本文基于日频量价因子,设计了两阶段神经网络模型(SE-GRU),对未来N日利率及国债期货涨跌进行预测。回测涵盖10年期及5年期国债期货和国开活跃券,取得显著绝对收益与稳健超额收益。积分梯度法揭示成交量、利差及资金面为重要预测因子,模型具备较强的特征提取与择时能力,但仍受样本外表现及极端行情影响需要持续跟踪和优化
| 年份 | N=3 (收益率%) | N=5 (收益率%) | 多头胜率(%) | 空头胜率(%) | 夏普比率(N=3) | 夏普比率(N=5) |
|---|---|---|---|---|---|---|
| 2021 | 7.15 | 5.32 | 62 | 68 | 2.36 | 2.17 |
| 2022 | 3.98 | 5.44 | - | - | - | - |
报告标题: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)
发布机构:东方证券研究所
发布日期:2023年3月12日
作者/分析师:邱蕊(执业证书编号:S0860519020001,香港证监会牌照:BSW115);宋之辰,陶文启
研究主题:聚焦利率债市场,利用高级非线性机器学习方法中特别是神经网络,来预测利率及国债期货价格走势,实现量化择时。
核心论点与主题简介:
该研究通过引入复杂的神经网络两阶段模型(Sparse Encoder + GRU,简称SE-GRU),基于包括价格、成交量、期限利差、资金面等10大类779个高维时序因子的日频数据,试图实现对未来N日利率及国债期货涨跌的精准预测,从而形成多空信号。通过对多个国债期货及活跃利率现券回测验证,模型实现了较为稳定的绝对及相对收益,并利用积分梯度法揭示特征重要性,为模型解释性提供了支持。主要贡献在于突破传统线性或技术指标方法的局限,提升择时预测能力,丰富利率债量化策略工具箱。
评级与结论性信息:本报告未明确给出具体的买卖评级,但通过详细的业绩表现与特征解读,倾向于对模型信号给予较强的正面认可。风险提示明确指出量化模型失效及极端市场环境风险,要求投资者谨慎。,25]
报告起始对利率债市场的择时策略现状进行了梳理。以往依靠技术分析(如均线)及线性多因子预测的方法均存在明显不足:技术分析反应迟钝,易过拟合失效,线性模型拟合能力有限,且未充分利用庞大因子信息,忽略因子间复杂关系。
报告指出,择时本质是时间序列预测(Time Series Forecasting),传统AR系模型基于平稳假设难以捕捉复杂特征,而循环神经网络(RNN)及其层次——GRU,具备更强拟合与记忆能力,适合解决此问题。此外,近年来中国利率债市场交易数据丰富,具备采用复杂模型的基础数据支撑,这为本研究的神经网络模型应用奠定了理论及实际基础。
研究采用779个高维时序因子,涵盖10类指标,包括成交量、价格动量、波动率、期限利差等,数据来自于东方证券研究所与Wind资讯。考虑国债期货上市较晚,针对含与不含期货的因子设置不同数据集,确保模型训练的科学性和适应性。
引入SE-GRU两阶段模型,用以解决高维特征降维和时间序列预测:
该架构完整流水线展示在图1,模型先经过数据处理(去极值、标准化、缺失值填充),后进行降维编码,最终由GRU完成标签收益的预测输出。
选取市场关注度高且流动性充裕的四个利率标的:
数据分为训练集(含验证集)与样本外测试集,采取年末滚动训练策略,对国债期货进行了3次模型训练,对利率现券进行了6次,确保模型在年月不同市场环境下的稳健。
以未来N日收益为目标标签(N=1/3/5/10),模型在测试集上表现出:
图7和图8详细展示准确率和IC的趋势,表明短中期预测更具实际意义。
10年期国债期货(T)
模型年化收益高达5.98%,夏普比2.36,胜率约62%,多空头均有正收益且信号有效,凸显择时效果显著(见图9、10)。
5年期国债期货(TF)
虽收益略低(年化3.42%,夏普比2),胜率仍保持在61-64%,但以多头信号贡献为主,空头表现相对较弱(图11、12)。
10年期国开活跃券
模型收益较期货弱但稳定,年化收益62bps,夏普1.5,理论上仍能带来较好超额收益,交易频率较低,信号较稳(图13、14)。
5年期国开活跃券
盈亏比稍低于10Y品种,胜率较高,2020年表现较差导致回撤(图14、15)。
基于10Y和5Y国开的预测信号,设计久期轮动策略,信号正(看多)时买入相应久期指数,负(看空)时配置短久期品种。回测结果显示信号组合策略显著超越均等权重配置和单纯持有(图15、16、17),凸显模型在资产配置中的潜力。
模型应用积分梯度法揭示因子贡献排名与方向:
总结:
风险提示:
报告呼吁持续迭代,结合宏观政策和动态行情,为投资者提供有力辅助支持和更稳健量化信号。
展示了整个SE-GRU模型的流程,原始高维时间序列因子先经过清洗标准化处理后,输入稀疏编码器实现降维,降维后的特征序列输入GRU模型,利用其记忆能力完成未来N日收益预测。此图直观表现了模型结构的两层设计,有效解决了因子维数过大及时序动态依赖两大难点。
本报告重点为量化择时模型的性能与因子研究,未涉及传统意义上基于财务指标的企业估值或市盈率分析,估值分析部分不适用。
报告提到的关键风险包含:
此外,样本外区间较短,可能导致策略的稳健性尚需进一步验证,提出未来研发布局和迭代的必要性。,25]
整体报告高度专业,结构清晰,但需关注模型泛化能力、季节性表现和动态市场环境变化带来的潜在挑战。
该报告系统展示了利用高维量价因子集合,结合先进神经网络(SE-GRU)对中国利率债与国债期货市场做日频涨跌预测的创新研究。通过模型设计,显著提升了对利率资产价格变动的非线性建模能力,克服了传统线性模型及技术指标的局限。
具体表现包括:
综上,东方证券的该量化研究为利率债投资者提供了一套科学的机器学习择时工具,不但在学术上有创新意义,也对实际投资提供了有价值参考,值得持续关注和跟踪其演进。,3,4,5,9-25]
以上分析全面覆盖了报告的每个关键内容、逻辑推理和数据信息,重点评价了方法论、数据架构、模型设计、预测与回测表现、因子解读及风险框架。对图表均给予了详尽的描述解释,条理清晰。语言专业,格式规范,并严格标注了引用页码。
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-20230312-东方证券-30页.pdf