20230312-宏观固收量化研究系列之-九-基于神经网络模型的利率择时-东方证券-30页.pdf

金融工程|专题报告

报告发布日期2023年03月12日

基于神经网络模型的利率择时

——宏观固收量化研究系列之（九）邱蕊0215091——

qiurui@

研究结论执业证书编号：S0860519020001

⚫近年来，以神经网络、决策树等非线性的机器学习模型在量化投资领域得到了广泛香港证监会牌照：BSW115

的应用。基于机器学习模型良好的拟合和特征提取能力，我们引入神经网络的相关

模型，基于日频的量价因子(特征)进行训练，从而对未来N日的利率涨跌和国债期货

涨跌进行预测。宋之辰songzhichen@

⚫本文的因子库基于成交量、价格动量、价格波动、期限利差水平、期限利差动量、陶文启taowenqi@

税收利差水平、税收利差动量、期现价差、资金面水平、资金面波动10个大类的日

频指标产生，共计779个时序因子。

⚫本文参考Baoetal.(2017)的思路，设计了一个两阶段预测模型(SE-GRU模型)，第

一阶段是使用稀疏编码器(SparseEncoder)进行多维时间序列的信息提取，即通常所基于量价信息的利率择时探讨：——宏观2022-12-13

固收量化研究系列之（八）

说的降维步骤，第二阶段是对降维后的时间序列使用GRU模型进行监督训练。损失

活跃券的均线择时：——宏观固收量化研2022-03-25

函数由2部分组成，拟合的均方误差损失和稀疏自编码器提取特征的稀疏化约束。究系列之（六）

⚫基于SE-GRU模型，可以日频得到“未来N日的利率涨跌和国债期货涨跌”的预测

值，从而形成各类标的的日频多空信号。本文选用10年期国债期货主力合约(T)、5

年期国债期货主力合约(TF)、10Y国开活跃券、5Y国开活跃券作为回测标的，测试

集结果显示，预测变量采用“未来3日”和“未来5日”的收益是较为合意的选择。

⚫样本外的测试集回测结果表明，预测模型取得了不错的绝对收益和相对收益：

◼对于10年期国债期货，年化收益达到5.98%，收益风险比达2.36，平均交易

天数为4.79天/次，其中，多头端年化3.81%，空头端年化2.26%；

◼对于5年期国债期货，年化收益达到3.42%，收益风险比达2，平均交易天数

为5.74天/次，其中，多头端年化2.42%，空头端年化1.02%；

◼对于10年国开活跃券，年化赚得收益率达到62.03bps，收益风险比达1.5，

平均交易天数为8.85天/次；信号用于久期轮动策略年化5.5%，最大回撤

1.47%；

◼对于5年国开活跃券，年化赚得收益率达到63.46bps，收益风险比达1.28，