川海智库

报告概述

本报告为光大固收团队量化学习笔记第二篇，聚焦十年期国债收益率的中长期预测。通过构建包含宏观经济、货币政策、市场情绪等多维指标的输入变量，在LSTM基础上引入GRU、CNN和注意力机制，设计了多种混合神经网络模型。研究采用月度数据，以2012年1月至2025年12月为样本区间，评估各模型对未来1个月至1年收益率走势的预测效果，最终选出了最优模型，并基于该模型给出了2026年各月的收益率预测。

报告的核心结论

单一GRU模型综合预测表现最佳。

在对比LSTM、CNN-GRU、GRU-ATT、CNN-GRU-ATT等多个模型后，结构最简单的GRU模型在预测方向和数值误差上均优于混合模型。原因是月度样本量小、记忆窗口短，复杂网络易过拟合，而GRU能更快收敛且泛化更好。

预测时间跨度越长，方向预测准确性越高。

以最优GRU模型为例，对未来1个月、2个月、半年、1年的收益率变化方向预测准确率分别为63%、71%、89%、91%。中长期收益率受宏观经济等基本面主导，规律性强，而短期受随机因素干扰大，因此模型长期预测更可靠。

应重点关注收益率变化方向的预测而非具体数值。

GRU模型对未来1年方向的准确率达91%，但MAE为14BP。数值预测误差随跨度增大而累积，而方向预测更具实际应用价值。模型基于历史趋势学习，方向判断比点位预测更稳健。

报告回答的关键问题

混合神经网络能否提升国债收益率预测效果？

本报告对比发现，混合神经网络（CNN-GRU-ATT等）的预测效果并未优于单一GRU模型。由于月度数据样本量较小，复杂网络难以有效训练，反而导致过拟合，简单GRU模型更适合当前数据条件。

2026年十年期国债收益率走势如何？

基于最优GRU模型预测，2026年1至7月十年期国债收益率趋于下行，8至12月趋于上行。与2025年底相比，2026年底收益率预计下行约6个BP。简化的对照模型也验证了全年下行方向，结论具有一定可靠性。

预测国债收益率时，方向和数值哪个更重要？

报告指出应重点关注方向预测。模型对1年期方向准确率达91%，但数值误差MAE达14BP。在投资决策中，利率变动方向比具体点位更具指导意义，且方向预测的稳定性更高。

报告中的代表性数据

91%

GRU模型未来1年方向预测准确率

2014年1月至2025年1月样本，最优GRU模型对未来1年收益率变化方向的预测准确率，反映中长期趋势预测能力。

63%

GRU模型未来1个月方向预测准确率

2014年1月至2025年1月样本，短期方向预测准确率低于长期，体现短期噪音影响。

约6个BP

2026年底收益率下行幅度预测

2026年12月相对于2025年底，最优GRU模型基于2024年1月至2025年12月数据预测，且简化模型方向一致。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 详细阐述RNN、LSTM、GRU、CNN、注意力机制等神经网络的基础原理和适用场景，并对比各网络架构特点。
  • 完整的研究设计框架，包括数据选取（18个宏观、政策、市场指标）、样本构建（滑动窗口）、数据预处理方法等。
  • 多种单一与混合神经网络模型的构建细节（层数、神经元数、超参数）及训练策略（早停、正则化）。
  • 从预测方向和数值两大维度，用混淆矩阵和MSE/MAE/RMSE指标系统评估LSTM、GRU、CNN-GRU、GRU-ATT、CNN-GRU-ATT等模型的性能。
  • 基于最优GRU模型的2026年1-12月各月收益率变化幅度和点位预测图表。
  • 过拟合风险检验：对比最优模型与简化GRU模型在训练集和验证集上的损失，以及两者方向预测的交叉验证。
  • 模型预测的风险提示，包括预测误差、过拟合、结构性变化适应不足等。
  • 附录包含本文研究框架图、各模型性能评估表格、以及预测结果与实际走势的对比图。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告