本文基于美国零息国债收益率与FRED-MD宏观数据,比较直接收益率模型和DNS(S)因子模型在机器学习框架下的收益率曲线预测能力,并通过交易模拟评估经济价值。结果显示,超越随机游走的优势主要集中在短期限和曲线斜率预测,且随预测期限延长而减弱;直接收益率模型在短期及斜率预测中更具优势,因子模型则在较长期限的单期限预测中更具竞争力。宏观变量具有显著增量预测能力,尤其集中于斜率和短端变动;PSO优化的时变衰减参数虽改善样本内拟合,却未带来稳定的样本外预测提升。交易结果进一步表明,统计预测精度与经济收益并不一致,宏观增强模型在斜率交易中表现突出。
报告标题:《Yield Curve Prediction with Machine Learning: Forecasting Approaches and the Role of Macroeconomic Predictors》(机器学习收益率曲线预测:预测方法与宏观经济预测变量的作用)
作者:Jeron Tan Kang
日期:2026年7月27日
主题:美国国债零息收益率曲线预测、宏观经济变量的增量预测能力、直接收益率模型与DNS/DNSS因子模型比较,以及预测结果的交易价值评估。
报告没有给出传统股票研究报告式的“买入/持有/卖出”评级,也没有目标价;其评价对象是预测模型而非单一证券。核心问题有三:第一,逐期限的直接收益率预测和基于Nelson–Siegel/Svensson因子的预测,哪一种在相同宏观信息集下更有效;第二,宏观变量是否能在当前收益率曲线之外提供额外预测信息;第三,允许DNSS衰减参数随时间变化并通过PSO优化,是否能够改善样本外预测;第四,统计预测精度是否最终能够转化为债券交易收益。
总体结论具有明显的“期限—预测目标依赖性”:直接收益率模型在短期限、短预测期以及收益率曲线斜率预测中更有优势;因子模型在单一期限预测和较长预测期内相对更具竞争力;宏观变量对斜率和短端变化的帮助最明显;PSO优化的时变衰减参数虽然显著改善样本内曲线拟合,却没有稳定改善样本外预测;交易结果则显示,随机游走是很难通过RMSE击败的统计基准,却不是很好的交易基准。
收益率曲线的形状通常被视为市场对未来经济增长、通胀和货币政策预期的综合反映,尤其是曲线倒挂经常被解读为未来经济放缓或衰退的信号。对投资者而言,曲线水平、斜率和曲率的变化直接影响久期配置、对冲、相对价值交易和期限利差交易。
报告将文献中的两个问题合并起来:一是不同预测架构的比较,二是宏观变量是否具有超越当前收益率曲线的信息。其理论背景是“宏观跨度假说”(macro spanning hypothesis):如果当前收益率曲线已经包含所有与未来利率相关的状态变量,那么宏观变量在控制当前收益率后就不应再提供额外预测能力。报告的实证结果并不完全支持这一强版本假说,因为宏观变量在斜率预测中仍显示出较为稳定的增量信息。
文献回顾还强调,DNS模型通常通过三个因子表示曲线:
这种因子化方法的优点是降维、经济解释清楚,并且能够产生完整、连贯的收益率曲线;缺点是施加了跨期限限制,若某一期限具有独特的动态特征,因子模型可能无法充分捕捉。直接收益率方法则为每个期限分别建模,不强制不同期限共享结构,因此对具体交易期限或利差目标更灵活,但可能产生不连贯的整条曲线。
研究使用Filipović等人(2024)构造的美国月度零息国债收益率,观测日为每月月末,目标期限包括3、6、12、18、24、36、60、120、240和360个月,覆盖短端、中段和长端。斜率目标包括24–120、24–360和60–360等利差,例如24–120定义为:
[ Slope_{24,120,t}=y_t(120)-y_t(24) ]
也就是10年期与2年期收益率之差。
样本曲面从1986年5月延伸至2025年6月,但真正的样本外预测区间是2015年1月至2025年5月,训练区间为1986年5月至2014年12月。模型采用固定长度滚动窗口,并考察1、3、6和12个月预测期。
图1以三维曲面展示1986—2025年不同期限的零息收益率。横轴是时间,另一轴是期限,垂直轴是收益率。图中可以观察到:
这张图支持了报告关于收益率高度持久、接近非平稳的判断,也解释了为什么“随机游走,即下一期预测等于当前值”是一个强大的基准:如果收益率的短期变化难以预测,任何模型都必须先克服较强的持久性。
宏观信息来自FRED-MD数据库,涵盖实际活动、劳动市场、住房、货币、信贷、价格和金融市场等领域。研究使用123个宏观变量,每个变量使用第4至第6期滞后,因此共形成369个宏观预测变量。统一施加三个月发布滞后,是为了避免使用在预测时点尚未公布的数据,从而减少前视偏差。
