◇ 作者：中国农业银行资金运营中心课题组1
◇ 本文原载《债券》2025年10月刊
摘 要
近年来，人工智能等重点领域技术持续突破，为全球金融领域数字化发展指明了方向。在这一背景下，数字金融与商业银行债券投研和交易业务的深度融合，既是落实国家宏观政策的关键举措，也是商业银行实现高质量发展的重要抓手。当前，先进同业机构纷纷加大相关领域投入，推动债券投研和交易业务数字化转型，在探索种类更丰富、工具更全面的固定收益策略体系，以及自动化、智能化的系统建设方向上取得了积极进展。商业银行需要积极把握科技浪潮下的数字金融发展契机，借鉴先进同业机构的发展经验，推动债券投研和交易业务数字化转型，挖掘业务潜能，拓展收入来源。
关键词
数字金融 债券投研 报价策略 量化交易
数字金融与商业银行债券投研和交易业务融合是新形势下的必然要求
近年来，人工智能（AI）等领域的科学技术持续突破，迅速打开了生产力提升的想象空间，叠加金融“五篇大文章”的政策顶层设计引导，商业银行面临的数字化转型需求愈加迫切。与此同时，传统的存贷业务息差收窄压力倒逼商业银行积极拓展非息收入渠道。在此背景下，数字金融与债券投研的有效融合，是商业银行资金交易业务顺利完成数字化、专业化转型发展的关键。
（一）科技浪潮助力数字金融发展
现阶段，AI大模型正成为新一轮科技革命的核心驱动力，其技术突破、应用场景创新与产业生态重构，深刻塑造着全球金融领域数字化发展格局。一方面，文本、图片、视频生成等技术取得突破。例如，OpenAI发布的Sora模型实现文本到视频的精准生成，AI大模型应用边界显著扩展，能够更好地满足数字金融发展的场景需要。另一方面，杭州深度求索人工智能基础技术研究有限公司推出DeepSeek大模型，在大幅降低大模型训练成本的同时，通过模型开源为技术普惠化奠定了重要基础，也倒逼国内外其他大模型厂商跟进加速开源，为数字金融建设提供了重要工具。目前，以DeepSeek为代表的AI大模型正在国内金融领域加速应用，已有部分国有和股份制银行完成DeepSeek本地化部署，一些头部证券公司将AI大模型应用于服务机构客户、舆情监测等领域，部分保险机构使用AI大模型生成保险方案等，金融行业数字化转型进程明显加快。
（二）数字金融与商业银行债券投研和交易业务的深度融合是落实国家宏观政策的关键举措
2024年11月，中国人民银行等七部门联合印发《推动数字金融高质量发展行动方案》，明确“到2027年底，基本建成与数字经济发展高度适应的金融体系”。2025年的《政府工作报告》提出“激发数字经济创新活力”。同年3月，《国务院办公厅关于做好金融“五篇大文章”的指导意见》（国办发〔2025〕8号）发布，提出“加快推进金融机构数字化转型，增强数字化经营服务能力”。对于商业银行来说，进行数字化转型不仅是应对市场竞争、满足客户需求和技术变革的必然选择，更是提升服务实体经济能力、实现高质量发展的重要保障。商业银行加快数字化转型，推动债券投研和交易业务与数字金融深度融合，是积极落实“五篇大文章”要求和数字金融相关顶层规划的关键举措。
（三）数字金融与债券投研和交易业务的深度融合是商业银行突破经营瓶颈、实现高质量发展的重要抓手
一方面，当前商业银行传统的存贷业务面临息差收窄压力。2024年，1年期和5年期贷款市场报价利率（LPR）累计分别下调35BP和60BP，贷款加权平均利率下降55BP至3.28%。受生息资产收益率大幅下降影响，2025年二季度，我国商业银行净息差2已跌至1.42%。在金融支持实体经济融资成本持续下降的趋势下，商业银行主要依靠息差收入的传统业务经营压力持续增大，探索提高债券投研和交易能力有助于商业银行拓展资本利得等非息收入渠道。另一方面，债券投研和交易业务竞争日趋激烈。根据笔者调研，部分股份制银行、头部证券公司已部署建设智能投研平台，此类平台具有信用分析和利率预测等功能模块，这些机构可以借助此类平台探索在债券交易中提高量化策略的应用比重；部分公募基金建设利率债、信用债系统，开发宏观因子预测等量化分析模块，为利率债、信用债交易提供更加科学的市场走势研判辅助工具。整体来看，债券市场参与机构投研决策与数字化、智能化技术手段相结合的趋势愈加明显，传统的基于低频数据、依靠经验驱动的债券投研和交易模式正在面临变革，推动债券投研和交易模式数字化转型的必要性显著提升。
