部分投资者只关注债券利率的涨跌方向。我们的研究中考虑将利率的涨跌二值化并采用Logistic模型进行处理。同时我们选择变量分箱处理因变量，这是一种特征工程的方法，旨在增强变量的可解释性与预测能力。该方法将现实情况简化，剔除了原始利率曲线以及其他解释变量中包含的噪声信息。
　　WOE分箱最重要的步骤就是切分点的选取。而因为经济数据变幻莫测，为了降低人力分箱的庞大工作量，我们采取以决策树为基础的自动化分箱方法。同时根据IV值的大小对变量进行筛选，我们将10年期国债到期收益率作为被解释变量。解释变量则主要从生产、需求、交运、CPI、PPI、资金预期、利差图谱、市场情绪、机构行为、技术分析十个维度出发，筛选了54个宏观经济指标。
　　在使用前，分别对自变量与因变量进行差分处理，为了符合现实逻辑，对于差分后的自变量我们又进行了一阶滞后，再与因变量对应。为了保证模型的预测效果以及贴近现实条件，我们采用固定起点的滚动一步方法建立Logistic模型并进行预测。
　　结果显示，二值化利率预测的日度准确度和稳定性高于我们之前研究中的其他择时方式。同时，该方法的周度模型，能够更好的捕捉利率下行的机会。
　　风险提示：预测准确度需在大样本下才有意义，部分变量预测效果随时间波动