2026年05月26日，财通证券（601108）发表了一篇基金行业的研究报告，报告指出，基于市场情绪构建债市微观量化体系，提升模型可解释性与投资辅助能力。
报告摘要如下：
去年以来我们基于机器学习构建了一套利率量化模型，并取得了较好成果。但投资者在应用时不免会有困惑，哪些因子贡献最大？如何解释？这些是机器学习模型无法回答的内容。因此我们构建一套衡量市场情绪的债市微观量化体系，一方面是搭建一个可解释性较强的模型，另一方面尽可能刻画债券市场热度，辅助各位投资者进行投资和行情归因。
如何从微观角度观察债市？首先我们从四个衡量市场情绪的方向出发：交易热度、机构行为、利差、大类资产，在每个方向选择一批具有代表性的指标，分别观察每个细分指标的绝对值水平和分位值水平，在每个大类内部以线性的权重对指标进行汇总，构建大类指数，最后再把四个大类指数进行汇总，从而获得微观债市总指数，由于拟合使用线性方法，每个因子的权重是清晰可见的，因此在未来，指数如果和实际市场产生了背离，我们可以很容易观察到是哪些指标导致了变化；此外倘若指数出现拟合问题，对指标和权重调整也更加清晰和容易。
选择哪些指标？交易热度：哑铃热度、现券换手率、ETF折溢价、杠杆水平、TL/T多空比、TL/T成交比；机构行为：公募基金久期、分歧度指数、基金超长利率买入比、券商长期国债买入比、大行长期国债买入比、中小行长期国债买入比、机构申赎、长期国债成交占比；利差：互换政策利差、信用资金利差、信用国开利差、TL-T隐含利差；大类资产：股债比价、沪深300（399300）隐含波动率、商品债券对数比价、汇债利差。
如何构建微观指数？对每个大类首先使用大类内部指标，应用岭回归聚合为大类指数，再把大类指数回归得到微观指标总指数原始值，将该原始值映射至以100为中枢的指数，可以在直接观察指数相对走强/走弱的基础上，以100为分界线观察债市整体的情绪水平，100以上偏强，100以下偏弱。
微观指数效果如何？定性来看，微观指数在主要波段均与利率有较为明显的负相关性；定量来看，考虑一个复合的投票策略：分别观察指数的一周动量、4周动量、指数是否大于100以及是否高于4周均线，每个分项对应1和0，当总票数大于等于2时满仓持有10y国债，否则则为空仓。从结果看，只考虑资本利得的情况下，2019年以来投票策略的累计净值为1.14（比单边持有高0.03），夏普比率为1.18，卡玛比率1.41，最大回撤1.1%（单边持有策略最大回撤5.4%）。
风险提示：模型失效风险；因子失效风险，数据质量风险。
