报告概述
本报告提出了一种基于深度神经网络分类模型的统一框架，将择时和轮动问题分别建模为二分类和多分类任务。报告详细介绍了该框架下的模型构建、训练关键环节，并展示了利率择时中期和短期模型在2025年以来的实测表现，以及信号在30年国债期货交易策略中的应用效果。此外，报告还验证了框架在权益指数择时和行业轮动中的适用性，为投资者提供了一种从预测数值转向预测类别的AI量化方法论。
报告的核心结论
分类模型框架优于传统数值预测
报告指出，通过深度神经网络直接将市场状态映射为分类标签（如看多/看空、主线行业），可以降低噪声干扰、直接面向投资决策，评估体系更清晰，模型鲁棒性更强。
利率择时中期模型准确捕捉三次国债YTM上行区间
自2025年6月10日实测以来，中期模型在10年国债YTM上累计预测收益22.89bp，最大回撤7.79bp，成功把握了3季度、11月下旬及12月下旬的三次调整区间。
利率择时短期模型对利率短期波动敏感性更强
短期模型在30年国债YTM上实测获得累计预测收益69.71bp，最大回撤11.60bp，形成区间更多但胜率略低，更适合高频交易场景。
模型信号可直接应用于国债期货交易并获得显著收益
基于利率短期模型信号的简单策略在2025年7月至2026年1月实现212.48%收益率，中期模型策略同期实现182.87%收益，验证了模型方向预测的有效性。
框架可扩展至权益指数择时和行业轮动
中证500择时模型在实测中成功在谷底附近发出看多信号；行业轮动模型可输出30个行业的主线概率，通信行业维持主线106个交易日，期间涨幅58.67%。
报告回答的关键问题
深度神经网络如何改进量化择时模型？
报告提出将择时建模为二分类任务，预测市场状态（上行/下行）而非精确数值，从而降低噪声干扰、提高模型稳定性，并直接服务于多空决策。
利率择时模型在国债期货交易中表现如何？
基于中期和短期模型信号，在30年国债期货简单策略中分别实现了182.87%和212.48%的收益率，最大回撤约16%-19%，表明模型预测方向准确，可用于实战。
行业轮动模型如何识别主线行业？
模型将行业轮动视为多分类任务，输出每个行业为主线的概率，概率最高的即为预测主线。实测中通信行业连续106个交易日被识别为主线，期间上涨58.67%。
分类模型框架相比传统量化模型有哪些优势？
优势包括：降低对精确数值预测的依赖、直接输出投资决策、评估指标简单（准确率等）、对数据噪声和因子共线性更不敏感，整体鲁棒性更强。
报告中的代表性数据
利率中期模型累积预测收益
2023年6月至2026年1月（含回测），中期模型在10年国债YTM上获得的累积预测收益，其中实测区间（2025年6月10日至今）为22.89bp。
利率短期模型TL策略收益率
2025年7月9日至2026年1月9日，基于利率短期模型信号的30年国债期货简单策略收益率，初始本金5万元，限制开仓1手。
行业轮动模型主线行业收益率
截至2026年1月9日，通信行业被模型预测为主线行业的106个交易日内，申万通信一级行业指数上涨幅度。
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
- 完整报告详细描述了从预测数值到预测类别的模型转变思路，以及分类模型的四大优势。
- 深入介绍了市场状态定义、因子向量选择原则和趋势标签标注算法。
- 包含模型训练关键环节：数据集划分、类别平衡、正则化等技术细节。
- 提供利率中期模型33个择时区间的完整预测观点汇总表，含准确率和平均收益。
- 展示利率短期模型25个实测区间的详细统计，含正确/错误区间对比。
- 披露基于利率择时信号的国债期货策略完整构建流程，包括手续费、保证金、移仓规则。
- 包含中证500指数择时模型的按日实测图，展示模型对趋势翻转的提前预判。
- 展示了行业轮动模型测试集模拟净值曲线，以及Top1至Top5行业的净值表现。
- 列出模型预测的行业主线排名表格，显示通信等行业持续排名情况。
- 详述风险提示，包括市场环境变动、模型稳定性、数据质量三大风险。
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。
