1、前言
　　本篇报告为光大固收团队量化学习笔记的第三篇，基于对前期研究的持续优化，我们正式发布基于神经网络算法的十年期国债收益率周度预测模型。模型基于层次聚类算法与簇内信息系数（IC）择优构建因子筛选机制，以未来5个交易日后的中债十年期国债收益率的涨跌方向为目标变量，搭建动态训练的神经网络分类模型，实现模型参数随时间滚动更新。模型对2026年1月4日起的10Y国债收益率进行逐日滚动实测，截至2026年3月27日，样本外测试集单日预测胜率达73.68%。
　　2、因子池构建和降维
　　10Y国债收益率八维因子池构建：为全面刻画十年期国债收益率的多维驱动机制，我们构建了覆盖宏观基本面、货币政策、货币与信贷、债券、股票、海外、商品及事件影响等8大类、100余个初始因子池，并进一步经差分与移动平均（5日/10日/20日）扩展至600余个备选因子，为模型预测提供丰富的数据基础。
　　层次聚类算法剔除高相关性因子：采用层次聚类（Pearson相关系数作为距离度量，全链接为连接准则）对备选因子进行聚类分簇。相比传统K-means聚类，层次聚类无需预设聚类数目，可通过树状结构灵活切割分组，实现因子有效降维。
　　滚动IC值优选长期预测能力显著因子：滚动窗口计算各备选因子与未来5个交易日10Y国债收益率变动的Rank IC序列，进而得到IC均值绝对值和ICIR绝对值。每个聚类簇中保留ICIR绝对值最大且IC均值绝对值大于0.05的低冗余、高预测能力因子用于后续神经网络建模。
　　3、神经网络模型设计
　　动态滚动窗口框架：报告模型对原始因子序列进行滚动鲁棒性标准化（窗口60日），有效抑制异常值干扰并避免信息泄露。以标准化后的因子序列为输入，以未来5个交易日国债收益率涨跌方向（下行0、上行1）为目标变量，每个交易日滚动生成训练集与验证集（固定2500个交易日窗口），并独立预留1个交易日作为测试集，实现模型持续动态迭代。
　　建模与训练策略：采用基于循环神经网络（GRU/LSTM）的分类模型架构，通过Softmax层输出10Y国债收益率涨跌方向预测以替代传统点位预测，获取更稳定、可解释的信号。训练中使用交叉熵损失函数，并针对类别不平衡引入动态损失加权策略，辅以早停机制控制过拟合风险，从而提升模型预测稳健性。
　　4、10Y国债收益率预测模型表现
　　模型对2026年1月4日起的10Y国债收益率进行逐日滚动实测，截至2026年3月27日，共计57个交易日，单日预测正确42次，预测错误15次，样本外预测准确率为73.68%，加权F1分数为73.93%，实现对10Y国债收益率变动的有效捕捉。
　　模型在样本内（训练集与验证集组成的2500个交易日样本）的历史回测准确率分布在65%-73%之间，平均准确率为68.52%；样本内加权F1分数分布在65%-73%之间，平均加权F1分数为68.46%，表现出持续稳定的预测性能。
　　5、风险提示
　　模型预测误差风险；模型过拟合风险；模型预测完全基于历史数据，存在未来失效风险。