研究结论
　　近年来，以神经网络、决策树等非线性的机器学习模型在量化投资领域得到了广泛的应用。基于机器学习模型良好的拟合和特征提取能力，我们引入神经网络的相关模型，基于日频的量价因子(特征)进行训练，从而对未来N日的利率涨跌和国债期货涨跌进行预测。
　　本文的因子库基于成交量、价格动量、价格波动、期限利差水平、期限利差动量、税收利差水平、税收利差动量、期现价差、资金面水平、资金面波动10个大类的日频指标产生，共计779个时序因子。
　　本文参考Bao et al.(2017)的思路，设计了一个两阶段预测模型(SE-GRU模型)，第一阶段是使用稀疏编码器(Sparse Encoder)进行多维时间序列的信息提取，即通常所说的降维步骤，第二阶段是对降维后的时间序列使用GRU模型进行监督训练。损失函数由2部分组成，拟合的均方误差损失和稀疏自编码器提取特征的稀疏化约束。
　　基于SE-GRU模型，可以日频得到“未来N日的利率涨跌和国债期货涨跌”的预测值，从而形成各类标的的日频多空信号。本文选用10年期国债期货主力合约(T)、5年期国债期货主力合约(TF)、10Y国开活跃券、5Y国开活跃券作为回测标的，测试集结果显示，预测变量采用“未来3日”和“未来5日”的收益是较为合意的选择。
　　样本外的测试集回测结果表明，预测模型取得了不错的绝对收益和相对收益：
　　对于10年期国债期货，年化收益达到5.98%，收益风险比达2.36，平均交易天数为4.79天/次，其中，多头端年化3.81%，空头端年化2.26%；
　　对于5年期国债期货，年化收益达到3.42%，收益风险比达2，平均交易天数为5.74天/次，其中，多头端年化2.42%，空头端年化1.02%；
　　对于10年国开活跃券，年化赚得收益率达到62.03bps，收益风险比达1.5，平均交易天数为8.85天/次；信号用于久期轮动策略年化5.5%，最大回撤1.47%；
　　对于5年国开活跃券，年化赚得收益率达到63.46bps，收益风险比达1.28，平均交易天数为9.07天/次；信号用于久期轮动策略年化4.32%，最大回撤0.87%；
　　最后，本文还尝试使用积分梯度法分析预测模型的特征重要性，即各个因子对模型预测产生的影响的大小和排序，可供投资者参考。结果显示，T合约成交量、30Y/10Y国债换手率、利率的动量、资金面水平、现券波动、税收利差等因子贡献较大。
　　风险提示
　　量化模型失效的风险
　　市场极端环境的冲击

研究报告全文：金融工程专题报告报告发布日期2023年03月12日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邱蕊021-633258885091宏观固收量化研究系列之九qiuruiorientseccomcn研究结论执业证书编号S0860519020001近年来以神经网络决策树等非线性的机器学习模型在量化投资领域得到了广泛香港证监会牌照BSW115的应用基于机器学习模型良好的拟合和特征提取能力我们引入神经网络的相关模型基于日频的量价因子特征进行训练从而对未来N日的利率涨跌和国债期货涨跌进行预测宋之辰songzhichenorientseccomcn陶文启taowenqiorientseccomcn本文的因子库基于成交量价格动量价格波动期限利差水平期限利差动量税收利差水平税收利差动量期现价差资金面水平资金面波动10个大类的日频指标产生共计779个时序因子本文参考Baoetal2017的思路设计了一个两阶段预测模型SE-GRU模型第一阶段是使用稀疏编码器SparseEncoder进行多维时间序列的信息提取即通常所基于量价信息的利率择时探讨宏观2022-12-13固收量化研究系列之八说的降维步骤第二阶段是对降维后的时间序列使用GRU模型进行监督训练损失活跃券的均线择时宏观固收量化研2022-03-252函数由部分组成拟合的均方误差损失和稀疏自编码器提取特征的稀疏化约束究系列之六基于SE-GRU模型可以日频得到未来N日的利率涨跌和国债期货涨跌的预测值从而形成各类标的的日频多空信号本文选用10年期国债期货主力合约T5年期国债期货主力合约TF10Y国开活跃券5Y国开活跃券作为回测标的测试集结果显示预测变量采用未来3日和未来5日的收益是较为合意的选择样本外的测试集回测结果表明预测模型取得了不错的绝对收益和相对收益对于10年期国债期货年化收益达到598收益风险比达236平均交易天数为479天次其中多头端年化381空头端年化226对于5年期国债期货年化收益达到342收