4、数据准备：信用债样本选择、数据清洗、期限匹配、价格与收益率数据获取方法
信用利差曲线的构建质量，首先取决于底层数据的可靠性。与利率债曲线不同，信用债存在个券条款差异大、流动性分层明显、成交不连续、估值依赖模型等特征，因此数据准备阶段的工作量往往占整个曲线构建流程的60%以上。本章围绕样本筛选、清洗规则、期限匹配和价格获取四个核心环节，建立一套可复用的数据工程框架。
4.1 信用债样本选择：从全市场到有效样本
样本选择的目标是构建一个“纯净、可交易、可复制”的债券池，用于后续曲线拟合。并非所有信用债都适合纳入曲线构建，需要根据曲线用途（定价基准、相对价值分析、指数跟踪）设定筛选标准。
4.1.1 核心筛选维度
| 筛选维度 | 标准设置 | 原因说明 |
|---|---|---|
| 债券类型 | 企业债、中票、公司债、短融 | 排除金融债、资产支持证券、可转债等条款特殊品种 |
| 剩余期限 | 0.1年 ~ 10年（根据曲线需要） | 过短或过长样本流动性差，估值误差大 |
| 外部评级 | AAA / AA+ / AA 分档 | 评级过低样本少，且信用风险溢价不稳定 |
| 含权条款 | 排除含权债（回售、赎回、调整票面） | 含权债的收益率不能直接用于到期收益率曲线 |
| 担保情况 | 优先选择无担保或一般担保 | 强担保债的利差反映担保方信用，而非发行人 |
4.1.2 行业与区域分布控制
信用债的行业集中度会影响曲线的代表性。例如，若样本中城投债占比超过60%，则曲线更多反映城投板块的信用溢价，而非一般产业债。建议按以下步骤控制分布：
- 行业分类：按Wind或中债行业分类，将样本分为城投、产业（能源、材料、工业、消费、科技等）；
- 权重上限：单一行业样本占比不超过40%，单一发行人不超过5%；
- 区域控制：对于城投债，按省份分散，避免过度集中于江苏、浙江等发债大省；
- 动态调整：每季度重新评估样本池的行业/区域分布，与市场存量结构对标。
4.2 数据清洗：剔除噪声，保留有效信息
信用债市场存在大量非真实成交、异常报价和重复数据。清洗的目标是确保进入曲线拟合的每个数据点都反映真实的交易意愿或市场公允价值。
4.2.1 清洗规则清单
| 清洗类型 | 具体规则 | 阈值/标准 |
|---|---|---|
| 异常价格 | 剔除偏离中债估值超过±5%的成交 | 偏离度 = (成交净价 - 估值净价)/估值净价 |
| 异常收益率 | 剔除收益率小于0或大于20%的样本 | 负收益率通常为数据错误，高收益率可能为违约或濒临违约 |
| 流动性过滤 | 近30个交易日成交天数 ≥ 5天 | 流动性不足的样本价格参考性弱 |
| 报价质量 | 买卖价差 > 50bp 的报价剔除 | 价差过大说明做市商缺乏定价信心 |
| 重复项处理 | 同一债券同一交易日多条成交取加权平均 | 以成交量为权重计算均价 |
4.2.2 换手率与样本有效性
换手率是衡量信用债流动性的关键指标。对于曲线构建，建议采用“成交活跃度评分”而非单一换手率阈值：
活跃度评分 = 0.4 × 近20日成交天数/20 + 0.3 × 近20日成交量/发行量 + 0.3 × 近20日成交笔数/20评分低于0.3的个券建议剔除或降权处理。对于关键期限点（如3年、5年）样本不足时，可适当降低评分阈值至0.2，但需在曲线构建时增加平滑约束。
4.3 期限匹配：从个券到期日到标准期限点
信用债的到期日各不相同，而曲线需要输出标准期限点（如0.5年、1年、3年、5年、7年、10年）上的收益率。期限匹配的核心是将非标准期限的个券收益率映射到标准期限点上。
4.3.1 期限匹配流程
- 计算剩余期限：使用“实际天数/365”计算，对于含权债使用行权后剩余期限；
- 分组：将样本按剩余期限分入相邻的两个标准期限点之间（如剩余2.3年分入2年和3年组）；
- 加权插值：采用线性插值或三次样条插值，权重根据距离标准期限点的远近分配；
- 边界处理：短端（<0.5年）和长端（>10年）样本不足时，使用外推法或剔除处理。
4.3.2 插值方法对比
| 方法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 线性插值 | 简单透明，易于实现 | 曲线不光滑，导数不连续 | 样本密集、期限点间隔小 |
| 三次样条 | 曲线光滑，一阶/二阶导数连续 | 可能过拟合，端点震荡 | 标准期限点较少，需要平滑曲线 |
| Nelson-Siegel | 参数少，经济含义明确 | 拟合精度有限，长端可能偏离 | 宏观分析、利率曲线建模 |
