研究概述 - 本报告为光大固收团队量化学习笔记的第二篇 旨在通过构建多层混合神经网络模型来预测十年期国债收益率的中长期走势 并基于最优模型给出2026年各月的收益率预测[3] 模型构建 - 混合神经网络模型整合了多种神经网络架构 通过多层架构实现网络接力式思考 以融合不同类型网络优势并提升模型性能[4] - 模型组合中 CNN具备捕捉局部短期特征和短期波动规律的能力 GRU和LSTM擅长学习长期趋势特征 ATT机制则能调节模型注意力权重使其聚焦于重要时间节点[4] - 研究设计将单一神经网络模型与混合神经网络模型进行对比 构建多个网络模型分别训练 并评估各模型对不同时间区间十年期国债收益率的预测效果[5] - 相较于前期研究 本次研究实现了多维输入和多维输出的时间序列预测 综合了宏观 政策 市场等多层次信息[5] - 研究引入了混合神经网络模型 构建了多种不同类型的神经网络组合 并从预测方向和预测数值两个维度分别评估不同网络的预测表现[5] - 研究聚焦于十年期国债收益率中长期趋势预测 给出未来一月至全年的收益率走势 而非常见的短期日度变化预测[5] 核心结论 - 通过实验对比 单一GRU模型的综合预测表现最佳[6] - 预测时间跨度越长 最优模型针对收益率变化方向预测的准确性越高[6] - 应重点关注模型针对收益率变化方向的预测 而非具体的预测数值[6] - 基于最优模型预测 相较于2026年1月末 2月末的十年期国债收益率将下行约3个BP[6] - 基于最优模型预测 相较于2025年底 2026年底十年期国债收益率将下行约6个BP[6]