这一设计增强了实证可信度,但也可能牺牲部分实时信息:某些变量本来可能较早发布,统一三个月滞后使信息集更保守;另一方面,FRED数据可能经历修订,报告主要解决的是发布时间问题,并未详细讨论实时数据修订问题。
随机游走模型假设未来收益率等于最近观测收益率,不预测变化。若竞争模型的相对RMSE低于1,表示其误差低于随机游走;高于1则表示不如随机游走。
随机游走的优势是简单、稳健,不需要估计参数;但它不能利用收益率曲线形状、宏观经济状况或货币政策信号,因此在交易层面可能无法识别大幅曲线调整。
直接方法针对每一个“预测期限—目标期限”组合单独建模,预测未来收益率变化,再加回当前收益率得到未来收益率水平。该方法不要求所有期限由同一组潜在因子驱动,因此特别适合24–120等明确的交易利差。
DNS先对每个月的收益率曲线进行横截面拟合,提取水平、斜率和曲率因子,再预测这些因子的未来值并重新构造收益率曲线。DNSS增加第二曲率因子,以提高拟合中长期复杂形状的能力。
基准因子动态使用AR(1),即每个因子主要依赖自身第一阶滞后。宏观增强的随机森林模型则同时使用滞后收益率、滞后因子及宏观变量,目标是直接预测因子变化。随机森林由500棵回归树组成,每个叶节点至少包含5个样本,并通过2010—2014年的递归交叉验证选择每次分裂使用的候选变量数m。
随机森林适用于本研究的原因是宏观变量数量多且高度相关,同时经济变量与收益率之间可能存在非线性和交互效应。但其缺点是解释性弱,变量重要性不等同于因果影响,且在高度相关变量中,重要性可能被任意分摊。
Nelson–Siegel–Svensson中的衰减参数决定曲率载荷在期限轴上的位置。报告采用PSO进行全局搜索,再用带边界的L-BFGS-B进行局部精炼。PSO设置包括300个粒子、最多1000次迭代、前10个粒子进入局部优化,参数搜索范围为衰减参数[10^-9, 0.4]、因子系数[-1,1]。
图2显示按月份和期限排列的拟合残差。大多数残差位于约±0.15%以内,说明DNSS-PSO在样本内能够非常贴近观测曲线;但在部分时期出现明显尖峰,尤其是在1990年代末、2006年前后、全球金融危机前后及2020年代初。报告指出,整体残差幅度大部分时间较小,但少数日期存在较高横截面RMSE。
图3展示β0出现最大负值的四个日期。虽然拟合曲线与观测点总体贴合,但在曲线平坦、曲率较弱时,水平因子和斜率因子之间会发生“可互换”的弱识别,导致β0出现不具有经济意义的负向尖峰。图4展示总RMSE最高的日期,说明当观测收益率曲线出现局部突变或复杂形状时,即使DNSS增加了曲率自由度,也无法完全拟合所有期限。图5则选择Diebold和Li研究中的历史日期,说明DNSS在一般的单调、驼峰或反转形状下具有较好的视觉拟合能力。
报告进一步设置零下限约束,要求长期端β0≥0、短端β0+β1≥0。该约束改善因子的经济解释,但样本外预测略弱,因此后续预测分析主要采用无约束PSO规格。
关键发现是:PSO显著改善样本内拟合,却没有带来相应的样本外预测改善。原因可能在于衰减参数时变导致因子载荷基础不断变化,使不同日期提取的因子不再具有稳定可比性;随机森林甚至可能进一步拟合这种由因子不稳定产生的噪声。
表7—表10分别报告1、3、6和12个月预测期的相对RMSE,表11—表14报告绝对RMSE;表中低于1表示优于随机游走,星号表示DM检验显著性。由于原文页面仅呈现表格标题和说明、未完整显示具体数值,不能据此逐格复述数值,但报告正文明确归纳了其模式。
结论如下:
报告还发现,在仅使用收益率信息的AR规格中,较长期限预测反而可能表现更好,这与传统DNS文献中“因子动态在较长预测期更有用”的结论相符。宏观变量的增量价值则随着预测期延长而减弱。
表17将因子模型相对于直接收益率模型进行比较。若相对RMSE大于1,表示直接模型更准确。报告发现:
这体现了两种模型的经济含义:斜率是两个具体期限的差值,直接建模可以针对该差值优化;而因子模型将多期限信息压缩成稳定的共同因子,较适合预测较长期的整体收益率水平。
表15比较宏观增强模型与非宏观模型。例如,Direct-RF-X在12个月、3个月期限上的相对RMSE为0.87,意味着其RMSE为Direct-RF的87%,误差下降13%。
宏观增强对Direct-RF-X、DNS-RF-X和DNSS-RF-X的斜率目标,在几乎所有预测期和斜率定义上都显示显著改善;但其他期限的改善更零散。直接模型从宏观变量中受益更明显,尤其是在长端;随着更多因子结构被施加,宏观变量的边际贡献有所下降,这与宏观跨度假说的部分内容相符,但并不支持其完全版本。
