货币市场资金利率影响因素的变迁分析及预测模型构建-sbobet利记官网

本文通过量化分析方法，以r007为例研究了货币市场资金利率的周期性特征及其影响因素的变化。研究发现，随着中国人民银行货币政策框架的转变，传统的存款准备金率、公开市场操作利率（omo利率）对资金利率的影响力有所下降，而公开市场净投放的重要性在不断提升。此外，政府债净融资、年内季节性因素和月内季节性因素对资金利率仍有显著影响。基于上述分析，本文利用prophet模型构建了基于季节性的资金利率预测模型，有效捕捉了资金利率的周期性特征，可为资金交易和短债交易提供参考。

资金利率是金融市场中的一个关键指标，它对企业资金运营和固定收益投资策略具有显著影响。尽管业内机构及学术界已经对货币市场资金利率的影响因素进行了深入研究，但随着中国人民银行在基础货币投放方式和货币政策调控框架上的转变，这些因素影响力的动态变化尚未得到充分的定量分析。本文采用量化分析方法，探讨货币市场利率的周期性规律及其影响因素的变化趋势，并通过构建资金利率预测模型，为资金交易和短债交易择时提供参考。

一、资金利率影响因素变迁量化分析

（一）货币市场资金利率的主要影响因素

货币市场资金利率的波动受多种因素影响，学术界和业内机构已经对这些因素进行了广泛研究。从供给侧来看，存款准备金率、公开市场操作利率、财政资金的投放量以及监管考核等因素均对资金利率产生重要影响。而在需求侧，信贷需求、政府债券的净融资额、缴税走款、债券市场的杠杆需求以及节假日期间的现金需求也是不可忽视的因素。尽管监管考核、缴税走款、信贷投放和节假日等事件难以通过日频数据进行量化分析，但它们对资金利率的影响通常表现为明显的季节性模式。《债券市场短期利率季节性规律探析》（《国新资讯·研究洞察》2024年第25期）已经对季节性因素进行了详尽的分析，为本文提供了进一步的研究基础。因此，本文利用数据的季节性特征来间接量化这些影响因素的作用。

我们选取了银行间市场7天期质押式回购利率（r007）作为研究对象，量化分析了月内季节性、年内季节性特征以及以日频数据量化的外部变量，包括央行7天逆回购利率、存款准备金率、银行间逆回购成交量、政府债券（包括地方政府债券和国债）的净融资额以及央行的公开市场净投放量，评估这些指标对资金利率的影响力变化。

（二）货币市场资金利率影响因素的影响力的量化分析方法

在本节中，我们采用xgboost模型，将主要影响因素作为解释变量，并将银行间市场7天期质押式回购利率（r007）作为被解释变量，对2015~2024年10月末的日度数据进行了深入的量化分析。鉴于机器学习模型通常需要大量的历史数据进行有效的训练，并且考虑到模型构建中涉及年内季节性因素的整合，理论上至少需要2年的数据。因此，本研究以3年为一个周期，每个周期向前滚动一年，构建了8个周期（2015~2017年、2016~2018年、2017~2019年、2018~2020年、2019~2021年、2020~2022年、2021~2023年、2022~2024年）的数据集，并对每个周期进行了独立的模型训练和验证。通过模型输出的变量重要性排序，我们能够评估各因素相对重要性的变化趋势。

xgboost，即extreme gradient boosting，是一种优化的梯度提升算法，是梯度提升机（gradient boosting machine，gbm）的一种高效变体，广泛应用于分类、回归和排序问题。该算法通过整合多个弱学习器，通常是决策树，来构建一个强学习器，并通过迭代过程逐步优化模型性能，以减少预测误差。在xgboost模型中，feature_importance_属性是一个关键指标，用于评估各特征对模型预测结果的贡献程度。该属性的值是基于特征在模型构建过程中的表现计算得出的，其值越大，表明该特征对模型预测结果的相对影响越显著。通过细致分析feature_importance_，我们能够识别出对模型预测结果影响最大的关键因素。

（三）量化模型输出结果分析

1.模型结果

经过建模流程，我们得到了各影响因素对资金利率变动的相对重要性排序，具体结果展示在图表1中。

模型结果显示，存款准备金率与omo利率在资金利率的波动中占据了较高的权重。随着这两项因素影响力的相对下降，其他因素的影响力相对提升。为了更准确地衡量其他变量在剔除了上述两大因素影响后的真实影响力，我们重新构建了模型，排除了存款准备金率和omo利率，并分析了剩余变量的相对重要性。图表2展示了在排除这两项因素后，其他因素影响力的变化趋势。

