用 5 个公开指标量化"美元信用健康度"——一套可复用的宏观打分系统

量化系统里有一类判断特别难做：**”美元到底强不强”**。它不像技术指标有现成公式，而是散落在收益率曲线、汇率、黄金储备、利差这些维度里，最终在交易员脑子里合成一个模糊的”感觉”。

本文记录一个量化项目里把这种感觉压缩成一个 0–100 分数的过程：五个公开指标、三个免费数据源、一套线性加权评分。重点不在结论（结论明天就会变），而在怎么把一个主观的宏观判断，拆成可回测、可复现、可解释的数字。

---

一、问题：宏观判断的”不可证伪”困境

一个典型的量化策略每天要回答一堆问题：现在该不该加杠杆？黄金该不该配？A 股该不该避险？这些问题的答案，往往都挂在同一个上游变量上——美元信用的强弱。

但”美元强不强”是个糟糕的输入：

• 它不可证伪。今天说”偏弱”、明天说”还行”，没有任何锚点。
• 它无法回测。回测引擎要的是一个确定性的时间序列，而不是一段自然语言。
• 它依赖人。换个分析师，结论就变，策略也就跟着漂移。

所以项目的目标很明确：把”美元信用健康度”变成一个每天自动产出、可追溯公式、可调权重的数字。 下游策略（黄金配置、A 股仓位、美元资产对冲）都读这一个数。

---

二、设计：五个维度怎么选

美元信用强弱本质是一个多维信号，没有任何单一指标能完整描述它。这里把它拆成五个相对正交的维度，每个维度都映射到 0–100（100 = 信用强健，0 = 信用崩溃），最后加权求和：

维度	含义	直觉
收益率水平 (yield_level)	10Y 美债收益率	收益率越高，融资成本越高，信用越承压
收益率曲线形态 (yield_curve)	10Y − 2Y 利差	倒挂 = 衰退信号，信用承压
美元汇率趋势 (fx_trend)	USD/CNY 20 日变动	美元走弱，信用承压
去美元化信号 (dedollarization)	中国黄金储备同比	黄金加速增持，去美元化压力上升
中美利差 (cn_us_spread)	中美 10Y 国债利差	利差倒挂影响资金流向

为什么是这五个、而不是别的？有三条选择原则：

1. 数据公开且免费。全都来自 akshare 这种公开财经数据库，不依赖付费终端。可复现、可审计。
2. 维度尽量正交。收益率水平、曲线形态、汇率、储备、跨国利差——分别从利率、汇率、官方储备、跨境资本四个角度切入，避免五个指标其实都在量同一件事。
3. 可解释。每个维度都能讲出”为什么这个数变大代表美元信用变弱”，而不是堆一个黑箱回归。

---

三、评分公式：线性映射 + 截断

每个维度的核心都是一个线性映射到 0–100，再用 max(0, min(100, x)) 截断。这是有意为之的简单设计——任何超过 100 或低于 0 的极端值都被压平，避免单一维度因为离群点而主导总分。

# 五个维度的评分公式（均线性映射到 0-100，再截断）
yield_score   = max(0, min(100, 100 - yield_10y * 20))      # 收益率越高越扣分
curve_score   = max(0, min(100, 50 + spread_10y_2y * 30))   # 利差倒挂则低于50
fx_score      = max(0, min(100, 50 - fx_change_20d * 10))   # 美元走弱则低于50
dedollar_score= max(0, min(100, 100 - gold_yoy * 0.5))      # 黄金增持越快越扣分
spread_score  = max(0, min(100, 50 - cn_us_spread * 20))    # 中美利差倒挂则高分

# 加权求和
total_score = (yield_score * 0.25 + curve_score * 0.20 +
               fx_score * 0.20 + dedollar_score * 0.20 +
               spread_score * 0.15)
total_score = max(0, min(100, total_score))

