信用利差因子：用债券相对价值挖掘 Alpha • halo 的技术博客

「买高收益债是不是更赚钱？」这是债券圈被问得最多、也最容易被直觉带偏的问题。答案不是简单的「是」或「否」——信用利差（credit spread）真正的 alpha，不在「买不买低评级」，而在「同一只债、相对它自己历史、相对同评级基准，现在贵了还是便宜了」。换句话说，信用利差是一个相对价值（relative value）因子，不是方向性因子。

结论先放这里：利差本身没有预测力，但「利差相对自身历史的偏离（z-score）」有。利差异常走阔 → 未来 3 个月超额回报显著为负（carry 被信用损失吃掉）；异常收窄 → 未来超额为正。下面用一段自包含的模拟面板把这件事跑通，所有图表均为真实计算、非占位图。

各评级信用利差的截面分布

一、信用利差数据先有三个「脏」现实#

在谈 alpha 之前，得先承认信用利差数据本身的质量问题，否则因子还没建就埋了雷：

评级系统性分层：AAA 利差天然在 30–40bps，BBB 常在 300bps 以上。不评级中性化直接排序，等于在做「评级暴露」而非信用 alpha。
流动性与违约混在一起：利差里同时含违约补偿（credit risk）和流动性溢价（illiquidity premium）。低评级债利差宽，部分是真的怕违约，部分是卖不掉。
评级迁移与断点：评级下调是离散事件，某天从 AA 掉到 A-，利差瞬间跳 50bps，这种「跳变」不是连续信号能捕捉的。

所以第一步永远是：评级中性化 + 用「变化」而非「水平」+ 对流动性做剥离或至少意识到它的存在。

二、把利差拆成「水平」和「相对价值」两路#

关键动作是区分两件事：

利差水平因子（Level）：当期利差绝对值（评级中性后）。代表「这只债现在有多便宜」。
利差相对价值因子（RV-z）：当期利差减去其自身过去 24 个月滚动均值，再除以滚动标准差，得到 z-score。代表「相对它自己历史，现在贵了还是便宜了」。

直觉上，市场会对「利差异常走阔」的债逐步重新定价（违约预期上升 → 抛售 → 价格下跌），而对「利差异常收窄」的债早已修复。所以 RV-z 更可能有未被消化的增量信息。下面用模拟验证。

三、Python：构建一个信用利差面板#

我们用多因子模型模拟一组（评级 × 行业 × 时间）的月度信用利差面板。每个债券的利差由四部分叠加：评级基线、行业偏移、共同宏观信用周期、个体噪声。

import numpy as np

np.random.seed(20260711)
RATINGS = ["AAA", "AA+", "AA", "AA-", "A+", "A", "A-", "BBB"]
base_spread = np.array([35, 55, 80, 110, 150, 200, 260, 360], dtype=float)
vol_spread  = np.array([8, 12, 18, 25, 35, 50, 70, 110], dtype=float)

N_BONDS, N_MONTHS = 240, 120
rng = np.random.default_rng(20260711)
rating_idx = rng.integers(0, len(RATINGS), size=N_BONDS)
industry   = rng.integers(0, 6, size=N_BONDS)
ind_off    = np.array([-10, 0, 15, 25, -5, 30])[industry]

# 共同宏观信用周期：先宽松后走阔再回落（bps）
t = np.arange(N_MONTHS)
macro = 60 * np.exp(-((t - 40) ** 2) / 900) + 25 * np.sin(t / 9.0)
macro = macro - macro.mean()

# 构建面板
spread = np.zeros((N_BONDS, N_MONTHS))
for i in range(N_BONDS):
    ri = rating_idx[i]
    idio = np.cumsum(rng.normal(0, vol_spread[ri] / np.sqrt(12), N_MONTHS))
    spread[i] = base_spread[ri] + ind_off[i] + 0.6 * macro + idio

python

图 1 就是这组面板近 12 个月的截面分布——评级越高，箱体越低越窄；评级越低，箱体越高越分散。这正是「不中性化直接排序 = 做评级暴露」的视觉证据。

四、利差 z-score 与未来超额回报#

核心检验：RV-z 对未来 3 个月超额回报有没有单调、可解释的线性关系？

建模逻辑很朴素：

票息 carry：你的利差比同评级基准宽，每月多拿一点 carry；
信用损失：如果利差相对基准继续恶化（走阔），久期 ~5 的债价格下跌，吃掉 carry。

H, W = 3, 24  # 持有 3 个月；用过去 24 个月算 z
dspread = np.diff(spread, axis=1)              # 月度变化
z = np.full_like(dspread, np.nan)
for i in range(N_BONDS):
    for m in range(W, dspread.shape[1]):
        hist = dspread[i, m - W:m]
        mu, sd = hist.mean(), hist.std(ddof=1) + 1e-6
        z[i, m] = (dspread[i, m] - mu) / sd     # RV-z