益风险比达2平均交易天数为574天次其中多头端年化242空头端年化102对于10年国开活跃券年化赚得收益率达到6203bps收益风险比达15平均交易天数为885天次信号用于久期轮动策略年化55最大回撤147对于5年国开活跃券年化赚得收益率达到6346bps收益风险比达128平均交易天数为907天次信号用于久期轮动策略年化432最大回撤087最后本文还尝试使用积分梯度法分析预测模型的特征重要性即各个因子对模型预测产生的影响的大小和排序可供投资者参考结果显示T合约成交量30Y10Y国债换手率利率的动量资金面水平现券波动税收利差等因子贡献较大风险提示量化模型失效的风险市场极端环境的冲击有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明金融工程专题报告基于神经网络模型的利率择时目录一研究背景4二模型简介521时序因子介绍522预测模型介绍61稀疏编码器模型介绍72GRU模型介绍83损失函数9三回测结果931策略设计932预测表现1133回测表现12110年期国债期货主力合约1225年期国债期货主力合约15310Y国开活跃券1745Y国开活跃券195长短久期指数轮动2234特征重要性24四结论26风险提示26附录26参考文献28有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明2金融工程专题报告基于神经网络模型的利率择时图表目录图1预测模型示意图6图2稀疏自编码器与稀疏编码器示意图8图3RNN示意图8图4GRU循环单元结构示意图9图5国债期货标的的训练集测试集划分10图6利率标的的训练集测试集划分10图7各标的不同预测周期N的日度准确率11图8各标的不同预测周期N的日度IC11图9样本外信号表现回测标的10年期国债期货主力合约回测区间202101-20230213图10做多与做空表现以及信号回测标的10年期国债期货主力合约14图11样本外信号表现回测标的5年期国债期货主力合约回测区间202101-20230215图12做多与做空表现以及信号回测标的5年期国债期货主力合约17图13样本外信号表现和信号分布回测标的10Y国开活跃券利率回测区间201701-20230218图14样本外信号表现回测标的5Y国开活跃券利率回测区间201701-20230221图1510Y国开信号用于长短久期轮动22图165Y国开信号用于长短久期轮动23图1710Y5Y国开信号合成的久期策略23图18各模型的特征重要性排序前十24图19所有用到的因子列表27表1因子类别5表2因子数据集简介5表3回测品种与回测设计11表4样本外信号表现回测标的10年期国债期货主力合约回测区间202101-20230212表5样本外信号表现回测标的5年期国债期货主力合约回测区间202101-20230215表6样本外信号表现回测标的10Y国开活跃券利率回测区间201701-20230218表7样本外信号表现回测标的5Y国开活跃券利率回测区间201701-20230220有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明3金融工程专题报告基于神经网络模型的利率择时一研究背景关于利率债市场的量化择时策略之前我们发布的两篇报告活跃券的均线择时基于量价信息的利率择时探讨已有过一定程度的探讨1活跃券的均线择时宏观固收量化研究系列之六中我们尝试使用技术分析回测数据而后我们发现以均线为代表的技术指标存在以下问题被动地应对行情并未对市场进行预测和验证因此胜率较低本质上是趋势跟踪在拐点来到时反应较为迟钝如果是日频级别的技术分析则极度依赖于市场状态尤其在震荡市信号变换频率较大会出现来回亏损的情况参数方面容易出现过拟合比如往往出现选择训练集最优参数而在样本外失灵的情况2基于量价信息的利率择时探讨宏观固收量化研究系列之八中我们尝试挖掘有显著线性关系的有样本内预测能力的时序单因子从而对未来期货的涨跌进行多因子合成预测但依然存在一些问题时序因子并不能像股票领域的截面alpha因子一样贡献较为稳健的超额收益在不同市场风格下大多数时序因子表现会出现不同程度的波动即信号出现失灵利率市场较为复杂线性方法虽然简单但是拟合程度也相应较低尤其是对于单因子回归所产生的信号预测能力较差通过筛选因子的方式最终使用的信息较少在几百个时序因子中最后筛选出几个较好的因子最后合成信号只利用到了这几个因子的信息而剩下的因子仍有很多的信息尚未被利用因子之间可能存在复杂的相关性报告中采用的简单等权的方法可