基于机器学习的市政债券相对估值

市政债券（muni bond）的交易生态系统复杂且独特。每日有近 2% 的证券从超过百万只证券中进行交易，确定某只债券在其同行中的价值或相对价值具有挑战性。传统方法使用基于规则或启发式的方法进行相对价值计算，这些方法可能引入人类偏见，往往难以考虑债券特征之间的复杂关系。我们提出了一个数据驱动模型，基于 CatBoost 算法开发了市政债券市场的监督式相似性框架。该算法从大规模数据集中学习，以识别其风险概况相似的债券。这使我们能够评估某只债券相对于一组风险概况相似的债券的价格。我们提出并部署了一种回测方法，用于比较各种基准和所提出的方法，表明基于相似性的方法在表现上优于基于规则和基于启发式的方法。