报告概述
本报告是东吴证券多资产系列研究的第三篇，聚焦信用债市场的量化定价与投资策略。报告引入IPCA（条件因子定价模型），系统阐述了模型的数学原理、特征选取原则及样本范围确定方法。通过对比中美信用债市场，论证IPCA模型在国内更具应用价值，并进一步展示了模型如何辅助传统信用利差研究（以城投债为例）。最终，报告将模型转化为可操作的策略，构建了基于IPCA因子的投资组合，并对其风险收益特征进行回测分析。报告为投资者提供了量化视角下的信用债收益增厚方案，兼具理论深度与实践指导意义。
报告的核心结论
IPCA模型在国内信用债市场应用效果优于美国
报告显示，从样本外测算结果看，IPCA模型在国内信用债市场的R²和定价误差等指标均优于美国市场。主要原因包括国内信用债发行主体更为集中（国企占主导）、模型选用的时间周期更短且特征更少，这使得模型在国内的预测更稳定、误差更小。
IPCA模型可有效辅助城投债信用利差研究
将IPCA模型应用于城投债利差分析后发现，常数因子是过去10年影响城投利差的最重要因子，其拐点与2018年及2023年两次化债政策拐点完全对应，验证了“化债政策驱动城投利差”的市场共识。市场面因子重要性则保持区间震荡。
基于IPCA因子的量化策略具备高夏普和收益风险不对称优势
以国内活跃发债主体为样本，策略组合自2023年12月有数据以来夏普比率从未低于1.45，2025年5月至12月持续高于2.2。75%的样本日期信用超额收益为正，最大收益0.13%而最小仅-0.03%，表现出出色的收益风险不对称性。
策略通过因子配置有效解决信用债流动性问题
与个股不同，信用债流动性较差，个券可能无法及时买入。该策略配置权重基于L个特征归纳的K个潜在因子，因此即使无法买入目标个券，也可通过买入类似风险特征的替代券实现因子配置，增强了策略的可操作性。
报告回答的关键问题
如何用量化策略增厚信用债投资收益？
报告提出基于IPCA模型的量化策略：首先通过IPCA模型提取影响信用债超额收益的潜在因子，然后根据因子预测值和协方差构建最优切线组合，每月调整因子敞口。回测表明该策略夏普比率高、收益风险不对称，且通过因子择券克服了信用债流动性不足的问题。
IPCA模型在信用债定价中相比传统模型有何优势？
IPCA模型属于条件因子定价模型，通过信用债特征（如久期、动量、财务指标）动态测算因子载荷，避免了传统多因子模型的线性假设和“因子动物园”问题。其优势在于能更高效、及时、全面地反映风险变化，且样本外预测效果优于传统模型。
城投债利差受哪些因素驱动？
报告利用IPCA模型分析发现，过去10年城投债利差主要由常数因子（反映化债政策驱动的整体风险偏好）驱动，基本面因子和市场面因子重要性相对较低。常数因子的两次拐点分别对应2018年“隐债十年清零”和2023年一揽子化债政策，说明政策是核心变量。
信用债量化投资策略如何应对流动性风险？
该策略不依赖具体个券，而是基于特征归纳的潜在因子进行配置。即使目标个券流动性不足无法买入，也可以通过配置具有类似风险特征的其他个券来复制因子暴露，从而实现对因子敞口的精准管理，有效规避了个券流动性限制。
报告中的代表性数据
信用债市场规模
截至2025年末，国内信用债市场总规模相当于A股总市值的42.3%，反映了信用债市场的重要性和量化研究的价值。
策略组合夏普比率
2025年5月至12月，基于IPCA因子的策略组合在12个月滚动夏普比率上表现优异，自2023年12月有数据以来从未低于1.45。
策略组合信用超额收益的最大值和最小值
2024年1月至2025年12月，体现了策略收益/风险的不对称性：正收益幅度远大于负收益幅度，且75%的样本日期收益为正。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- IPCA模型的完整数学推导与交替最小二乘法（ALS）算法细节，便于量化研究者复现模型。
- 中美信用债市场IPCA模型效果的详细对比表格，包含R²、定价误差等指标，并分析差异原因。
- 特征选取的完整流程：从海外常用特征梳理到国内适用性筛选，包括数据可得性、口径一致性等原则。
- 样本范围设定标准：全样本、A股上市公司发债主体、活跃发债主体三类范围的筛选条件及描述性统计。
- 城投债信用利差的IPCA模型分析结果：常数因子、基本面因子、市场面因子的时间序列图及政策拐点标注。
- 基于IPCA因子的策略构建步骤：因子预测、协方差估计、最优切线组合计算、交易成本设定及回测结果。
- 策略组合月度因子配置权重变化图（图7），展示对三个因子的风险敞口动态调整。
- 美国科技巨头（苹果、亚马逊、谷歌、Meta等）存量信用债数据表，用于中美信用债市场结构对比。
- 风险提示：包括特征选取不全面、税收差异、国债对冲估算误差、财报更新滞后、滚动窗口偏短等问题。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
