“该策略利用机器学习对债券进行排名，通过提升动量，重点关注股票回报、市值和流动性，选择排名前五分之一的债券，每月重新平衡以优化回报。”
资产类别: 债券 | 地区: 美国 | 周期: 每月 | 市场: 债券 | 关键词: 公司债券、回归
I. 策略概要
该策略以洲际交易所全球公司投资级指数或全球高收益指数中的债券为目标，重点关注“金融”、“公用事业”或“工业”部门。仅包含与上市公司挂钩的美元计价债券。对于发行多只债券的公司，回报按所有债券的市场价值加权。该策略使用提升回归树（Boosted Regression Trees）将特征从0到1进行排名，纳入24个近期股票回报（动量）、市值和流动性。一个月动量使用当前和滞后期间的七天平均回报指数计算，以减少噪音。市值汇总所有债券的价值，而流动性则基于巴克莱LCS和TRACE数据。
超参数通过五重交叉验证进行优化，并根据具体的实施细节进行调整。债券按预期回报排名，并做多基于提升动量的排名前五分之一的债券。投资组合等权重并每月重新平衡，利用机器学习提高回报预测和债券选择效率。
II. 策略合理性
该策略利用股票动量作为公司债券表现的预测因子。股票市场能够迅速消化新信息，而流动性和交易成本等结构性因素导致债券市场存在滞后，使得股票动量领先于公司债券。流动性和市值影响动量信号转化为债券价格的速度。高市值表明定价速度更快，因为分析师覆盖率更高且更容易被纳入投资组合，而高流动性则表明价格对新闻的反应更快。机器学习方法增强了功能性，学习有利可图策略的模式。作为一种基于树的算法，它是透明的，允许检查特征重要性和经济相关性。
III. 来源论文
Boosting Momentum [点击查看论文]
- Hendrik Kaufmann、Philip Messow 和 Jonas Vogt。Deka Investment GmbH。Robeco 机构资产管理公司。Quoniam 资产管理公司
<摘要>
近年来，机器学习技术越来越受欢迎，但在固定收益研究中的应用有限。我们在公司债券市场中将提升回归树应用于股票动量因子方面做了一些新工作。我们报告称，使用机器学习驱动的预测为投资者带来了显著的业绩提升，阿尔法和信息比率大约是更广为人知的股票动量策略的两倍。除了过去的股票回报，我们还将股票和债券的规模和流动性纳入我们的模型框架。
IV. 回测表现
| 年化回报 | 4.21% |
| 波动率 | 2.46% |
| β值 | N/A |
| 夏普比率 | 0.92 |
| 索提诺比率 | N/A |
| 最大回撤 | N/A |
| 胜率 | N/A |