债券投研和交易业务数字化发展持续推进
近年来，银行业竞争日趋激烈，同业机构纷纷加大投入，推动债券投研和交易业务数字化转型，探索种类更丰富、工具更全面的固定收益策略体系，以及自动化、智能化的系统建设方向，数字金融和债券投研实现有效融合，投研能力和效率得到有效提升。
（一）立足于债券做市业务需求，优化做市报价策略
债券做市业务是指通过持续向市场提供现券双边买卖报价、回复市场询价请求等为市场提供流动性的行为。近年来，债券做市业务发展迅猛，做市商积极开展做市报价，交易品种涵盖现券、利率衍生品、信用衍生品等多样化资产，并通过创新交易方式，推出债券篮子等提高市场交易活跃度，推动做市业务规模整体增长。在做大交易规模的同时，也需要兼顾盈利目标约束，这对做市商报价策略的制定和持续优化提出了更高要求。
一是拓展做市报价和平盘策略的深度。做市双边报价策略的核心是基于估值或活跃券价格确定合理的加减点差，并制定配套的平盘策略控制做市风险敞口，同时兼顾做市业务交易量提升和损益控制的双重目标。一方面，先进同业机构加强定价能力建设，在市场估值基础上逐步探索自行研发构建债券收益率曲线和利率互换定价曲线，从随行就市跟随市场定价向依托模型进行自主定价模式转变，并在此基础上加大对非活跃品种的报价覆盖力度。另一方面，在完善估值定价的基础上，先进同业机构通过归纳分析不同市场情形下的市场波动特征，结合各类市场参与主体的交易行为规律，构建包含双边报价点差和平盘策略等在内的做市策略方案，持续对不同期限和品种的标的开展做市交易。此外，部分先进同业机构做市策略的量化程度较高，充分利用订单簿形态、短期动量因子等高频技术分析信息，运用计算机算法3分析行情数据，作出相应的量价决策，构建并持续探索优化做市报价与平盘策略。
二是探索应用自动化报价方案。部分先进同业机构通过自主研发或者外购方式推进系统建设，基于量化引擎系统开展自动化做市双边报价，有助于更加快速地应对市场行情波动，达到控制风险和提升做市收益的目的。此外，部分同业机构依托中国外汇交易中心（全国银行间同业拆借中心）的iDeal标准化服务接口开发并推出智能聊天机器人，针对客户询价进行语义识别并汇总至内部业务系统，通过内部定价引擎和文本生成技术实现对客户询价的智能应答，进一步提升做市响应效率，有助于扩大客户覆盖面，提升客户满意度和黏性。
（二）探索多样化的交易策略，实现策略系统化
一是加强对各类因子的研究和挖掘。债券交易策略研究的核心在于对收益率和利差走势的研判。因此，对影响因子的有效研究至关重要。目前，已有部分先进同业机构建立了较成熟的因子指标体系，涵盖经济基本面、宏观政策、银行间流动性、机构行为、市场行情等多个维度，并结合历史走势进行回测检验，提炼关键指标进行量化分析，以对交易信号进行提示。例如，基于宏观基本面与债券收益率走势的相关性，以国内生产总值（GDP）增速、人民币贷款增速和居民消费价格指数（CPI）增速等基本面关键因子为核心，结合重点城市房地产市场成交量与成交价、用电量等工业生产的日频数据，以及商品期货价格等更加高频的数据指标进行变量预测，为债券收益率走势的前瞻性判断提供参考。
伴随着同业竞争日益加剧，叠加债券市场进入低利率环境，市场波动有所加大，博弈明显加剧，市场参与机构对提升策略交易盈利能力的重视程度日益提升。在此背景下，先进同业机构加强对因子的精细化挖掘。一方面，持续探索构建宏观因子和政策因子。另一方面，学习和借鉴股票市场的因子构建经验，加大对市场行情数据的量化分析力度，结合技术分析指标构建动量因子，进而用于开发量化择时模型。
二是加强中性套利策略的运用，通过技术手段提升择时研判准确度。近年来，随着债券市场逐渐步入低利率时代，传统的主观多头债券交易策略有效性明显下降。一方面，债券市场的息差回报持续下降。2023—2025年，1年期AAA评级的中短期票据到期收益率与银行间市场存款类机构以利率债为质押的7天期回购利率（DR007）之差的年均值分别为67BP、30BP和0，除去资金成本后的票息收入贡献大幅减弱。另一方面，债券收益率呈现波幅加大和长短端期限利差缩窄的特征。2023—2025年，10年期与1年期国债收益率的价差年均值分别为62BP、63BP和29BP。自2005年以来，期限利差大幅压缩导致资本利得挖掘难度进一步加大。与此同时，通过计算10年期国债收益率单周标准差走势可以发现，其2023—2025年的单周标准差波动率4分别为0.64%、1.39%和1.34%，而对应时段的10年期国债收益率30天最大下行幅度分别为16BP、40BP和26BP。这从侧面反映出近两年债券市场利率下行节奏明显加快，投资者针对利多和利空消息的交易往往一步到位，债券市场呈现“窄幅波动—显著上行/下行—窄幅波动”的轮动特征。在行情演绎节奏加快的市场环境下，传统的右侧做多交易策略赔率空间明显收窄，更加考验投资者对市场走势的研判能力和挖掘资本利得的择时能力。
