量化学习笔记之二：引入混合神经网络的中长期国债收益率预测-.docxVIP

-1-

-1-

2026年1月12日

总量研究

引入混合神经网络的中长期国债收益率预测

——量化学习笔记之二

要点

1、前言

本篇报告为光大固收团队量化学习笔记的第二篇，我们通过构建包含宏观经济、货币政策、市场情绪等指标在内的输入变量来丰富模型的学习维度，在长短期记

忆神经网络（LSTM）的基础上，引入门控神经网络（GRU）、卷积神经网络（CNN）和注意力机制（ATT）构建多层混合神经网络模型来尝试优化预测效能。通过评

估和对比不同模型对十年期国债收益率的中、长期走势预测效果，最终得到最优模型，并基于此最优模型给出2026年各月的国债收益率走势预测。

2、何为混合神经网络模型

混合神经网络是指整合了多种神经网络架构的深度学习模型。这类模型通过多层架构实现网络接力式思考，融合不同类型网络优势，从而实现模型学习能力和性能的提升。在金融时间序列分析上，常见的混合神经网络组合包括CNN-GRU-ATT、CNN-LSTM-ATT等。其中，CNN（卷积神经网络）具备捕捉局部短期特征的能力，能够学习短时间内的波动规律；GRU（门控神经网络）和LSTM（长短期记忆神经网络）均属于具有时序记忆功能的RNN（循环神经网络）的变体，擅长学习长期趋势的特征；ATT（注意力机制）则能调节模型注意力权重，使其聚焦于重要的时间节点。

3、研究设计

本篇研究的核心思路是将单一神经网络模型与混合神经网络模型进行对比，构建多个网络模型分别进行训练，评估各模型对不同时间区间十年期国债收益率的预测效果并选取最优模型。相较于《基于堆叠LSTM模型的十年期国债收益率预测——量化学习笔记之一》中所采用的方法，本文具有以下几点创新和优化：

第一，实现多维输入和多维输出的时间序列预测，综合宏观、政策、市场等多层次信息对国债收益率进行预测；

第二，引入混合神经网络模型，构建多种不同类型的神经网络组合，从预测方向和预测数值两个维度分别评估不同网络的预测表现，优选最佳模型；

第三，相比于常见的短期日度收益率变化预测，本次研究聚焦于十年期国债收益率中长期的趋势，给出未来一月至全年的收益率走势。

4、研究结论

通过上述实验，得到以下核心结论：

第一，单一GRU模型的综合预测表现最佳；

第二，预测时间跨度越长，最优模型针对收益率变化方向预测的准确性越高；

第三，应重点关注模型针对收益率变化方向的预测而非具体数值。

最优模型预测：相较于2026年1月末，2月末的十年期国债收益率将下行约3

个BP；相较于2025年底，2026年底十年期国债收益率将下行约6个BP。

5、风险提示

模型存在预测误差；模型存在过拟合风险；模型预测完全基于历史数据，当市场发生结构性变化时适应性不足。

固定收益

-2-

-2-

目录

1、前言 4

2、何为混合神经网络模型 4

2.1RNN 4

2.1.1LSTM 5

2.1.2GRU 5

2.2CNN 6

2.3ATT 6

3、研究设计 6

3.1研究框架 6

3.2数据选取和样本构建 7

3.3神经网络模型构建 7

3.4模型训练和评估 8

4、研究结论 9

4.1多网络预测效果对比 9

4.2基于最优模型的十年期国债收益率预测 13

4.3过拟合风险检验 13

5、风险提示 15

-3-

-3-

图表目录

图表1：RNN模型结构 4

图表2：LSTM和GRU的通用架构 5

图表3：LSTM与GRU对比 5

图表4：CNN卷积层工作原理 6

图表5：报告研究框架 7

图表6：混淆矩阵和分类评价指标计算 8

图表7：预测误差评价指标 9

图表8：LSTM模型预测性能评估 10

图表9：GRU模型预测性能评估 10

图表10：CNN-GRU模型预测性能评估 10

图表11：GRU-ATT模型预测性能评估 11

图表12：CNN-GRU-ATT模型预测性能评估 11

图表13：GRU模型未来1个月收益率预测情况 11

图表14：GRU模型未来1个月收益率变化预测情况 11

图表15：GRU模型未来2个月收益率预测情况 12

图表16：GRU模型未来2个月收益率变化预测情况 12

图表17：GRU模型未来半年收益率预