如何搭建一个能感知环境+共振决策的利率择时模型

摘要： 本报告提出了一套基于“L1 概率预测 + GMM 状态感知 + 共振决策矩阵”的利率择时量化模型，旨在通过对机构行为因子的深度重构与市场环境的动态识别，提升债市择时策略的稳健性与盈利能力。

核心观点：
通过构建适配不同市场环境的模型和因子，实现从“单一因子筛选”向“系统化择时模型”的跨越。核心逻辑是以 L1 进攻子模型为基础信号，引入 GMM 状态机感知宏观环境（杠杆率与久期）进行仓位微调，并辅以 L1 防守模型的“一票否决”机制以规避尾部风险。

论据支撑：

1. 因子工程：构建包含 1429 个衍生因子的库，将其划分为专注获利的“进攻库”和专注预警的“防守库”。
2. 模型架构：采用 L1 正则化逻辑回归分别训练进攻（预测跑赢资金利率概率）与防守（预测大跌概率）两个独立引擎。
3. 状态感知：利用 GMM 无监督聚类将市场划分为低/中/高杠杆三种状态，结合波动率构建 $3 \times 2$ 仓位决策矩阵，实现动态加减杠杆。
4. 回测验证：2021-2026 年回测显示，周度调仓策略在 7-10Y 和 10+Y 期限上均录得显著超额收益，且最大回撤较基准大幅压缩。

局限性/风险：
模型参数高度依赖历史数据校准，易受样本区间结构性特征影响；历史数据存在失效可能，需警惕极端行情波动。