在此背景下，部分机构加大对利率风险中性套利交易策略的研究和应用力度，强化利率衍生品的运用，通过对利率互换、国债期货、债券远期等利率衍生品自身的跨期规律及其与债券之间内在关联的深入分析和研判，构建多样化、精细化的跨品种和跨期限套利交易策略，提升资本利得收益。跨品种套利交易策略主要包括基于债券与国债期货（利率互换）之间的价差扩大/收窄而择机开展的做多/做空基差策略。例如，通过建立国债期货空头头寸并买入相应的最便宜可交割券（CTD）构建基点价值（DV01）中性的策略组合，并在赚取基差扩大收益后择机进行反向平盘。在此基础上，也可以将CTD替换为票息收益率更高的信用债、同业存单等，通过承担更大的基差风险来赚取息差增厚收益。跨期限套利策略主要包括基于国债期货两个不同期限合约之间的做平/做陡曲线套利，或者是运用3个期货合约开展蝶式价差套利。对于FR007_1Y和FR007_5Y这两个利率互换合约5，构建“付固定+收固定”组合6用于开展期限利差套利。
与此同时，部分先进同业机构借助量化方法提升市场研判的准确度。以往的固定收益择时建模主要通过统计回归方法开展，但回归对数据序列的平稳性要求较高，并且容易出现过拟合问题。随着AI技术的持续发展，机器学习的运用愈加广泛，现阶段最主流的技术路线是使用神经网络算法，能够适应更多应用场景，其解决复杂问题的能力更强。通过构建包含多个宏观和微观驱动因子的深度学习量化模型，结合高频市场行情数据，可以辅助提升主观择时研判的准确度，提升方向性交易的胜率。
三是系统建设的智能化水平显著提升。近年来，金融科技在债券及利率衍生品定价和策略交易中的运用程度进一步加深，部分先进同业机构已经深度应用智能化系统开展策略交易，通过搭建策略投研和交易的交互式平台推动策略成果持续迭代优化和自动化应用。
其一，金融市场数据信息来源较为分散，指标体系较为庞杂，为满足实时监测各类数据和指标变化、提升投研决策效率的需求，部分先进同业机构在采购市场资讯商、金融基础设施机构数据的基础上搭建了投研平台，利用投研平台持续开展策略模型回测和优化，推进策略模型持续迭代，以应对低利率趋势和交易节奏高频切换的市场环境。例如，某同业机构已开发宏观因子可视化平台，可以实时追踪系列核心指标的边际变化，同步构建有关宏观经济观点和组合表现的回溯系统，量化评估宏观驱动策略的业绩贡献以动态优化策略。
其二，部分先进同业机构已将投研平台与交易下单平台打通，构建了一体化决策与实施平台，实时监测多策略因子变化，利用系统直接捕捉策略模型所提示的买入/卖出信号，同步进行系统自动化下单操作，基本实现了策略模型的智能化应用，推动智力成果高效转化。
商业银行债券投研和交易业务的发展建议
数字金融与债券投研和交易业务的融合发展有助于激发交易业务增收潜能。商业银行需要积极把握科技浪潮下的数字金融发展契机，借鉴先进同业机构的发展经验，推动债券投研和交易业务数字化转型，力争实现从经验依赖到系统化沉淀、从滞后分析到实时响应、从方向研判到精细化策略的突破，充分把握科技发展机遇，挖掘业务潜能，拓展业务收入来源。
（一）加强数据库建设，为策略研发提供底层数据支持
商业银行需要加强数据库建设，为探索开发策略模型提供全面、高效的底层数据支持。一是扩大结构化数据覆盖范围，通过内部开发和外部合作方式整合宏观经济、中观行业高频、市场成交及情绪指标等多维度数据，尤其需要增强对市场成交等微观数据的实时采集能力，以满足日趋高频的策略建模需求。二是提升数据挖掘能力，重视对非结构化数据的清洗、脱敏和分析挖掘，尤其是顺应AI技术的发展浪潮，加强对多模态数据7的挖掘。同时，拓展高质量数据的获取渠道，确保获取数据的持续性和有效性，提升策略回测和仿真模拟的准确性。