2.模型结果分析

（1）存款准备金率和公开市场操作利率（omo利率）的相对影响力呈现显著下降趋势

这一现象主要映射出我国基础货币投放机制的逐步转型。在2015年之前，我国国际收支维持顺差状态，导致外汇储备被动积累，进而通过外汇占款形式增加基础货币供应。在此时期，法定存款准备金率成为调节流动性的关键工具，其与流动性的关系密切。随着强制结售汇制度的废止，货币投放策略转向通过大幅度降低存款准备金率来释放流动性。然而，随着存款准备金率下调空间的逐渐收窄，央行开始更多地依赖公开市场操作来向市场注入流动性。此外，中国的货币政策调控框架也经历了从数量型向价格型的转变。自2018年起，政府工作报告中不再设定m2货币供应量的具体增长目标。在价格型调控框架下，央行通过设定政策利率，运用公开市场操作和降准等手段，影响基础货币的供应。央行引入了更多灵活的货币政策工具，使得存款准备金率和omo利率不再是影响货币市场资金利率的唯一或主要因素。另外，自2018年以来，历次降准操作多数伴随着中期借贷便利（mlf）存量的减少，表明降准在一定程度上是对mlf的替代，从而削弱了降准的实际资金投放效果。

（2）公开市场净投放的显著性增强

这一现象主要归因于中央银行货币政策工具箱的不断扩充。在过去十年中，中央银行相继推出了多项创新工具，包括抵押补充贷款（psl）、中期借贷便利（mlf）、定向中期借贷便利（tmlf）和信用联结票据（cbs）等。到了2024年，央行进一步拓展了公开市场操作的范围，新增了国债买卖和买断式逆回购等工具。这一系列丰富的货币政策工具显著提升了央行对资金面的控制力。在市场层面，市场对央行资金投放的依赖性增强。此外，应当注意到央行公开市场净投放量与当日资金利率水平呈现正相关关系，即央行在资金需求较高的时期会增加净投放，以缓和资金波动，而非彻底消除波动。因此，通常不会出现央行净投放量越大，资金利率就越低的情况。

（3）年内季节性逐渐走强、月内季节性波动

尽管我国货币政策框架经历了调整期，金融监管体系趋严，但诸如信贷投放和税务缴款等因素导致资金利率季节性波动的基本面并未发生根本性改变，因此资金利率的年内季节性模式依旧显著。年内季节性影响的加强主要与近年来经济增长所面临的压力有关。通常在下半年，尤其是第四季度，政府会推出更多的稳增长政策，这些措施往往会增加融资需求，从而推高资金利率。至于月内季节性波动，它通常与税务申报和月末银行考核等因素紧密相关。这些因素在近年来表现出较高的稳定性，因此月内季节性波动在资金利率中的作用并未出现显著变化。

（4）银行间逆回购市场成交量影响力减弱

银行间逆回购市场的成交量曾是影响资金利率的关键指标之一。2015~2017年的数据训练集中，它仅次于存款准备金率和omo利率，位列最具影响力的指标之列。然而，自2018年起，该指标的影响力开始逐年降低，到了2022~2024年的训练集中，其影响力已下降至所有指标中的最低水平。这种变化主要归因于债券市场监管体系的不断完善，尤其是资产管理机构的杠杆率得到了有效规范。随着资管产品杠杆率的波动幅度减少，其对资金利率的影响力也随之减弱。

（5）政府债净融资影响力近几年有所抬升

模型显示，政府债净融资对资金利率的影响力在最近几个周期中有所上升。具体来看，2015~2017年和2016~2018年两个训练集中的政府债净融资影响较高，2018~2020年训练集中的政府债净融资影响较高，随后各训练集中，该指标下降后逐年走高。政府债净融资的影响力与净融资量的大致走势保持一致。在财政政策较为积极、净融资量较大的年份，资金面的预测应更加关注政府债的发行节奏。相反，在其他年份，政府债净融资对资金利率的影响相对较小，可以适当降低关注度。

二、基于季节性的资金利率预测模型

尽管影响资金利率的诸多因素已经相对明确，但预测未来日频资金利率时，我们仍面临外部变量数据不足的挑战。现有的外部变量并非领先指标，其未来走势的预测同样充满不确定性。然而，正如前文分析，季节性因素在资金利率预测中占据重要地位，并且表现出较高的稳定性，仅需依赖历史数据即可。同时，存款准备金率和omo利率表现出相对的稳定性，假设这些指标在未来一段时间内保持稳定，它们可以作为外部变量纳入模型，从而预测较长时间的利率走势。基于这一思路，本研究构建了以季节性特征为基础的利率预测模型，并引入了存款准备金率和7天omo利率作为外部慢变量，以期对未来较长时间的资金利率进行有效预测。本文以银行间市场7天期质押式回购利率（r007）为对象，采用prophet模型进行建模，以检验其在资金利率预测方面的有效性。