能并非是最好的合成方式不管是技术分析还是线性预测本质上我们面临的择时问题属于时间序列预测TimeseriesforecastingTSF的问题这类问题是统计学中非常重要的领域在医疗监测交通能源气象金融等领域有着广泛的应用传统的时间序列模型如AR系模型往往基于数据的平稳性假定捕捉时间序列变量的线性预测而近些年来以循环神经网络RecurrentNeuralNetworksRNN为代表的深度学习DeepLearning模型发展迅速由于其复杂的网络结构设计拟合能力和特征提取能力远超传统机器学习模型被大量运用在时间序列预测问题上近几年中国利率债市场交易主体逐渐活跃以国债期货各期限利率债活跃券等品种已经产生了较多量价数据而资金面国债国开收益率曲线也有足够长的历史数据这也为我们使用复杂模型的拟合提供了可能本文尝试设计神经网络模型使用海量的因子库对国债期货和利率的涨跌进行拟合从而形成日频的多空择时信号在此基础上对样本外的历史数据加以回测有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明4金融工程专题报告基于神经网络模型的利率择时二模型简介21时序因子介绍本文特征的数据在基于量价信息的利率择时探讨宏观固收量化研究系列之八中的因子库的基础上进行了丰富和扩展共计779个时序因子含历史分位数和移动平均的平滑处理具体的因子内容详见附录表1因子类别因子数量日间价格动量217成交量209期限利差动量108日间价格波动72期限利差水平48资金面水平42资金面波动36税收利差动量27税收利差水平12期现价差8资料来源东方证券研究所Wind资讯其中由于国债期货上市时间较晚1因此对于涉及国债期货的因子和标签国债期货价格涨跌幅的样本长度较短因此下文根据我们所定义的标签不同数据分为两大类含国债期货的数据集和不含国债期货的数据集如下表所示表2因子数据集简介数据集时间跨度因子数量标签含国债期货201605至今779未来N日国债期货涨跌幅不含国债期货200711至今471未来N日国开利率涨跌资料来源东方证券研究所Wind资讯110年期国债期货于2015年3月在中金所上市有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明5金融工程专题报告基于神经网络模型的利率择时22预测模型介绍近年来以神经网络决策树等非线性的机器学习模型在量化投资领域得到了广泛的应用基于机器学习模型良好的拟合和特征提取能力我们引入神经网络相关模型对上文所得到的因子数据集特征进行训练从而对未来N日的利率涨跌和国债期货涨跌进行预测在使用相关模型进行预测时一个重要的问题就是在使用数量庞大的特征时如何对特征进行降维从而剔除噪声和无效信息干扰为了应对这个问题常见的做法是人工筛选提取重要性较高的特征然后用这些人工提取的特征进行拟合这种方法往往计算成本较大稳定性较差且有着极大的过拟合风险为了克服这个问题本文参考Baoetal2017的思路设计了一个两阶段预测模型第一阶段是使用稀疏编码器SparseEncoder进行多维时间序列的信息提取即通常所说的降维步骤第二阶段是对降维后的时间序列使用GRU模型拟合最后将GRU最后一个时间单元的输出即下图中的输入到一个全连接层得到最终的一维输出结果我们把整个稀疏编码器降维加上GRU模型的时序预测最终得到输出的网络结构称之为SE-GRU模型可表示为下图所示的流程图1预测模型示意图有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明6金融工程专题报告基于神经网络模型的利率择时资料来源东方证券研究所1稀疏编码器模型介绍由于本文的数据集是日频数据集并且数据历史长度并非很长最短的训练集仅有约5年的样本长度对特征重要信息的提取更加显得重要因此本文并未直接套用GRU模型而是在第一步使用一类神经网络模型稀疏编码器SparseEncoder下文简称SE进行数据降维提取出有用的特征再进入第二步的GRU模型进行监督训练自编码器Autoencoder是一类被广泛应用于数据压缩特征提取等领域无监督非线性降维工具它通常包含一个Encoder部分和一个Decoder部分Encoder部分主要是将高维原始数据压缩成一个低维特征而Decoder部分则是将这个低维特征还原成一个维数与原始数据相同的数据称之为生成数据整个自编码器则是通过极小化生成数据与原始数据的均方误差来训练自编码器的Encoder输出的中间变量则可以被认为是包含原始数据信息的降维特征而稀疏自编码器Sparseautoencoder顾名思义就是一个自编码器在训练的时候给损失函数加上对隐藏层神经元Encoder的输出的稀疏化约束这种做法使得Encoder能够更加有效地提取原始数据信息且使得整个模型泛化能力增强通常稀疏自编码器的稀疏化约束是通过构造一个K-L散度来完成的但损失函数引入K-L散度会使得整个模型训练较难收敛考虑到L1损失也能起到稀疏化作用且能有效的筛选信息类比Lasso回归因此我们模型中采用L1损失来代替K-L散度进行隐藏层神经元稀疏化约束有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明7金融工程专题报告基于神经网络模型的利率择时图2稀疏自编码器与稀疏编码器示意图资料来源东方证券研究所2GRU模型介绍与传统的分类或回归问题不同时间序列建模中常见的一种情况是下一个时刻的输出不仅与当前的输入有关还往往与过去一段时间的输入或输出相关如语音视频文本传统的前馈神经网络假设所有的输入是相互独立的因此并未能利用序列前后的信息而循环神经网络RecurrentNeuralNetworkRNN是专门用于处理时间序列预测问题的一类神经网络模型在RNN模型中通过隐藏层状态来接受过去的信息和当前的输入从而影响当前的输出这样模型就具有了记忆能力如下图所示图3RNN示意图有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明8金融工程专题报告基于神经网络模型的利率择时资料来源神经网络与机器学习东方证券研究所RNN模型存在一个较大的缺点是当时间间隔比较大时在求解过程中会出现梯度爆炸或梯度消失的情况因此比较常见的改进做法是引入门控机制来控制信息的积累速度本文所采用的门控循环单元网络GatedRecurrentUnit下问统称为GRU正是一种常见的基于门控机制的循环神经网络模型它引入了更新门updategate和重置门resetgate来控制循环单元的输出避免了梯度消失的问题其模型参数较少训练效率较高因此被业界广泛使用图4GRU循环单元结构示意图资料来源神经网络与机器学习东方证券研究所3损失函数介绍完稀疏自编码器与GRU基本概念后假设时间序列数据的第i个数据时间0截面上特征记为该时间序列对应的标签记为N为预测周期结合图1整个模型正向传播的过程可分为三步第一步每天标准化数据记为输入稀疏自编码模型得到低维特征记为tzi第二步低维特征对应的时间序列0输入到GRU模型第三步取最后时间T的输出进入全连接层最终得到整个模型的预测结果训练整个模型f的损失函数则可表示为这里L1表示为了拟合标签函数设置的均方误差损失L2表示稀疏自编码器提取特征的稀疏化约束三回测结果31策略设计有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明9金融工程专题报告基于神经网络模型的利率择时基于上文设计的SE-GRU模型本部分介绍对各种利率标的的预测与回测结果我们使用如下4个市场关注度较高成交较为活跃的4个标的作为回测对象10年期国债期货主力合约T5年期国债期货主力合约TF10Y国开活跃券利率5Y国开活跃券利率首先我们对数据集进行样本内训练集和验证集和样本外测试集的划分采用年末滚动训练的形式对于国债期货标的我们训练了3次模型2020年底2021年底2022年底对于利率标的我们训练了6次模型2017年底-2022年底在每次训练前都对训练集的数据进行去极值和标准化处理具体的划分见下图图5国债期货标的的训练集测试集划分图6利率标的的训练集测试集划分数据来源东方证券研究所数据来源东方证券研究所由于神经网络的模型训练结果受到随机种子的影响为了保证模型的一般性在每次训练中我们分别保存10个不同随机种子的模型最后取10个模型的预测值的平均作为最终的预测值0假定在T时刻我们记T时刻的时序向量为将其作为特征输入基于训练好的模型我们可以计算对未来N日各标的的涨跌幅的预测值基于的符号可以形成当日的多空信号以利率标的的预测为例若则意味着当前X预测未来利率上行则生成看空信号若Y是未来N日的国债期货涨跌幅则生成看多信号若则意味着当前X预测未来利率下行则生成看多信号若Y是未来N日的国债期货涨跌幅则生成看空信号具体回测的设定如下图所示数据均来自于Wind资讯有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明10金融工程专题报告基于神经网络模型的利率择时表3回测品种与回测设计回测品种10年5年期国债期货主力合约10Y5Y国开活跃券切券切合约换仓