跳转至

合成借券利率能预测次日市场收益吗？

一句话结论：Padyšák 报告，期权推导的 aggregate Borrow Intensity 日变化与次日 SPY 收益正相关；但样本短、收益集中在两次危机、数据专有且论文存在内部一致性问题，所以它目前只是值得小规模复现的 alternative-data 假说，不是可部署信号。

来源

研究问题

put–call parity 可以从同执行价、同到期日的 call 与 put 中反推出隐含融资/借券条件。若大量股票的合成借券成本同步收紧或放松，这种市场级融资状态能否预测很短期的指数收益？

论文使用 Cboe Hanweck Borrow Intensity：

\[ BI=r_f-\text{lending fee}. \]

因此，\(BI\) 上升表示隐含借券成本下降；\(BI\) 下降表示隐含借券成本上升。

数据、时钟与作者设定

  • 约 4,877 只股票/ETF 的 45-day constant-maturity indicator；
  • 每天对当时有数据的资产做 equal-weight aggregate；
  • 样本为 2016-06-15 至 2021-01-15；
  • 15:57 形成信号，论文声称数据约 100 ms 后发布；
  • 15:59 买入或卖空 SPY，次日 15:58 平仓；
  • SPY intraday data 来自 FirstRate Data，IEF 来自 Yahoo。

这里的 publication time、vendor delivery time、用户 ingestion time 与 15:59 可成交价格之间只有两分钟。任何复现都必须保留原始时间戳、延迟与版本，而不能只给日度数据补一个 15:59 标签。

作者报告的发现

  • \(\operatorname{corr}(\Delta BI_t,r_{SPY,t+1})=0.137\)，作者报告 \(t=4.17\)；
  • 回归系数为 0.22，作者报告 \(t=4.12\)；
  • gross long/short 规则的作者报告年化收益 15.47%、波动率 19.52%、最大回撤 \(-28.51\%\)；
  • 效果在随后两天反转，并且主要集中于 2018 年 12 月与 2020 年 COVID crash；
  • 排除这两个指定危机窗口后，作者报告策略日均收益约 0.0127%，低于 SPY 的 0.0981%；
  • 同日 intraday SPY return 与 \(\Delta BI\) 的作者报告相关性为 \(-0.52\)，所以 short-term reversal / liquidity provision 是竞争性解释。

这些数值全部是 source-reported，不是本站复算结果。

为什么暂时不能升格为策略证据

  • working paper 未同行评审，也没有真正 untouched OOS；
  • 数据是 proprietary、machine-learning-derived product，历史 universe、失败标的、surface filters、stale quotes、插值和修订路径不可从公开材料完整重建；
  • 收益主要来自两个危机窗口，平静期表现较弱；
  • 两分钟决策窗口让 entitlement、latency、clock synchronization、closing-auction mechanics、bid–ask、卖空与市场冲击成为一阶问题；
  • 作者论文/短版存在 audit flags：一处 SPY-specific BI 系数与 \(t\)-stat 符号不一致，回归变量的文字描述前后颠倒，一组 SPY/IEF return/volatility 与显示的 ratio 不一致；
  • 作者与 Quantpedia 的商业关系及 Cboe 对数据产品的推广属于应披露的商业背景，不等于独立验证。

Cboe 当前页面说明该指标约覆盖 4,000 个 symbols、每 20 分钟提供一次、历史追溯至 2014 年 9 月，并包含多个期限与 confidence fields。当前产品定义不能直接替代论文样本中的历史定义；复现必须 version-lock 2016–2021 feed。

最小可行复现

在购买或扩大数据工程前，先做一个受限 pilot：

  1. 取得带 vendor timestamp、revision policy、universe history 与 confidence fields 的历史样本；
  2. 预注册 aggregate、缺失值、异常值、threshold 与 15:59 execution rule；
  3. 报告 crisis / calm regimes，并做 block bootstrap 或 HAC；
  4. 纳入点差、short borrow、closing-auction impact、融资与不可成交日；
  5. 将 post-2021 保留为真正 OOS，不按结果回调参数。

上游 synthetic-lending-rates-predict-subsequent-market-return.py（awesome-systematic-trading，commit 1ce1eb2）下载未版本化的 Quantpedia CSV，没有证明 15:57 point-in-time 可得性，也没有数据授权、修订、成本或缺失 universe 审计。它只能作为伪代码线索。

与知识库的连接

研究边界

本页保留的是一个弱证据、专有数据驱动的研究假说。作者报告的 gross backtest 不是本站验证结果，也不构成投资建议。