本文作为利率量化择时系列报告的起点，通过基于100个基本面与技术面因子构建利率择时模型，有望有效地预测30年期国债收益率未来5个交易日走势，并从赔率的角度出发，初步构建了基于利率择时的量化交易模型。
　　主观与量化
　　近年来利率下行周期与波动率上升趋势共振，通过择时和波段交易作为提高收益的方式逐渐得到固收投资者的关注。传统基于“五碗面”的主观定性分析难以高效捕捉交易机会，而量化模型通常在捕捉短期趋势中更具优势，通过动态解析数据中的非线性规律，有望为久期管理、对冲策略、波段交易提供更为科学依据。
　　何为集成学习（ensemble）模型？
　　虽然大模型的火热给以GNN和Transformer为代表的深度神经网络带来了持续的关注度，但深度学习的黑匣子属性依然是其较为明显的缺点，集成方法具有以下几个显著优势：1）可解释性强：能够明确输出特征重要性、分裂路径和变量影响方向，更适用于需要逻辑可追溯的金融研究场景；2）对小样本与噪声数据更友好：深度学习通常依赖大规模样本和高维连续特征，对于债券市场而言，集成方法在有限样本、高噪声环境中依然具备良好稳定性，适配金融市场中常见的结构性跳变数据；3）调参复杂度适中：尽管部分集成模型调参空间较大，但相较于神经网络需要大量超参数组合、训练时间长、易陷入局部最优的特性而言，集成算法具有更高的工程可控性；4）适配金融因子的结构特征：金融数据常呈现非线性、分段式和缺失值较多的特征。集成模型天然支持对缺失值、类别型变量和非正态分布变量的处理，且在非线性建模上具备先天优势。
　　模型设计
　　本次我们将尝试使用基本面因子与技术面因子来预测30年期国债收益率未来5个交易日走势。这一选择出于两方面的考虑：一是实用性，低利率环境下，长周期预测不确定性高，短期波段交易更具价值；二是可行性，点位预测易受噪声干扰，方向性分类任务更适配投资决策。为了让模型更多地学习利率下行的逻辑，我们训练模型时采取了三分类的方法，选取1）周度利率变动幅度位于历史40%~60%分位数的样本作为“震荡”类，标为类别0；2）周度利率变动幅度位于20%~40%分位数的样本为“小幅下行”类，标为类别1；3）周度利率变动幅度位于历史20%分位数以内的样本为“大幅下行”类，标为类别2。最后，通过数据收集、数据处理、模型优化与模型评估，系统性地输出具备交易价值的利率择时信号。结果显示，XGB是最有效的模型，对于类别1和2，合并后的查准率（precision）为59.42%，查全率（recall）为81.46%、调和平均值（F1 score）达68.72%，表明模型能较好地识别做多信号。同时，若以TL作为交易标的，依据模型信号持有5天为例，策略样本外回测区间（2024/5/14~2025/5/14）年化收益达12.58%，夏普比1.54，最大回撤6.95%，交易胜率67.23%。
　　风险提示
　　1）模拟交易与回测局限性；2）硬件误差风险；3）历史数据失真风险