（二）利用技术进步成果拓展策略研究边界和深度，推动更多模型应用落地
商业银行可以立足于现有大模型发展成果，强化量化策略模型的研究和应用。一是科技赋能强化基于订单簿的高频做市和套利策略运用，利用多样化的技术工具搭建量化模型。例如，探索利用自然语言处理技术对非结构化数据进行标签化处理，通过机器学习算法提取信用利差、久期分布等关键特征，辅助交易策略生成等。二是以实际交易业务需要为出发点，加强数据挖掘和因子研究，形成更加丰富的策略模型储备，包括但不限于优化做市报价策略模型，探索开发更多宏观和市场前瞻性因子，灵活运用现券、利率或者信用衍生品构建跨品种、跨期限的策略模型等，并在此基础上持续开展回测与仿真模拟，通过优化参数不断提高模型准确度，在线性模型的基础上探索以深度学习为代表的非线性模型，以应对日益复杂的债券二级市场交易环境，拓展非息收入来源。
（三）加强策略成果的系统化留存，推动决策机制智能化升级
商业银行需要继续推动投研管理模式向智能化决策系统转变，初期可以通过系统或技术咨询服务的外购合作提升系统的智能化水平，后期逐步向完全自主研发过渡，探索实现一体化、智能化的投研管理系统构建，形成研究成果智能化管理和策略交易自动化执行的综合平台。一是探索建立指标因子库和策略模型系统，结合研究经验与市场形势变化，对指标因子库进行动态管理，拓展模型因子的研究边界，并对各类因子进行持续提炼加工，以适应债券市场的新形势、新变化。同时，建立并持续完善模型动态迭代机制，定期对模型进行持续跟踪回测，根据统计检验结果，动态优化模型参数与策略逻辑，实现策略模型的不断迭代升级，逐步打造较为完备的固定收益模型生态。二是将模型成果进行智能化应用，实时监测和提示交易信号，打通策略投研系统和交易下单系统之间的节点，为策略模型赋予清晰的交易信号触发规则、策略执行下单提交和审批路径，通过一键触发等方式提升策略模型的执行效率，以匹配债券市场策略交易日益高频化的特征。
（四）强化人才队伍建设，协同推进人才与业务数字化转型
商业银行需要进一步加强团队量化投研能力建设，促进整个投研体系的数字化转型。一是加大外部资源整合和培训赋能力度。积极与金融同业、资讯平台、系统方案提供商等探讨数字化转型经验，同时邀请学界、行业专家等分享行业先进技术和经验，为投研体系的数字化转型提供底层知识架构和更新优化方向。二是优化人员培养体系。通过成立投研及量化分析团队、布置阶段性投研任务并定期组织研讨交流等方式，调动员工提升专业能力的积极性。以总结提炼实际业务中有效的策略思路为出发点，推动量化能力与研究分析、交易实战经验更加紧密地融合，打造兼具丰富投研交易经验和较强量化分析能力的复合型业务团队，为更好地实现债券交易策略的多元化和复杂化探索，以及智能化系统建设储备人力和智力资源。
注：
1．课题组组长：施卫，课题组成员：马永波、顾清、王磊、付萱、叶桂荣。
2．数据来源为国家金融监督管理总局网站。
3．计算机算法是指为实现高频量化交易策略而设计的、由计算机执行的一系列明确的规则与数学模型的集合，具体包括订单簿的挂单价格和数量等数据处理，短期动量因子等因子生成，线性回归、逻辑回归、深度学习等模型应用，以及为实际完成交易而采取的最优执行算法等。
4．计算方法为：先以周为频率计算10年期国债收益率的标准差，再对这些标准差数据计算其标准差。
5． FR007_1Y是指以7天回购定盘利率（FR007）为基准、期限为1年的利率互换合约，FR007_5Y是指以FR007为基准、期限为5年的利率互换合约。
6．“付固定+收固定”组合是指分别构建一笔基点价值相同、合约方向相反的FR007_1Y和FR007_5Y合约。
7．多模态数据是指包含多种不同类型信息的数据，常见的数据类型包括文本、图像、音频、视频等。
参考文献
[1]莫万贵，苏乃芳，付昊东．我国银行净息差下降的原因、挑战和应对[J]．武汉金融，2024（11）．
[2]权蕾，梅阳，万澍，等．净息差波动与商业银行经营稳健性研究——基于上市银行息差容忍度研究框架[J]．西部金融，2025（1）．
[3]朱克力．“金融强国：做好五篇大文章”之一：以科技金融为牵引 加快形成新质生产力[J]．金融博览，2024（1）．
[4]张舒琳．多招应对低利率 债券投资策略升至新高度[N]．中国证券报，2025-06-05（A03）．
