基于CNN-LSTM的国债收益率预测研究及策略应用实例.pdf

摘要

利率债品种之一的国债，其到期收益率在经济金融系统中具有重要的参考价值。目

前，不论从宏观经济走势研判、还是微观利率债交易的角度，市场对于国债收益率的预

测效果都有了更高的要求。但宏观经济的分析指标冗杂、指标之间领先滞后的关系时常

变化，这导致定性分析和传统的定量分析的预测精确度、准确性都有所不足。基于此，

本文综合了国债收益率预测特点及机器学习时序预测技术的研究成果，提出采用时序预

测能力优越的集成CNN-LSTM模型对长端国债收益率进行预测，经研究发现该方法相

比传统ARIMA方法和基础LSTM模型得到了更好的预测效果。

本文首先基于文献综述和行业实践中的机构研究成果构建了输入模型的日频指标

体系。体系构建的方法是，分析影响国债收益率的4大主要因素：基本面、政策面、资

金面、海外因素，拆分归纳后提取9个重要日频因子，包括银行间质押式回购7天加权

平均利率、上证综指、布伦特原油现货价、水泥价格指数、一年期国债到期收益率、十

年期国债收益率的滞后值等。其次，本文将该体系下的指标值作为输入模型的特征变量；

通过构建衡量模型预测精度和预测方向胜率的评价指标体系，将常用的时序预测模型

ARIMA、单一LSTM与集成模型CNN-LSTM的预测结果进行对比，得到该集成模型的

预测性能结论。最后，本文给出了模型的预测结果在债券投资策略中的应用实例。实验

所用的数据集为2014年1月至2022年12月共计2246天的特征变量数据，代码运行环

境为Python3.9,使用的机器学习框架为Tensorflow2.3。

本文的对比研究发现：所构建的日频变量体系可以解释十年期国债收益率变动的

88%；对于集成神经网络模型CNN-LSTM，其在单特征输入时的预测精度最高；对于综

合考虑了外部因素和自身时序变化的多特征CNN-LSTM模型，相比多特征的基础LSTM

模型，预测精度提升了约14.21%，而将其日频预测值扩展到月频时，预测胜率可提升至

80%以上；最后依据其预测结果构建的利率择时策略，表明该预测方法也具备一定的应

用价值。

关键词：国债收益率预测；LSTM长短时记忆网络；CNN卷积神经网络；利率择时

Abstract

Theyieldtomaturitycalculatedbythenationaldebthasimportantreferencevalueinthe

economicandfinancialsystem.Whetherfromtheperspectiveofmacroeconomicresearchand

judgmentorfromtheperspectiveofmicrobondtrading,themarketandindustryhavehigher

requirementsfortheforecastaccuracyofnationaldebtyield.However,atpresent,theanalysis

indicatorsofmacroeconomicsaremiscellaneous,therelationshipbetweentheleadingand

laggingindicatorsusuallychanges,also,thequantitativeanalysisandqualitativeanalysisare

facedwithchallenges.Basedonthis,thispapersynthesizesthecharacteristicsoftreasurybond

yieldpredictionandtheresearchresultsofmachinelearningtimeseriesforecastingtechnology,

andproposesanintegratedCNN-LSTMmodelwithsuperiortimeseriesforecastingabilityto

predictthelong-endtreasurybondyield.Itisfoundtha