固定收益专题：利率短期预测的模型构建——基于四维信息框架.pdf

传统端到端机器学习模型在利率短期预测中普遍面临数据频率错配、先验知识缺失与震荡市识别困难等系统性局限。针对这一痛点，国盛证券提出了一种基于四维信息驱动的利率短期预测框架，借鉴“分而治之”的集成学习思想，将利率预测问题按照信息维度进行先验性拆解，并通过XGBoost元模型进行多源信息非线性融合。

端到端基准模型的局限性暴露

研究首先构建了以87个宏观因子及其一阶差分为输入的LSTM三分类基准模型，对10年期国债、30年期国债、5年期二级资本债（AAA-）及1年期同业存单（AAA）进行明日方向预测，准确率分别为42.47%、45.88%、45.50%和47.32%。尽管均高于随机基线，但长端品种预测概率集中于30%—40%区间导致置信度偏低，且短端品种对“震荡”类别的识别存在显著偏差。

四维子模型的分项突破

为克服单一模型缺陷，研究将利率变动拆解为四个维度并分别建模：一是宏观数据LSTM概率预测模型，通过二分类设定降低难度，四品种准确率提升至44.50%至47.99%；二是宏观极端信号捕捉模型，专攻前20%极端波动日期，极端场景下准确率达40.62%至42.96%；三是NSS时序预测模型，利用收益率曲线水平、斜率与曲度因子进行AR(1)滚动预测，准确率介于39.86%至44.80%；四是技术指标综合动量模型，动态筛选36个技术指标合成动量评分，长端品种准确率最高达48.62%。

元模型融合与市场前瞻

研究最终采用XGBoost作为元模型，将四个子模型输出的连续信号进行非线性融合。扩展窗口滚动训练结果显示，元模型在四个品种上的三分类准确率分别跃升至52.95%、52.26%、54.37%和51.43%，全面优于任一单一子模型，验证了多源信息融合框架在提升预测精度与稳健性方面的有效性。基于该框架的最新预测显示，10年国债、5年二级资本债及1年存单大概率处于震荡状态，而30年国债偏空概率较高，提示当前整体债市处于震荡格局且超长端相对偏弱。