主要是交易员之间协商价格，进行协议交易。囿于资金体量和交易方式，银行间市场债券的交易活跃度不及交易所股票的交易活跃度。可见，基于技术面的量化分析指标，如动量、异同移动平均线（MACD）、能量潮等，对于债券量化分析并不特别适用。因此，投研一体化平台应关注如何提高银行间市场的信息处理效率和业务执行效率，为量化分析提供高质量数据源和高效可靠的执行通道。

（三）组合管理差异

不同于股票组合关注行业配置、投资风格和个股收益表现，债券组合对债券的选择是基于评级、久期、收益率等一系列债券属性指标进行的，组合管理是对组合的杠杆率、久期、静态收益率等风险绩效指标进行管理。因此，在进行债券组合量化分析的时候，关注点在于结合债券的属性和组合的目标要求进行持仓调整，技术平台的建设也是围绕落地这一业务目标而进行的。

建设投研一体化平台的考量因素及相关子系统设计

基于上述分析，在设计投研一体化平台时我们主要考虑了债券量化业务的三个重要因素：驱动因素、风险控制和交易执行，并为此研发了六个子系统。

（一）驱动因素

投资交易决策的产生离不开驱动因素，债券量化业务的驱动因素多种多样，实践中可从两个最简单的因素入手：行情驱动和事件驱动。通过业务场景分析，我们搭建了全市场债券行情系统（子系统一）和债券信用评级系统（子系统二）。针对行情驱动场景，全市场行情系统对债券进行了统一建模，并约定了重要属性的数据来源、计算方法和应用方式。在此基础之上，通过直连的形式汇集全市场的行情数据，借助人工智能算法解析并结构化处理交易员联络群里的报价信息，最终汇总形成全市场行情数据流，为行情驱动场景的实现提供数据源。全市场行情系统以分布式发布订阅消息系统Kafka为消息传递和转发工具，行情处理引擎会将原生的行情数据根据设定的模型进行属性扩充和计算。为了解决跨系统实现的问题，行情数据流以谷歌（Google）的Protocol Buffer协议（一种数据序列化机制）为编码规则，保证了数据的跨系统有效对接。

在事件驱动场景中，我们着重考虑了评级和舆情两个方面。首先构建了债券信用评级模型，以量化发债主体的基本面信息、市场的行情资讯等核心要素发生改变时所带来的影响，建立了量化信用评级体系。同时，借助舆情监控系统，实时监控债券的舆情信息。评级要素和舆情信息的量化，为事件驱动的决策落地提供了可行性。

（二）风险控制

在驱动因素产生投资交易指令之后、投资交易行为发生之前，风险控制是绕不开的一个环节，风控系统（子系统三）的好坏是决定指令能否落地的关键。这时可以根据实际情况，选择使用所采购投资交易系统自带的风控功能，也可以添加一套独立的风控系统。我们倾向于后者，原因之一是业务创新变化很快，标准化的投资交易系统未必能满足机构个性化的风控需求。独立的风控系统应该能满足高并发、高吞吐量、高可靠性和低延迟的技术要求，也满足可迅速支持个性化风控条目的业务要求，同时还应该融入到业务链路中，而不是事后的一个补充或者监控系统。我们对该系统的定位是“事前事中事后一体化，境内境外全覆盖”，应当具备快速响应监管或者大客户最新风控要求的能力，守住合规经营的底线。

（三）交易执行

对于债券量化业务，执行是最终落地的环节。由于股票量化已有多年的实践经验，沪深交易所在执行层面的相关系统已比较完善，债券量化在执行层面的重要差异点是体量大得多的银行间市场。为此，我们梳理银行间业务规则，构建了一套高效可靠的银行间执行系统（子系统四）。

在指令端，固收投资端和指令中枢系统（子系统五）支持投资人员进行指令下达，具备基本的指令管理能力。在此基础上，我们还增加了各类风险绩效指标的实时计算和展示以及模拟交易试算功能，业务人员可以更清晰更直观地了解组合各项风险绩效指标的动态变化以及所下达指令对组合的影响，也可以通过行情辅助了解投资标的的实时状态信息（价格、收益率等）。

