★主要内容
　　本文我们探讨目标收益波动率下的深度学习模型应用，探讨多品种量化策略配置框架，基于不同模型进行的仓位预测，得到最优配置。
　　模型构建方面，我们选择直接预测仓位，解释变量基于相关量价、基差、宏观和利率期限结构特征。采用深度学习模型（自编码器，长短期记忆网络，门循环单元，卷积神经网络）结合的方式，探讨建模流程。
　　报告比较了特征分类PCA降维以及单特征回归挑选显著特征进行SAE降维之后，再将降维后的新特征放入深度学习模型进行训练两种降维方法：对于十年期国债期货（T）来说，PCA降维总体效果优于SAE；对于五年期国债期货（TF）来说，对夏普损失优化模型SAE降维总体效果优于PCA，对均方误差损失优化模型PCA降维总体效果优于SAE；对于国债期货价差（2TF-T）来说，PCA降维总体效果优于SAE。
　　混合模型策略方面，报告推荐采用多模型混合策略：资金分配70%于T的SAE+LSTM_GRU均方误差损失优化模型（T交易最活跃），资金分配15%于TF的PCA+GRU均方误差损失优化模型，以及资金分配15%于2TF-T的LSTM均方误差损失优化模型。我们将2015-9-9至2022-10-20的混合策略表现作为其初始集，将未参与策略挑选的2022-10-20至2023-3-8的混合策略表现作为跟踪集，并将混合品种投资（1/3 T+1/3 TF+1/3 (2TF-T)）作为比较的业绩基准。我们可以看见混合策略在2倍，2.5倍以及3倍杠杆下，初始集上的夏普比率均为1.28，优于业绩基准的0.63；在跟踪集上的夏普比率分别为1.31，1.33，1.34，优于业绩基准的0.32，混合策略整体净值曲线也较为平滑。
　　★风险提示
　　量化模型有效性基于历史数据得出，不排除失效的可能。