几个设计细节值得说明：

• 基准线设在 50。curve_score、fx_score、spread_score 都以 50 为中性基准——利差为 0 给 50 分，正常向上偏移。这比”全维度都从 0 起算”更符合直觉：不倒挂、汇率稳定的常态本就该接近 50，而不是接近 0。
• 权重反映重要性，但不贪大。收益率水平给了最高权重 0.25（融资成本最直接），曲线和汇率各 0.20，去美元化 0.20，中美利差最低 0.15。权重本身就是可调旋钮，逻辑随时间漂移时直接改一行。
• 系数是经验值，不是拟合出来的。比如 yield_10y * 20 意味着 5% 的 10Y 收益率就把这一维扣到 0。这种系数来自对历史区间的观察，不依赖任何机器学习拟合——刻意保持可解释，避免过拟合。

这种”线性 + 截断”的朴素方式，换来的是一个没有任何隐藏自由度的打分器：调任何一个系数，你能立刻预判总分往哪边走。

---

四、数据层：三个公开数据源

整个评分只用三个数据接口，都走 akshare：

数据	akshare 接口	用途
美债收益率曲线	bond_zh_us_rate()	2Y/5Y/10Y/30Y 美债 + 中国 10Y
USD/CNY 汇率	currency_boc_sina(symbol="美元")	央行中间价 + 20 日变动
中国黄金/外汇储备	macro_china_fx_gold()	储备绝对值 + 同比

def fetch_bond_yields():
    print("  [数据] 获取美债收益率曲线...", file=sys.stderr)
    old_stdout = sys.stdout
    sys.stdout = sys.stderr          # ⭐ 关键：把库的噪声重定向到 stderr
    try:
        df = ak.bond_zh_us_rate()
    finally:
        sys.stdout = old_stdout      # 恢复，保证后续 print 走 stdout
    time.sleep(API_DELAY)            # 限速，避免被封
    if df is None or df.empty:
        return pd.DataFrame()
    df.columns = [str(c).strip() for c in df.columns]
    return df

每个数据获取函数都用 try/except 包住，任何一路数据失败都返回空 DataFrame 而不是抛异常——下游有降级处理。API_DELAY = 2 秒的间隔是经验值，akshare 的东财接口对高频访问很敏感。

---

五、工程细节：那些不写不知道的小坑

1. stdout → stderr 重定向

上面代码里有一行容易被忽略：

sys.stdout = sys.stderr
try:
    df = ak.bond_zh_us_rate()
finally:
    sys.stdout = old_stdout

为什么这么做？ akshare 内部会用 tqdm 打进度条，而且部分版本直接 print 调试信息到 stdout。如果这个脚本的 stdout 要被上游当成结构化输出（比如直接管道给 json.loads），那些进度条会污染输出、直接解析失败。

把库的噪声重定向到 stderr、业务输出留在 stdout，是让脚本既能给人看（stderr 进度条）、又能给机器读（stdout 纯 JSON）的关键。这种”双通道”输出习惯在数据流水线里非常有用：

# 所有进度/调试 → stderr（人类看）
print("  [数据] 获取美债收益率曲线...", file=sys.stderr)

# 唯一的结构化结果 → stdout（机器读）
if args.json:
    print(json.dumps(result, ensure_ascii=False, indent=2))

2. 防御式嵌套访问

工作流会把每个脚本的 JSON 输出汇总成一个大盘看板。但上游脚本可能因为数据缺失而只输出部分字段，直接 data["metrics"]["us_yield_10y"] 一旦任一层缺失就抛 KeyError，整个看板生成崩溃。于是有一个 safe_get：

def safe_get(data, *keys, default="N/A"):
    """安全地嵌套访问 dict，任一层缺失就返回默认值"""
    if not isinstance(data, dict):
        return default
    for k in keys:
        v = data.get(k, default)
        if isinstance(v, dict):
            data = v
        else:
            return v if v != default else default
    return default