图6把变量归纳为“Macro”和“Yields”两组。宏观变量在大多数目标中的随机森林重要性约为80%,收益率变量约为20%左右;其中β1以及24–120斜率目标的收益率信息占比相对较低,说明宏观变量在斜率相关目标中更重要。
需要谨慎理解“80%重要性”:这是基于树分裂造成的杂质下降,不是宏观变量对收益率变化贡献80%,更不是因果解释。高度相关的宏观变量可能使重要性被分散或重复计量。
图11和图12显示,DNS/DNSS中β0等长期因子更依赖劳动市场、价格和产出信息,而β1斜率因子明显更依赖利率与汇率变量。图13、图14进一步显示,直接模型中短端和斜率目标最重要的变量包括不同期限国债收益率相对于联邦基金利率的利差;随着期限变长,价格、产出和收入、劳动市场变量的权重上升。
这一结果具有清晰的宏观金融解释:
报告将预测转化为合成零息债券持有期收益。单期限交易中,预测收益率上升则做空债券,预测下降则做多;斜率交易则构造DV01中性的陡峭化或趋平化组合。所有策略进行波动率调整,并对每次交易收取单边1个基点交易成本。
基准包括:
图15显示,随机游走策略在平静期表现尚可,但在2022年熊市趋平期间出现明显亏损;DNSS-RF-X在该阶段采取较大的空头仓位,并获得约4%的净收益。该图直观说明,RMSE表现良好不等于能够在方向性变化中盈利。
Direct-RF-X在2017—2019年及2021年末至2022年期间识别出趋平行情,曲线变化收益较好,但不利滚降部分抵消了收益。DNSS-AR未能准确识别这些熊市趋平阶段,反而持有陡峭化仓位;其曲线变化收益较差,但有利滚降反而使其总收益高于Direct-RF-X。
因此,斜率预测正确并不必然带来最高总收益。DV01中性只消除了初始平行利率变化风险,并没有消除滚降、凸性、不同期限流动性和未来曲线形状变化带来的风险。报告也承认,现实交易还需要考虑票息、凸性、融资成本和更复杂的仓位设计。
交易排名呈现明显分化:
这说明滚降收益可能掩盖预测方向本身的优劣,因此同时报告总收益和曲线变化收益是报告的重要方法论贡献。
样本外区间为2015—2025年,虽然包括低利率、疫情和2022年快速加息等不同阶段,但相对于长期利率周期仍可能不够长。模型表现可能受到特定宏观制度环境影响,未必适用于未来完全不同的政策体系。
123个宏观变量高度相关,树模型的重要性指标可能偏向具有更多切分机会或与其他变量高度相关的变量。报告将其用于解释“哪些信息被模型使用”,但不能直接证明某一变量导致收益率变化。
报告自己指出,衰减参数未来值采用随机游走,即直接使用最新估计值;这是一种相对简单的动态假设。如果未来采用联合预测衰减参数和因子、状态空间模型或更合理的动态约束,结果可能不同。因此,“固定参数更适合预测”应理解为当前实验设计下的结论,而不是对所有时变DNSS模型的否定。
交易使用合成零息债券和固定1个基点交易成本,未充分反映真实国债交易的买卖价差、融资、流动性、保证金、价格冲击、票息和凸性。尤其斜率交易尽管DV01中性,仍存在滚降和期限结构风险。因此交易结果更适合作为模型相对经济价值的比较,而不是可直接执行的投资策略。
报告一方面指出PSO模型在RMSE下样本外表现较差,另一方面在交易部分指出时变PSO规格在经济价值上比RMSE结果更有吸引力。这并非必然矛盾,而是表明统计损失与交易收益衡量的是不同目标:RMSE偏好平均预测误差,交易收益更重视方向判断和大幅行情中的仓位效果。
这份报告最重要的贡献不是提出一个在所有期限、所有预测期都占优的模型,而是证明收益率曲线预测具有显著的目标和期限依赖性。短端和斜率是最可能超越随机游走的区域,且直接收益率模型、尤其是宏观增强的随机森林,在这些目标上最具优势;长期单一期限预测则更适合利用稳定的DNS/DNSS因子结构。
图表进一步揭示,宏观变量并非普遍均匀地影响整条曲线:政策利率和利差变量主要关联斜率与短端,通胀、产出和劳动市场变量更多关联水平因子及长端。DNSS-PSO能够把历史曲线拟合得更漂亮,但拟合改善没有转化为预测改善,说明预测模型中因子的跨期稳定性比单期横截面拟合优度更重要。
最终,作者的总体立场是:应根据交易目标和预测期限选择模型,而不应笼统地宣称直接模型或因子模型“全面更优”;宏观变量具有真实但不均匀的增量价值;随机游走应继续作为严格的统计基准,但不应被视为充分的经济交易基准;在斜率交易中,宏观增强模型尤其值得重视。
2608.07536.pdf