（一）模型构建方式

prophet模型是一种开源时间序列预测工具，特别适用于具有强烈季节性特征的数据，它于2017年推出，旨在简化时间序列预测流程，并提供准确、可解释的预测结果。prophet模型可以自动检测并拟合年度、周度和日度的季节性模式。它使用傅里叶级数（对于周期性季节性）和节假日效应（通过用户自定义）来建模季节性。prophet模型允许用户指定特定的节假日及其对时间序列的影响，这些节假日效应可以是固定的，也可以是可变的。

在本研究中，我们选取了一定时间范围内的历史数据作为训练集，用于训练prophet模型，使用下一年的数据作为测试集，以验证模型的预测效果。数据集使用2015年1月1日~2024年10月31日期间的近10年数据。训练集的时间长度分为5年、4年、3年、2年四种情况，以评估不同训练时长对模型性能的影响，并据此选择最合适的模型训练时长。

为了准确捕捉年内季节性特征，模型需要足够的历史数据。过短的时间周期可能无法充分反映季节性，而过长的时间周期则可能引入不同模式的数据。通过对比不同训练周期的模型表现，我们发现2年滚动训练的预测误差较大，表明训练时间不足。相反，3年滚动训练的模型在测试集上表现稳定，且优于4年、持平于5年滚动训练的结果。因此，我们选用3年滚动训练期构建的模型来进行预测。

（二）季节性拟和结果

利用3年训练期的模型，我们提取了r007利率的月内和年内季节性特征。月内季节性模式呈现u型趋势：月初资金需求下降，随后在10日左右缓慢上升，15日左右因税务申报等因素影响而再次攀升，并在19日左右达到月中最高点，之后直至月末逐渐攀升至月内最高点，通常在最后两到三日达到峰值。年内季节性模式则显示年初和年末资金利率较高，而年中时期相对较低，5月初通常是一年中的资金利率低点。

（三）模型预测结果

基于prophet模型的预测结果，2024年1~10月的预测结果如图表8所示。整体看，预测结果与实际资金利率走势较为吻合，表明该模型能够有效地捕捉资金利率的周期性特征，为资金交易和短期债券交易提供了有价值的参考。然而，由于模型主要基于历史数据，对于超出历史数据范围的新情况可能无法准确预测，因此需要定期更新模型，并关注模型失效的风险。

三、结论与建议

本文对货币市场资金利率的周期性特征及其影响因素进行了深入量化分析，发现随着中国人民银行货币政策框架的演进，资金利率的影响因素和历史规律也发生了转变。特别是，季节性因素在资金利率预测中占据重要地位，且表现出较高的稳定性。政府债净融资的影响力与政府债的净融资规模大体一致，而质押式逆回购成交量的影响力则呈下降趋势。值得关注的是，央行公开市场净投放的影响力逐渐增强，可对此加强关注。

展望未来，随着降准空间的逐步缩小，中期借贷便利（mlf）等流动性管理工具可能面临限制，央行通过买卖国债来调节基础货币供应可能成为新的重要手段。然而，由于国债买卖的公告通常在月末发布，这限制了利用此类信息对日频货币市场利率进行有效预测的可能性。因此，加强相关市场信息的搜集和分析显得尤为重要。

本文构建的基于季节性的资金利率预测模型，为预测未来资金利率走势提供了一种有效方法，对于资金交易和短期债券交易的时机选择具有参考价值。但需要注意的是，该模型主要基于历史数据的学习，可能无法充分反映超出历史数据范围的新情况。

（国新国证基金）

免责声明

本文的分析及建议所依据的信息均来源于公开资料，我们对这些信息的准确性和完整性不作任何保证，也不保证所依据的信息和建议不会发生任何变化。我们已力求文章内容的客观、公正，但文中的观点、结论和建议仅供参考，不构成任何投资建议。投资者依据文章提供的信息进行投资所造成的一切后果，概不负责。文章未经书面许可，任何机构和个人不得以任何形式翻版、复制和发布。如引用、刊发，需注明出处为国新资讯，且不得对文章进行有悖原意的引用、删节和修改。