这样 safe_get(dollar_credit, "metrics", "us_yield_10y", default="?") 永远不会炸。看板的健壮性不应该依赖每个子脚本都完美输出——用防御式访问把”上游坏了”降级成”这一格显示 N/A”，而不是整个看板白屏。

3. 优雅降级

当核心数据（美债收益率）完全拿不到时，脚本不会崩溃，而是输出一个明确的”数据不足”结构：

def build_empty_result(today_str):
    return {
        "module": "② 美元信用跟踪",
        "date": today_str,
        "dollar_credit_score": 0,
        "credit_level": "moderate",
        "credit_label": "中等压力",
        "interpretation": "数据不足，无法生成评估。",
        # ... 其余字段留空
    }

这保证了即使数据源当天挂掉，下游流水线拿到的也是一个合法的 JSON，而不是一个异常或空文件。对一个每天定时跑、上游偶发不稳的系统，这个设计把”数据源故障”从”致命错误”降级为”今天的某个维度缺失”。

---

六、集成：一函数一脚本，工作流编排

这个评分模块不是孤立的，它是一个十模块宏观周期工作流的第 10 步。整个工作流遵循一条很朴素的组织原则：

一个功能一个脚本，每个脚本独立产出 JSON；一个工作流脚本负责串联、收集、汇总。

SCRIPT_ORDER = [
    ("1/10",  "朱格拉周期",   "juglar_tracker.py"),
    ("2/10",  "基钦周期",     "kitchin_tracker.py"),
    ("3/10",  "库兹涅茨周期", "kuznets_tracker.py"),
    ("4/10",  "多周期共振",   "resonance_engine.py"),   # 依赖 1-3
    ("5/10",  "资产配置矩阵", "quadrant_allocator.py"),
    ("6/10",  "地缘风险",     "geopolitical_risk_tracker.py"),
    ("7/10",  "黑天鹅检测",   "black_swan_detector.py"),
    ("8/10",  "反身性检测",   "reflexivity_detector.py"),
    ("9/10",  "动态再平衡",   "rebalance_trigger.py"),  # 依赖以上全部
    ("10/10", "美元信用跟踪", "dollar_credit_tracker.py"),
]

工作流编排器做的事很轻：在容器里依次 docker exec 跑每个脚本、docker exec cat 读回各自写的 JSON、汇总成一个大盘看板、再 docker cp 同步到宿主机和容器（供下游策略读取）。

def docker_exec(script_name, timeout=40):
    """在工作台容器内运行单个周期脚本"""
    script_path = os.path.join(SCRIPTS_DIR, script_name)
    result = subprocess.run(
        ["docker", "exec", "workbench", "python3", script_path],
        capture_output=True, text=True, timeout=timeout,
    )
    return result

for prefix, name, script in SCRIPT_ORDER:
    print(f"[{prefix}] {name}...", end=" ", flush=True)
    start = time.time()
    result = docker_exec(script)
    elapsed = time.time() - start
    print(f"OK ({elapsed:.1f}s)" if result.returncode == 0
          else f"FAILED (exit={result.returncode})")
    # 读取该脚本的 JSON 输出...

这种结构的好处：

• 可独立调试。任何一个 tracker 都能单独 python3 juglar_tracker.py --json 跑起来看输出，不用拉起整套工作流。
• 故障隔离。某个脚本失败，编排器记一行 FAILED，照样收集其余脚本的结果，看板那一格显示 {"error": "..."}。不会因为一个数据源挂了，整天的宏观判断全停。
• 可扩展。要加一个新维度（比如”商品/美元负相关性”），写一个新脚本 + 在 SCRIPT_ORDER 里加一行，工作流编排器一行都不用改。

---

七、实跑结果：56.1 分意味着什么

这是某次实跑的真实输出（数据截至跑批当日）：

维度	分数	原始指标
收益率水平	12.4	10Y = 4.38%（高位，重扣）
曲线形态	59.3	10Y−2Y = +0.31%（正常）
汇率趋势	51.1	USD/CNY 20日 −0.11%（微贬）
去美元化	79.6	黄金储备同比 +40.8%（大幅增持）
中美利差	100	中美 10Y 利差 −2.65%（深度倒挂）
综合	56.1 / 中等压力	—

