本文提出一种基于四维信息驱动的利率短期预测框架，借鉴“分而治之”的集成学习思想，将利率预测问题按照信息维度进行先验性拆解，针对传统端到端模型在利率短期预测中面临的数据频率错配、先验知识缺失与震荡市识别困难等系统性局限，构建四类子模型分别提取不同维度的利率驱动信号，并通过XGBoost元模型进行多源信息非线性融合，输出明日利率上行、震荡、下行的三分类概率。
　　端到端基准模型的构建与验证：我们首先构建端到端的LSTM三分类模型作为基准，以87个宏观因子及其一阶差分共计174个指标作为输入特征，对10年期国债、30年期国债、5年期二级资本债（AAA-）、1年期同业存单（AAA）四个即期收益率品种进行明日方向预测。四个品种的预测准确率分别为42.47%、45.88%、45.50%和47.32%，均高于随机猜测基线，验证了宏观因子对利率方向的预测能力。但模型在长端品种上预测概率集中于30%—40%区间、预测置信度偏低，在短端品种上“震荡”类别预测占比显著偏低，存在震荡市识别困难等系统性局限。
　　四维信息驱动框架的构建：本文将利率变动拆解为四个性质各异的信息维度，并分别构建四个子模型：（1）宏观数据LSTM概率预测模型以日频宏观因子序列为输入，采用二分类LSTM输出明日利率上行概率，四个品种的三分类准确率分别为44.50%、46.48%、47.99%、47.50%；（2）宏观极端信号捕捉模型在利率变化幅度最大的前20%极端日期中筛选相关性最高的宏观因子，通过滚动百分位加权合成极端信号评分，四个品种的全样本准确率分别为35.21%、32.80%、35.71%、34.86%，在极端日期上准确率分别提升至41.33%、42.96%、42.92%、40.62%；（3）NSS时序预测模型通过Nelson-Siegel-Svensson模型提取收益率曲线的水平、斜率与曲度因子，对各因子建立AR(1)模型滚动预测明日利率变化量，四个品种准确率分别为39.86%、42.41%、44.80%、42.27%；（4）技术指标综合动量模型计算涵盖趋势、动量、超买超卖、波动率等五大类36个技术指标，通过滚动窗口筛选有效指标并加权合成综合动量评分，四个品种准确率分别为47.92%、48.62%、42.35%、44.99%，同样表现出显著的预测能力。
　　多源信息融合与元模型预测：我们将四个子模型的输出信号作为输入特征，采用XGBoost多分类器进行非线性融合，以扩展窗口每100个交易日全量重训练，输出明日利率上行、震荡、下行的三分类概率。元模型在四个品种上的准确率分别提升至52.95%、52.26%、54.37%和51.43%，均优于任一单一子模型，验证了多源信息融合框架在提升预测精度与稳健性方面的有效性，并在最后展示了不同资产的元模型预测结果。考虑到这是三分法预测的准确度，从实际操作情况来看，能够提供较为准确的短期预测指导。
　　从当前市场来看，模型给出的预测显示市场可能短期处于震荡状态。模型给出最新的9月14日下一交易日预测为10年国债、5年AAA-二级资本债以及1年AAA存单分别是76.8%、68.4%以及76.7%概率处于震荡，而30年国债则以60.9%概率偏空。显示整体债市处于震荡状态，而超长债相对偏弱。
　　风险提示：以上结论均基于历史数据和模型的测算，如果市场环境和结构发生剧烈改变，不排除模型失效的可能性；模型测算可能存在相对误差，不构成实际投资建议。