01
债券指数基础
债券指数的定义、功能与分类，国内外主流债券指数介绍（中债、中证、彭博巴克莱等）。
概念主流指数
02
指数编制原理
市值加权、价格加权、等权重、优化加权等编制方法详解。
方法论加权
03
数据获取与清洗
使用Python获取债券行情数据、信用评级数据、久期数据，数据清洗与对齐。
Python数据工程
04
指数计算实战
用Python从零实现一个债券价格指数的计算（日频、月频）。
实现日频/月频
05
指数再平衡机制
定期再平衡与事件驱动再平衡，再平衡成本分析。
再平衡成本
06
跟踪误差分析
跟踪误差的定义、计算与分解，影响跟踪误差的因素。
风险归因
07
被动跟踪策略
完全复制法、分层抽样法、优化抽样法的原理与实现。
被动抽样
08
分层抽样法实战
基于久期、信用评级、行业等维度分层，用Python实现抽样。
分层Python
09
优化抽样法实战
构建二次规划模型，最小化跟踪误差，用cvxopt求解。
优化cvxopt
10
跟踪误差归因
行业配置、个券选择、久期错配等维度的误差分解。
归因分解
11
增强策略概述
债券指数增强的收益来源（久期管理、信用挖掘、骑乘策略等）。
增强收益来源
12
久期管理增强
基于宏观利率预测的久期偏离策略，风险预算模型。
久期宏观
13
信用挖掘增强
信用利差分析，行业轮动与个券精选增强。
信用轮动
14
骑乘策略增强
收益率曲线形态分析，骑乘收益计算与实施。
骑乘曲线
15
杠杆与Carry策略
回购融资加杠杆，Carry收益计算与风险控制。
杠杆Carry
16
多因子增强模型
构建债券多因子模型（价值、动量、低波、质量等）。
多因子量化
17
因子测试与筛选
IC/IR分析，因子分组回测，因子相关性检验。
IC/IR回测
18
因子合成与权重优化
等权、ICIR加权、最大化IR等合成方法。
合成权重
19
增强策略组合构建
基准约束下的均值-方差优化，Black-Litterman模型应用。
组合BL模型
20
风险预算与约束
行业集中度、个券集中度、久期偏离、信用评级下限等约束。
风控约束
21
回测框架搭建
用Python搭建事件驱动的回测引擎，支持多策略对比。
回测事件驱动
22
业绩评价指标
年化收益、波动率、夏普比率、信息比率、最大回撤、Calmar比率。
评价指标
23
归因分析（Brinson模型）
Brinson归因在债券组合中的应用，资产配置与个券选择效应。
Brinson归因
24
归因分析（Campisi模型）
Campisi模型分解（久期效应、信用效应、选择效应等）。
Campisi分解
25
情景分析与压力测试
利率冲击、信用利差冲击、流动性冲击下的组合表现。
压力测试情景
26
交易成本模型
买卖价差、市场冲击成本、佣金税费，成本对增强收益的侵蚀。
成本冲击
27
动态再平衡策略
阈值再平衡、波动率目标再平衡、日历再平衡的对比。
动态再平衡
28
机器学习在增强中的应用
使用XGBoost预测信用利差变化，辅助个券选择。
XGBoostML
29
实战案例：跟踪中债-综合指数
构建分层抽样组合并实现年化50bp增强。
实战增强50bp
30
系统部署与监控
自动化数据更新、每日跟踪误差监控、预警机制与归因报告生成。
部署监控