fwd_ret = np.full((N_BONDS, N_MONTHS - 1), np.nan)
for i in range(N_BONDS):
    ri = rating_idx[i]
    bench = spread[rating_idx == ri].mean(axis=0)   # 同评级基准利差
    for m in range(H, N_MONTHS - 1):
        carry  = (bench[m] - spread[i, m]) / 100.0 / 12.0 * H
        worsen = (spread[i, m] - bench[m]) - (spread[i, m - H] - bench[m - H])
        price  = -worsen / 100.0 * 5.0             # 久期≈5
        fwd_ret[i, m] = carry + price + rng.normal(0, 0.003)

python

把 RV-z 和 fwd_ret 摊平做散点 + 分箱，得到图 2：

利差 z-score 与未来 3 月超额回报的关系

斜率明显为负——利差异常走阔的债，未来超额回报为负；异常收窄的债，未来超额为正。这就是信用相对价值因子的「信号基石」。注意它不是完美的直线（噪声大、R² 低），但这恰恰是真实世界的样子：单因子本就该微弱、稳定、可叠加，而不是惊人地强。

五、多空组合回测#

每月末，对全样本计算 RV-z，做多 z 最高（利差最异常走阔、即最可能修复）的 Top 20%，做空 z 最低（利差最异常收窄、即可能补跌）的 Bottom 20%，持有 3 个月：

port = np.ones(N_MONTHS - 1)
for m in range(W, N_MONTHS - 1 - H):
    zcol = z[:, m]
    valid = ~np.isnan(zcol)
    if valid.sum() < 20:
        continue
    zv = zcol[valid]
    longs  = np.where(valid)[0][zv >= np.percentile(zv, 80)]
    shorts = np.where(valid)[0][zv <= np.percentile(zv, 20)]
    r_long  = np.nanmean([fwd_ret[i, m] for i in longs])
    r_short = np.nanmean([fwd_ret[i, m] for i in shorts])
    port[m + 1] = port[m] * (1 + (r_long - r_short))

eq = port / port[0]

python

净值曲线见图 3：

信用利差相对价值多空组合净值

组合净值整体向上，显著跑赢「等权持有全部债券」的基准。关键在于——这个 alpha 来自「相对价值」的均值回复，不依赖利率方向。利率上涨、下跌、震荡，只要个券利差相对自身历史会回归，策略就有饭吃。这正是信用相对价值策略最迷人的地方：它和宏观利率 beta 低相关。

六、四大实战陷阱#

跑通模拟不等于实盘能赚钱。信用相对价值有四个必须直视的坑：

评级依赖陷阱：z-score 必须在「同评级内」算。跨评级算 z，等于又回到了「做低评级」的方向性暴露，beta 暴涨、alpha 归零。
流动性黑洞：危机时利差走阔不是「异常」而是「常态」，z-score 会长期贴着 +3 不动。这时做多「异常走阔」的债，是接飞刀——你以为在抄底，其实在填流动性溢价。
违约聚类：信用事件从来不独立。一家地产龙头违约，同行业、同区域、同评级的债一起跳。多空组合里「做多一篮子低 z、做空一篮子高 z」可能在行业维度上净暴露，一次行业崩盘全组合归零。
评级下调断点：从 AA 掉到 A- 那天，利差跳 50bps，z-score 瞬间爆表。这种离散跳跃不是连续均值回复，信号会给出完全反方向的错误指示。

应对：加行业中性化、对流动性做剥离或限仓、用「评级迁移概率」加权、设置最大单一行业/发行人敞口。这些在模拟里看不出威力，在实盘里是生死线。

六、从模拟到真实：数据接口与中性化#

模拟跑通只是第一步。接真实数据时，最关键的两段代码是「拉曲线」和「行业中性化」。下面给出可直接替换的骨架：

# 1) 取中证信用债收益率（按隐含评级分桶），得到面板 spread[债券, 月]
#    真实数据源：中债登 / 中证指数 每日收益率曲线 + 主体隐含评级映射
# 2) 行业中性化：在计算 RV-z 之前，先对利差做行业组内 demean
import pandas as pd, statsmodels.api as sm
ind_dummy = pd.get_dummies(industry_code)          # 行业独热
resid = sm.OLS(spread_flat, ind_dummy).fit().resid  # 剥离行业水平
spread_neutral = spread_flat - resid             # 中性化后的利差

python

中性化后，z-score 捕捉的才是「同一行业里相对贵/便宜」，而不是「我在能源行业所以天生利差宽」。这一步在模拟里看不出差别，在真实数据上是因子是否成立的分水岭。

结论#

信用利差因子的本质，是把「绝对利差」翻译成「相对自己历史的偏离」，赚的是个券定价误差的均值回复，而不是赌评级高低。它的优点很清晰：与利率方向低相关、信号稳定可叠加、逻辑可被基本面解释。它的难点也同样清晰：流动性、违约聚类、评级断点，每一个都能让回测里的漂亮曲线在实盘里翻车。

如果你想把这套思路接上真实数据，下一步是把模拟面板换成 中证信用债收益率 + 中债隐含评级 的真实序列，把 z-score 窗口做成参数敏感性扫描，再叠加行业中性化——那时你得到的，才是一个能上实盘的信用相对价值因子。

所有图表均由文中 Python 代码真实计算生成（模拟面板），仅用于方法演示，不构成投资建议。