投资要点：
　　没有最好的模型、最优的因子，只有最适合当前市场环境的模型和因子。本报告基于机构行为因子（参考报告《机构行为因子在债市量化择时中的“体检”、筛选与引入》），再此基础上实现了从“单一因子筛选”向“系统化择时模型构建”的跨越，不仅对底层机构因子进行了深度重构与筛选，更通过杠杆率、久期对市场状态进行划分，进而构建了一套深度适配机构行为特征的“L1概率预测+GMM状态感知+共振决策矩阵”综合择时模型。
　　首先在因子构造与筛选环节，我们将原始机构行为数据重构为趋势、极值、敏感度三大类衍生特征，并针对性的筛选出进攻因子库与防守因子库。一方面，本文通过多维非线性变换构建了包含1429个特征的机构行为衍生因子库，趋势类捕捉机构资金边际交易意愿的“二阶导”变化与平稳性，敏感度进一步为机构行为博弈行为打上，极值类精准识别微观交易结构中的“极度拥挤”与“均值回归”拐点；另一方面，本文突破了传统单向筛选的局限，根据因子的多空收益特征将其划分为“进攻库”与“防守库”：进攻因子专注在多头状态下获取利润，防守因子则针对尾部风险进行预警。
　　其次在信号层，本文对预测目标进行了重构，构建了相互独立的L1双轨正则化预测模型。模型分别针对进攻库与防守库训练了互不干扰的L1逻辑回归引擎：进攻模型不再旨在寻找预期收益足以覆盖资金成本的顺势机会；防守模型则针对实质性的大跌样本进行权重平衡训练，专注充当尾部危机的预警器，强化了模型在非对称债市环境下的应对能力。
　　最后，考虑到是实际中不存在能够穿越所有周期的“完美模型”或“万能因子”构建模型对“市场环境的动态识别与适配”能力，才是实现策略长期稳健盈利的核心胜负手。我们针对机构行为因子状态适配特征，引入了GMM模型并设置了基于久期、杠杆率、波动率的环境感知机制，进而构建了最终的仓位决策矩阵。在以L1进攻子模型作为基础信号前提下，进一步引入GMM状态机，通过久期与杠杆率将市场划分为6元正交状态，在顺风期动态放大杠杆，在拥挤且波动放大的时期则主动收缩杠杆，最后辅以防守模型的前置“一票否决”机制。这套机制使得系统不仅依赖胜率预测，更能基于市场环境的不确定性主动进行风险阻断。
　　从实战回测表现来看，这套适配机构行为的复合模型在各个年度均表现出了较强的择时能力与稳健性，其中GMM状态机也展现出较为有效的的择时Alpha贡献。回测来看，在2021年至2026年间，7-10Y与10+的周度策略分别斩获了9.03%和17.73%的年化收益，同时将最大回撤明显压缩，其中GMM状态机也贡献出了的真实择时Alpha。此外，本文还补充了针对因子筛选环节的稳健性检验，结果显示对该模型机构具有较强的时序连贯性。
　　风险提示：历史数据存在失效的可能；模型核心参数依赖历史数据校准，易受样本区间结构性特征影响，极端行情波动