总分 **56.1，定性为”中等压力”**（40–60 区间）。

光看这个总分意义不大，价值在于五个子分数的对比，它能讲出一个比”美元偏弱”具体得多的故事：

1. 拉低总分的主因是收益率水平（12.4）和去美元化（79.6）。前者说明美债融资成本处于历史高位区间，后者说明全球第二大经济体在持续增持黄金、分散美元敞口——两者都直接侵蚀美元的信用基础。
2. 但曲线没倒挂（59.3）、汇率也只是微贬（51.1），说明市场尚未进入”衰退+抛售”的极端组合，所以是”中等压力”而不是”承压”或”危机”。
3. 中美利差那维拿了满分 100，反映的是深度倒挂（美国利率远高于中国）。这一维满分反而值得警惕：它说明资金有强烈动机留在高息的美元资产里，但同时也意味着美元的高息是”硬撑”出来的，一旦降息周期开启，这一维会快速回落。

这种子分数解读，才是这个打分系统相对一句”美元偏弱”的真正增量。

最后，模型还输出三句话的资产含义，供下游策略直接消费：

"asset_implications": {
    "gold":      "利好黄金（美元信用承压）",
    "a_shares":  "中性偏多（人民币资产相对吸引力上升）",
    "usd_assets":"偏空（美元走弱风险）"
}

注意这个映射是基于总分的简单阈值判断（< 60 就利好黄金、偏空美元），不是预测。它的作用是给下游一个确定性的、可回测的开关，而不是替交易员做决定。

---

八、复盘：这套模型的边界

诚实地说，这套打分有几个明显局限：

• 系数是拍脑袋的经验值。yield_10y * 20、gold_yoy * 0.5 这些系数来自对历史区间的观察，但没有经过严格的回测优化。好处是可解释、不会过拟合；坏处是可能系统性高估或低估某个维度的权重。
• **五个维度未必真”正交”**。比如收益率水平和中美利差都含 10Y 美债收益率，存在信息重叠。要更严格，应该先做相关性分析、必要时降维。
• 去美元化信号用”黄金储备同比”做代理，是个粗粒度近似。真正的去美元化还包括央行购债、本币结算协议等，但那些数据要么不公开、要么频率太低。
• 线性映射 + 截断会压平极端值。比如收益率超过 5% 后这一维就归零，区分度丢失。对于”非常规”时期（如收益率急速飙升），模型的敏感度不足。

下一步可改进的方向：把系数从经验值改成基于历史分位数的动态映射（收益率处于过去 5 年的什么分位）、引入更多去美元化代理指标、对五个维度做正交化预处理。

但核心思路是不变的：把宏观判断从”感觉”变成”分数”，从”不可证伪”变成”可回测”，从”依赖人”变成”可追溯公式”。 哪怕这个分数不够精确，它也比一段自然语言的判断要有用得多——因为它能进入回测、能定阈值、能在偏离时报警。

---

小结

这套”美元信用健康度打分”记录了把一个主观宏观判断工程化的全过程：

• 领域建模：美元信用拆成五个相对正交的维度，每个映射到 0–100。
• 评分设计：线性映射 + 截断 + 加权，刻意保持可解释、零隐藏自由度。
• 数据层：三个免费公开源，每路失败可降级，限速防封。
• 工程实践：stdout/stderr 双通道输出、防御式嵌套访问、优雅降级、一函数一脚本的模块化编排。
• 集成：作为十模块宏观工作流的一环，输出 JSON 供下游策略消费。

它不是一套预测模型，而是一个把判断标准固化下来的工具。当你说”美元信用承压”时，背后能立刻指出是哪一维、扣了多少分、原始指标是多少——这才是量化系统该有的样子。

一句话：能被拆成五个分数的宏观判断，永远比一段形容词更值得信任。