“该策略在国债拍卖前十天做空2年期国债，做多10年期国债和国库券，在拍卖日反转头寸，并持有十天。”
资产类别: 债券、差价合约、期货、互换 | 地区: 全球 | 周期: 每日 | 市场: 债券 | 关键词: 季节性、国债拍卖
I. 策略概要
该策略涉及围绕拍卖交易美国国债。在拍卖前十天，投资者做空2年期国债，做多久期匹配的10年期国债和6个月期国库券。零投资组合持有到拍卖日。在拍卖日，投资者反转头寸，进行相反的交易，并持有接下来的十天。该策略也可以使用期货或差价合约进行模拟。目的是利用与拍卖动态相关的价格波动，从拍卖前后的价格波动中获益。
II. 策略合理性
学术论文指出了国债拍卖异常现象的两个相互关联的原因。首先，一级交易商的风险承担能力有限，通常通过在二级市场卖空类似证券来对冲即将到来的拍卖风险，从而对价格造成下行压力。其次，某些最终投资者（如持有超过一半国债的外国投资者和政府）的资本流动性不完善，限制了他们参与短期套利。这些被动投资者通常不参与套利交易，这通过降低市场在拍卖前有效吸收风险的能力而加剧了异常现象。
III. 来源论文
流动市场中的预期和重复冲击 [点击查看论文]
- 路、燕和张，伦敦政治经济学院，耶鲁管理学院，耶鲁管理学院
<摘要>
本文研究了流动金融市场如何吸收预期和频繁重复的冲击。我们发现，即使每次拍卖的时间和金额都是提前公布的，二级市场上的国债证券价格在国债拍卖前的几天内也会显著下降，并在不久后恢复。据估计，财政部发行的成本相当于拍卖规模的9到18个基点，或者仅2007年票据发行就超过5亿美元，其中大部分可归因于拍卖日左右的价格压力效应。这些结果与交易商有限的风险承担能力和最终投资者不完善的资本流动性有关，突显了即使在非常流动的金融市场中，市场摩擦的重要作用。
IV. 回测表现
| 年化回报 | 5.74% |
| 波动率 | 6.75% |
| β值 | -0.009 |
| 夏普比率 | 0.84 |
| 索提诺比率 | -0.584 |
| 最大回撤 | N/A |
| 胜率 | 53% |
V. 完整的 Python 代码
from AlgorithmImports import *
from pandas.tseries.offsets import BDay
from typing import List
from datetime import datetime
#endregion
class SeasonalityTreasuryAuctions(QCAlgorithm):
def initialize(self):
self.set_start_date(2000, 1, 1)
self.set_cash(100000)
data: Security = self.add_data(QuantpediaFutures, 'CME_TY1', Resolution.DAILY)
data.set_fee_model(CustomFeeModel())
self.symbol: Symbol = data.symbol
# Auction days are estimated to happen either on Thrusday after second Wednesday of the month
# Secondary Source: https://home.treasury.gov/
csv_string_file: str = self.download('data.quantpedia.com/backtesting_data/calendar/treasury_auction_dates.csv')
dates: List[str] = csv_string_file.split('\r\n')
self.auction_days: List[datetime.date] = [(datetime.strptime(x, "%Y-%m-%d") + BDay(1)).date() for x in dates] # treasury auction date closes
self.holding_days: int = 0
self.days_to_hold: int = 2
def on_data(self, data: Slice) -> None:
if self.time.date() >= QuantpediaFutures.get_last_update_date()[self.symbol.value]:
self.liquidate()
return
# auction day close
if self.time.date() in self.auction_days:
self.set_holdings(self.symbol, 1)
return
# liquidate
if self.portfolio.invested:
self.holding_days += 1
if self.holding_days == self.days_to_hold:
self.holding_days = 0
self.liquidate(self.symbol)
# custom fee model
class CustomFeeModel(FeeModel):
def GetOrderFee(self, parameters):
fee = parameters.Security.Price * parameters.Order.AbsoluteQuantity * 0.00005
return OrderFee(CashAmount(fee, "USD"))
# quantpedia data
# NOTE: IMPORTANT: Data order must be ascending (datewise)
class QuantpediaFutures(PythonData):
_last_update_date: Dict[str, datetime.date] = {}
@staticmethod
def get_last_update_date() -> Dict[str, datetime.date]:
return QuantpediaFutures._last_update_date
def GetSource(self, config:SubscriptionDataConfig, date:datetime, isLiveMode:bool) -> SubscriptionDataSource:
return SubscriptionDataSource("data.quantpedia.com/backtesting_data/futures/{0}.csv".format(config.Symbol.Value), SubscriptionTransportMedium.RemoteFile, FileFormat.Csv)
def Reader(self, config:SubscriptionDataConfig, line:str, date:datetime, isLiveMode:bool) -> BaseData:
data = QuantpediaFutures()
data.Symbol = config.Symbol
if not line[0].isdigit(): return None
split = line.split(';')
data.Time = datetime.strptime(split[0], "%d.%m.%Y") + timedelta(days=1)
data['back_adjusted'] = float(split[1])
data['spliced'] = float(split[2])
data.Value = float(split[1])
# store last update date
if config.Symbol.Value not in QuantpediaFutures._last_update_date:
QuantpediaFutures._last_update_date[config.Symbol.Value] = datetime(1,1,1).date()
if data.Time.date() > QuantpediaFutures._last_update_date[config.Symbol.Value]:
QuantpediaFutures._last_update_date[config.Symbol.Value] = data.Time.date()
return data