中国地方政府债券利差高级计量经济学框架

Advanced Econometric Framework for China Local Government Bond Spread Analysis

---

📋 项目概述 (Project Overview)

本项目实现了一套专业级的计量经济学框架，用于分析中国地方政府债券利差的动态特征。核心理念是**"模型锦标赛"**（Model Tournament）——不依赖单一模型，而是让多个模型竞争，由数据驱动选择最优模型。

核心功能

✅ 三大分析模块:

1. 波动率建模锦标赛 - GARCH/EGARCH/GJR-GARCH 模型竞争
2. 卡尔曼滤波器 - 从市场噪音中提取真实信号
3. 极值理论 (EVT) - 基于 GPD 的尾部风险量化

✅ 交互式可视化 - 使用 Plotly 生成专业图表（中文标注）

✅ 战略输出报告 - 自动生成可执行的交易建议和风险预警

---

🏗️ 技术架构

模型实现细节

模块	技术	核心库	用途
波动率建模	GARCH 模型族	arch	捕捉波动率聚集和不对称效应
信号提取	卡尔曼滤波器	statsmodels	分离基本面信号与市场噪音
尾部风险	极值理论 (POT)	scipy.stats	估计极端损失的概率分布
可视化	交互式图表	plotly	专业级数据展示

数据引擎

• 生产环境: 支持 Wind EDB 数据接口（需配置 Wind API）
• 开发/测试: 自带模拟数据生成器（GARCH 过程 + 跳跃扩散）
• 数据清洗: 使用 MAD（中位数绝对偏差）方法处理异常值

---

🚀 快速开始

环境要求

Python >= 3.8

安装依赖

pip install -r requirements.txt

运行分析

jupyter notebook china_localgov_bond_spread_analysis.ipynb

或直接在 Jupyter Lab 中打开并执行所有单元格。

---

📊 使用指南

1. 配置数据源

在 Notebook 的第一部分找到配置字典：

CONFIG = {
    'SOURCE': 'MOCK',  # 切换为 'WIND_EDB' 使用真实数据
    'TICKER': 'M0017142',  # Wind EDB Ticker（地方债利差）
    'START_DATE': '2018-01-01',
    'END_DATE': '2025-12-31',
    # ... 其他参数
}

2. 执行分析流程

Notebook 分为四个主要部分：

第一部分: 数据加载与清洗

• 自动处理缺失值和异常值
• 输出数据质量报告

第二部分: 模型锦标赛

模块 A - 波动率建模:

• 拟合 GARCH(1,1)、EGARCH(1,1)、GJR-GARCH(1,1)
• 自动选出 AIC/BIC 最优模型
• 检测波动率不对称效应

模块 B - 卡尔曼滤波:

• 提取利差的"真实趋势"
• 识别均值回归交易机会

模块 C - 极值理论:

• 计算 99% EVT-VaR
• 量化尾部风险

第三部分: 可视化仪表盘

生成三张专业图表（全中文）：

1. 信号与趋势图 - 卡尔曼滤波 vs 原始利差 + 交易信号标记
2. 波动率结构图 - 条件波动率 + 危机模式识别
3. 尾部风险锥 - 收益率分布 + Student-t 拟合 + VaR 标记

第四部分: 战略报告

自动生成包含以下内容的分析报告：

• 模型选择结果与理由
• 波动率不对称效应检验
• 当前风险等级评估
• 具体交易建议（入场/目标/止损）

---

💡 核心技术亮点

1. 为什么用 "Model Tournament"？

金融市场的动态特征会随时间变化（Regime Switching）。单一模型可能在某些时期表现良好，但在其他时期失效。通过让多个模型竞争，我们可以：

• 避免模型选择偏差（Model Selection Bias）
• 自适应市场环境变化
• 提高预测稳健性

2. 为什么用 Student-t 分布而非正态分布？

金融收益率具有肥尾特征（Fat Tails）——极端值出现的频率远高于正态分布预测。Student-t 分布通过自由度参数 df 捕捉这一特征：

• df 越小，尾部越重
• 实际中国债券市场 df 通常在 3-7 之间

3. 为什么用 MAD 而非标准差？

Wind EDB 数据经常包含异常值（如 999、-999 占位符）。标准差对极端值非常敏感，会导致误判。MAD（Median Absolute Deviation）基于中位数，对离群点有抵抗力（Robust Estimator）。

4. 卡尔曼滤波器的实际意义？

市场报价 = 基本面价值 + 流动性溢价 + 微观结构噪音

我们真正关心的是第一项（基本面），但只能观测到总和。卡尔曼滤波器通过状态空间模型实现信号分离：

• Smoothed State → 基本面利差（用于制定战略）
• Deviation → 短期错误定价（用于交易）

---

📈 输出示例

模型锦标赛结果

================================================================
开始 GARCH 模型锦标赛
================================================================