日卖出老合约买入新合约换券日卖出老券买入新券交易价格次日开盘15分钟的VWAP次日收盘中债YTM回测时间202101-202302201701-202302回测结果净值曲线累计赚得收益率bps回测逻辑初始资金100万每次开1手统计盈亏每次做1手活跃券统计累计赚得收益率交易成本万分之153tick025bps信号对应的交易看多做多看空做空看多做多看空做空基准多头按时切换合约多头按时切券未来N日10年5年期国债期货主力合约的预测变量未来N日10Y5Y国开活跃券利率的变化涨跌幅资料来源东方证券研究所Wind资讯32预测表现首先我们对测试集的每日预测情况进行汇总基于每个标的我们都计算了未来N日收益中的预测周期N13510四种标签的结果由于是日频预测我们关心2个指标预测值与真实值的方向准确率IC预测值与次日收益的秩相关系数图7各标的不同预测周期N的日度准确率图8各标的不同预测周期N的日度IC有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明11金融工程专题报告基于神经网络模型的利率择时数据来源东方证券研究所Wind资讯数据来源东方证券研究所Wind资讯上图显示对于单个标的不同预测周期N的效果有明显差异基本上呈现1日和10日效果差3日和5日效果好的特点这表明对于这些因子数据集比较合意的做法是使用未来3日或5日的收益作为预测标签从准确率上看未来3日和5日的方向准确率均能达到53IC均能达到008除5Y国开的未来5日收益表现较差33回测表现因为缺乏换手率交易成本交易价格等方面的考虑仅从预测集的统计学表现上无法得知该策略的整体表现因此我们还是着重分析基于这些信号的历史回测结果110年期国债期货主力合约表4样本外信号表现回测标的10年期国债期货主力合约回测区间202101-202302N1N3N5N10T多头T空头年化收益296598529470273-281年化波动率268253244256278296夏普比率收益风险比110236217184098-095最大回撤-236-157-156-169-173-719Calmar125380339279158-039日胜率055057056057054046周胜率057060055058055044交易胜率058062068067--交易盈亏比111182121144--平均交易天数单边533479507735--资料来源东方证券研究所Wind资讯有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明12金融工程专题报告基于神经网络模型的利率择时图9样本外信号表现回测标的10年期国债期货主力合约回测区间202101-202302资料来源东方证券研究所Wind资讯结果显示使用预测未来3日和5日的收益作为标签SE-GRU模型具有较好的择时效果夏普比达236和217交易胜率达62和68每年相较于一直持有多头和空头也有明显的超额收益下图以N3为例展示多头信号与空头信号的情况可以发现不管是多头端还是空头端均有不错的择时效果这说明信号并非依赖于国债期货天然多头的属性获得超额收益有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明13金融工程专题报告基于神经网络模型的利率择时图10做多与做空表现以及信号回测标的10年期国债期货主力合约N3N3N3只做多只做空年化收益598381226年化波动率253223139夏普比率收益风险比236171163最大回撤-157-162-065Calmar380235346日胜率057068085周胜率060071084交易胜率062062061交易盈亏比182186169平均交易天数单边479629856资料来源东方证券研究所Wind资讯有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明14金融工程专题报告基于神经网络模型的利率择时25年期国债期货主力合约表5样本外信号表现回测标的5年期国债期货主力合约回测区间202101-202302N1N3N5N10TF多头TF空头年化收益163288342253174-177年化波动率170176171175184193夏普比率收益风险比096163200145094-092最大回撤-109-117-102-134-132-486Calmar149246336189132-037日胜率057056057057054048周胜率059056059055