利率短期预测的模型构建-基于四维信息框架.docxVIP

|固定收益专题

2026年09月17日

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

本文提出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，针对传统端到端模型在利率短期预测中面临的数据频率错配、先验知识缺失与震荡市识别困难等系统性局限，构建四类子模型分别提取不同维度的利率驱动信号，并通过XGBoost元模型进行多源信息非线性融合，输出明日利率上行、震荡、下行的三分类概率。

端到端基准模型的构建与验证：我们首先构建端到端的LSTM三分类模型作为基准，以87个宏观因子及其一阶差分共计174个指标作为输入特征，对10年期国债、30年期国债、5年期二级资本债（AAA-）、1年期同业存单（AAA）四个即期收益率品种进行明日方向预测。四个品种的预测准确率分别为42.47%、45.88%、45.50%和47.32%，均高于随机猜测基线，验证了宏观因子对利率方向的预测能力。但模型在长端品种上预测概率集中于30%—40%区间、预测置信度偏低，在短端品种上“震荡”类别预测占比显著偏低，存在震荡市识别困难等系统性局限。

四维信息驱动框架的构建：本文将利率变动拆解为四个性质各异的信息维度，并分别构建四个子模型：（1）宏观数据LSTM概率预测模型以日频宏观因子序列为输入