在交易端，银行间市场执行系统连接了交易、信息订阅和成交回报三大类五个接口，定位于提升交易效率、降低交易风险。在这方面，指令要素的自动填充、交易端风控规则的固化以及与交易流程的结合是三个核心点。投资指令要素的自动填充可以避免人工差错，加快交易要素填写速度;交易端风控规则的固化可以将交易独有的研究成果转为交易执行的各项指导，减少人工检查;与交易流程的结合则是各个机构合规交易的要求，可降低业务操作风险。

为摆脱清算流程的烦琐和频繁人工操作带来的效率掣肘，我们构建了清算交收系统（子系统六），提供银行间二级债券买卖、债券回购、债券分销等业务清算流程电子化（单据自动生成、自动加盖公章）和实时化（实时获取前台成交信息），以及提供交易员债券买卖和债券回购确认的自动化，并与估值和资金划拨系统对接，实现债券分销、可转债等业务的清算确认自动化。同时系统每日会采集交易清算数据，对交易对手的清算能力进行量化分析，从而为交易执行提供参考，形成业务数据的闭环流转。

债券量化实践的典型场景

基于上述必须具备和构建的子系统，我们实践落地了多个债券量化业务场景，较为典型的三个是智能建仓、利率多因子模型和债券指数基金监控，涉及行情驱动、主动量化和被动量化三个不同的领域。

（一）智能建仓

在智能建仓方面，主要考虑的是日常投研人员花费较多时间和精力的盯市场景和普遍存在的建仓需求，其业务核心点在于如何快速有效地帮助投研人员以合适的价格找到合适的债券品种。在债券筛选方面，我们借助前文提到的针对债券的统一模型和信用评级结果，提供债券类别、久期、内部评级、外部评级、发行人、含权情况、清偿顺序等多个类别数十项属性筛选，结合不同交易市场的价格信息和盘口信息以及管理组合的持仓情况，制定特定的建仓策略。一旦行情达到投资行为的触发条件，即可快速生成询价指令，交由交易员进行询价，交易员完成询价之后再反馈至投资经理;如果是不需要询价的债券，则直接生成正式指令，下达至风控系统进行风控检查，通过之后再交由交易员执行。从指令下达直至清算完成，整个业务流程借助上文提到的子系统在同一平台上完成。

投研一体化平台的重要性在智能建仓场景中体现得非常明显，因为行情稍纵即逝，如果靠人工记住各项关键指标再肉眼观察市场行情，发现行情后逐个查询和输入投资、交易、清算的各个要素，不仅费时费力、覆盖面有限，还容易错过交易时机。尽管市面上的行情软件可以提供行情筛选功能，但是大多既不能集成内部的研究成果（如内部评级等），也无法直接生成指令，无法真正行之有效地落地实现智能建仓。

（二）利率多因子模型构建

利率多因子模型是一个通过量化方式分析并判断未来市场利率走势从而提供仓位水平建议的模型，模型主要考虑了利差、动量、价值和风险偏好四个基础因子，根据因子所处的历史位置和在模型中的贡献度，给出看多或看空的判断以及具体仓位值建议。同时，考虑到不同投研人员对因子的偏好有所不同，我们对模型进行了扩展，支持根据各项宏观经济指标等基础因子构建更为复杂的定制因子，并对因子进行回测，也支持通过复杂因子制定投资策略，回测策略的执行情况并分析其效果。

（三）債券指数基金监控

债券指数基金监控主要考虑债券指数基金运作的被动量化场景。指数基金最重要的是跟踪指数，业务核心是降低跟踪误差。在实践过程中，由投研人员系统性梳理债券指数基金在运作过程中需要关注的各项组合指标，包括指数久期与基金久期、基金成分券与非成分券仓位、当前资金成本等，通过监控指标的实时状态，提醒投资经理进行相关的操作。

除了上述几种业务场景之外，还有很多特定的债券量化场景在平台上不断落地。只要保证投研一体化平台相关基础设施的稳定，业务场景固化、业务知识沉淀只是时间问题，平台的价值也会随着时间的推移而愈发显现。

作者：南方基金信息技术部高级副总裁

责任编辑：罗邦敏  刘颖