| Hermite插值 | 保形性好，避免过度摆动 | 计算复杂度较高 | 信用债曲线（推荐） |
4.4 价格与收益率数据获取：多源校验与转换
信用债的价格数据来源包括交易所竞价系统、银行间本币交易系统、经纪商报价（如BGC、CompuPoint）以及估值机构（中债、中证）。不同来源的价格含义不同，需要统一口径。
4.4.1 数据源对比与选择
| 数据源 | 数据类型 | 优点 | 缺点 | 使用建议 |
|---|---|---|---|---|
| 交易所成交 | 实际成交价 | 真实、可验证 | 流动性低，价格跳跃大 | 作为辅助验证 |
| 银行间成交 | 实际成交价 | 市场主力，流动性好 | 大宗交易占比高，价格偏离 | 主要数据源 |
| 经纪商报价 | 双边报价 | 反映做市商意愿 | 报价可能不成交 | 用于交叉验证 |
| 中债估值 | 模型估值 | 连续、稳定、可比 | 存在模型风险 | 作为基准和补缺 |
| 中证估值 | 模型估值 | 与交易所联动好 | 与中债存在差异 | 对比参考 |
4.4.2 价格转换与收益率计算
信用债报价通常为净价，而收益率计算需要全价。转换公式如下：
全价 = 净价 + 应计利息
应计利息 = 面值 × 票面利率 × 实际持有天数 / 365
到期收益率（YTM）通过求解以下方程获得：
全价 = Σ (票息 / (1+YTM)^t) + 面值 / (1+YTM)^T
其中 t 为各期票息支付时间，T 为到期时间4.4.3 多源数据校验流程
- 主数据源：银行间成交数据（占比70%），缺失时用中债估值填补；
- 交叉验证：对同时有成交和估值的样本，计算偏差率 = (成交收益率 - 估值收益率)/估值收益率；
- 偏差处理：偏差率超过±2%的样本需人工复核，确认是否为异常成交或估值调整滞后；
- 最终价格：采用“成交优先、估值补充、报价参考”的优先级顺序。
4.5 案例拆解：2024年3月AAA级信用债曲线数据准备实战
某机构计划构建2024年3月31日的AAA级中短期信用债收益率曲线，用于相对价值分析。以下是完整的数据准备过程。
4.5.1 初始条件与目标
- 样本池：全市场AAA级企业债、中票、公司债，共1,247只；
- 目标期限点：0.5年、1年、3年、5年、7年、10年；
- 数据源：Wind终端（成交数据+中债估值）；
- 约束：每个期限点至少5只样本，样本总量不少于30只。
4.5.2 操作步骤与关键参数
| 步骤 | 操作内容 | 关键参数/结果 |
|---|---|---|
| 1. 初步筛选 | 剔除含权债、金融债、ABS | 剩余样本：876只 |
| 2. 评级确认 | 使用中债市场隐含评级AAA | 剔除评级不一致样本：剩余712只 |
| 3. 流动性过滤 | 近30日成交天数≥5天 | 剔除389只，剩余323只 |
| 4. 异常值清洗 | 偏离估值±5%剔除 | 剔除12只，剩余311只 |
| 5. 期限分组 | 按剩余期限分入6个期限组 | 0.5年组：28只；1年组：45只；3年组：67只；5年组：89只；7年组：52只；10年组：30只 |
| 6. 插值处理 | Hermite插值生成标准期限点收益率 | 各期限点收益率：0.5年2.35%，1年2.48%，3年2.72%，5年2.95%，7年3.12%，10年3.28% |
4.5.3 结果分析与复盘
最终曲线形态呈现“陡峭化”特征，短端收益率受资金面宽松影响下行，长端受经济复苏预期影响上行。在复盘中发现两个问题：
- 样本偏差：7年期样本中城投债占比达55%，导致该期限点收益率偏高约8bp。解决方案：在后续构建中增加产业债样本权重；
- 数据时效：部分样本的成交日期为3月中旬，与月末时点偏差较大。解决方案：对超过5个交易日的成交数据，使用中债估值进行时间调整。
4.6 常见误区与总结复盘
| 误区 | 后果 | 正确做法 |
|---|---|---|
| 直接使用中债估值构建曲线 | 曲线过于平滑，掩盖市场真实交易信息 | 以成交数据为主，估值为辅 |
| 忽略含权债的期权调整 | 收益率曲线在含权债集中期限点出现扭曲 | 使用OAS或行权收益率 |
| 样本量不足时强行插值 | 曲线在样本稀疏区域过度波动 | 增加平滑惩罚项或放宽评级/行业限制 |
| 未区分净价与全价 | 收益率计算错误，尤其在付息日附近 | 统一使用全价计算YTM |
| 忽略数据源之间的系统性偏差 | 不同数据源混用导致曲线不连续 | 建立数据源优先级和偏差校准机制 |