本报告直面传统量化因子在当前债市震荡行情中普遍性能下降的核心痛点，创新性地提出了融合日频与分钟频数据的深度学习双通道模型(LSTM和GRU)。实证研究表明，该模型能有效捕捉不同时间尺度的市场信息，显著提升策略在样本外(尤其是市场下行期)的预测准确性与稳定性，为重构债市量化择时体系提供了具有强泛化能力的新思路。
　　在模型的使用上，主要使用了RNN、LSTM、GRU三种适用于时序预测的深度学习模型，重点阐述了LSTM/GRU通过门控机制解决长程依赖问题的优势。在传统深度学习模型设计的基础上，突破单一频率输入的局限，设计使用了双通道模型架构。研究发现，深度学习方法在国债期货日频择时上可能会存在较大的过拟合风险，但是在加入分钟频信息后，模型的性能尤其是样本外能力得到了有效的提升。其中日频通道用于捕捉过去20个交易日的长期趋势和宏观基本面信息，分钟频通道用于解析前一日日内高频量价数据中的微观模式和即时信息。最终，双流信息融合，共同决策，实现了对市场“长期趋势”与“短期波动”的协同感知。
　　通道模型在样本外测试中表现显著优于单一日频模型，年化收益、夏普比率稳定，展现了卓越的泛化能力和鲁棒性。此外，模型在空头行情中仍能维持较高胜率，有效弥补了传统因子在市场下行时失效的短板，为策略提供了显著的双向预测能力。