[1/3] 拟合 GARCH(1,1)...
   AIC=4523.45, BIC=4537.21

[2/3] 拟合 EGARCH(1,1)...
   AIC=4512.33, BIC=4531.15
   非对称系数 γ = -0.1234 (负冲击放大波动)

[3/3] 拟合 GJR-GARCH(1,1)...
   AIC=4518.67, BIC=4537.89

================================================================
🏆 锦标赛获胜者: EGARCH
   AIC = 4512.33
   BIC = 4531.15
================================================================

战略建议输出

【四、行动建议】
────────────────────────────────────────────────────────────

  基于当前分析,建议:

  1. 方向性策略: 🔴 做空利差 (预期收窄)
     - 入场点: 125.43 bps
     - 目标价: 118.76 bps (回归趋势)
     - 止损点: 138.91 bps (当前+VaR)

  2. 风险管理:
     - 单日 VaR 限额: 13.48 bps
     - 建议仓位规模: 假设风险预算为 R bps,则最大名义敞口 = R / 13.48

  3. 关键监控指标:
     - 偏离度: 当前 +1.87σ → 警戒线 ±1.5σ, 止损线 ±2.5σ
     - 波动率: 当前 8.34 → 上升 20% 以上需重新评估风险敞口
     - 趋势: 若卡尔曼趋势突破 135.44 bps,说明市场regime切换

---

🔧 参数调优指南

GARCH 模型参数

CONFIG = {
    'GARCH_P': 1,  # ARCH 项阶数（通常 1 就够）
    'GARCH_Q': 1,  # GARCH 项阶数（通常 1 就够）
}

💡 经验法则: 除非有明确证据，否则坚持 (1,1)。更高阶数会过拟合。

EVT 阈值选择

CONFIG = {
    'EVT_THRESHOLD_PERCENTILE': 0.95,  # 95% 分位数
}

💡 权衡:

• 太低 (如 0.90): 引入非极端值，GPD 拟合效果差
• 太高 (如 0.99): 极值样本太少，估计不稳定
• 推荐: 0.93 - 0.97 之间

MAD 异常值阈值

CONFIG = {
    'MAD_THRESHOLD': 5.0,  # MAD 倍数
}

💡 建议:

• 保守 (3.0): 更多异常值被剔除
• 宽松 (7.0): 保留更多数据
• 默认 (5.0): 平衡的选择

---

🎯 适用场景

本框架可直接应用于以下资产的利差分析：

✅ 地方政府债券利差（相对国债） ✅ 企业债信用利差（AA vs AAA） ✅ 银行间-交易所利差 ✅ 期限利差（10Y - 2Y） ✅ 跨市场利差（中美国债）

只需修改 TICKER 参数，无需改动代码逻辑。

---

⚠️ 重要免责声明

1. 本框架为学术研究工具，不构成投资建议
2. 所有模型都是对现实的简化，实际交易需结合：
   • 宏观基本面分析
   • 政策环境研判
   • 市场微观结构
   • 流动性状况
3. 历史统计特征不保证未来延续，特别是在：
   • 政策急转弯时期
   • 系统性危机爆发时
   • 市场结构性变化时

---

📚 参考文献

GARCH 模型族

• Bollerslev, T. (1986). "Generalized Autoregressive Conditional Heteroskedasticity". Journal of Econometrics.
• Nelson, D.B. (1991). "Conditional Heteroskedasticity in Asset Returns: A New Approach". Econometrica.
• Glosten, L.R., Jagannathan, R., & Runkle, D.E. (1993). "On the Relation between the Expected Value and the Volatility of the Nominal Excess Return on Stocks". Journal of Finance.

极值理论

• McNeil, A.J., & Frey, R. (2000). "Estimation of Tail-Related Risk Measures for Heteroscedastic Financial Time Series". Journal of Empirical Finance.
• Embrechts, P., Klüppelberg, C., & Mikosch, T. (1997). Modelling Extremal Events for Insurance and Finance. Springer.

卡尔曼滤波器

• Durbin, J., & Koopman, S.J. (2012). Time Series Analysis by State Space Methods. Oxford University Press.

---

🤝 贡献指南

欢迎提交 Issue 和 Pull Request！

如果您有以下改进建议，请联系：

• 新的模型变体（如 FIGARCH、Realized GARCH）
• 机器学习方法集成（如 LSTM 辅助预测）
• 高频数据适配
• 其他资产类别的应用案例

---

📄 License

MIT License - 详见 LICENSE 文件

---

👨‍💼 Author

宏观对冲基金量化研究团队

"Let the data speak, and let the models compete."