053048交易胜率057061064062--交易盈亏比083127140124--平均交易天数单边387661574644--资料来源东方证券研究所Wind资讯图11样本外信号表现回测标的5年期国债期货主力合约回测区间202101-202302有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明15金融工程专题报告基于神经网络模型的利率择时资料来源东方证券研究所Wind资讯有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明16金融工程专题报告基于神经网络模型的利率择时结果显示对于5年期国债期货主力合约使用预测未来3日和5日的收益作为标签SE-GRU模型仍然具有较好的择时效果夏普比达163和2交易胜率达61和64过去2年相较于一直持有多头和空头也有明显的超额收益今年目前表现与多头接近持平可后续继续跟踪其表现下图以表现最好的N5为例展示TF的多头信号与空头信号的情况可以发现此信号较为依赖于多头端空头端表现欠佳主要由多头端贡献夏普比为163图12做多与做空表现以及信号回测标的5年期国债期货主力合约N5N5N5只做多只做空年化收益342242102年化波动率171149093夏普比率收益风险比200163110最大回撤-102-111-117Calmar336218087日胜率057066087周胜率059068086交易胜率064071052交易盈亏比140125126平均交易天数单边5746691024资料来源东方证券研究所Wind资讯310Y国开活跃券有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明17金融工程专题报告基于神经网络模型的利率择时表6样本外信号表现回测标的10Y国开活跃券利率回测区间201701-20230210Y国开N1N3N5N10多头年化收益BP3548620341881017-1272年化波动率BP41254123413141914205夏普比率收益风险比086150101024-030最大回撤BP-8728-6984-7034-9093-16476Calmar041089060011-008日胜率052054053051050周胜率046053055051046交易胜率048051050044032交易盈亏比186212180154142平均交易天数单边1032885107618707874资料来源东方证券研究所Wind资讯图13样本外信号表现和信号分布回测标的10Y国开活跃券利率回测区间201701-202302有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明18金融工程专题报告基于神经网络模型的利率择时资料来源东方证券研究所Wind资讯结果显示对于10Y国开活跃券利率标的模型预测的信号并未能像国债期货那样拥有很高的收益风险比和交易胜率从标的本身的波动上看利率也明显低于期货因此从统计学意义上利率本身是更难预测的变量分年度上看除了2020年和2021年其余每年都相对于多头有超额收益最主要的回撤N3来自于2020年的方向上的误判这说明在极端的行情下基于量价的预测模型容易出现失灵的情况从信号的分布情况上看我们发现在2020年上半年长期看空是导致回撤的主要原因整体上看信号变化频率偏低平均来看约2周换一次仓45Y国开活跃券有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明19金融工程专题报告基于神经网络模型的利率择时表7样本外信号表现回测标的5Y国开活跃券利率回测区间201701-2023025Y国开N1N3N5N10多头年化收益BP49966346711-659989年化波动率BP49914961504750865088夏普比率收益风险比100128014-013019最大回撤BP-12246-12246-15979-18205-14855Calmar041052004-004007日胜率052052049048052周胜率050049046046048交易胜率049055050042050交易盈亏比182166110128125平均交易天数单边82790799714387480资料来源东方证券研究所Wind资讯有关分析师的申明见本报告最后部分其他重要信息披露见分析师申明之后部分或请与您的投资代表联系并请阅读本证券研究报告最后一页的免责申明20