报告行业投资评级 未提及 报告的核心观点 - 基于量价因子的国债期货择时模型易受有效性不稳定、多重共线性、高波动等因素影响，“分场景作战”方式构建的择时模型在2025年表现一般 [4] - 重新构建基于分组算法的量价因子择时模型，围绕有效性不稳定、信号波动大、单一信号可靠性不足三大问题展开优化，打造“优质因子 + 稳定输出”双支撑体系，适配复杂多变市场环境 [4][7] - 因子筛选采用分组IC与阈值双重标准，破解有效性不稳定难题；模型训练与信号生成通过随机分组 + 投票聚合模型，实现噪声过滤与信号稳健性平衡 [4] - 回测显示模型相较基准有明显提升，1日信号样本内外表现突出，5日信号适应性有所下降 [4] 目录总结 因子筛选：双重标准确定稳定性与有效性 - 量价因子存在高噪声干扰、多重共线性隐患、有效性易衰减问题，因子筛选环节重点解决有效性不稳定问题，采用分组IC与阈值双重标准筛选因子，后续模型构建处理多重共线性问题 [10] - 围绕国债期货量价特征构建87个因子，覆盖日内结构、趋势方向、波动特征、量价联动等择时核心维度 [11] - 采用年度滚动回测框架，每年以过去3年为数据窗口，将因子值排序分组，设定双重条件筛选年度适用因子，动态滚动分组IC筛选机制可识别稳定因子，适配市场变化 [13][14] - 2019年以来筛选结果显示各因子被选出次数呈多梯度分布，体现不同因子预测能力稳定性差异 [14] 模型搭建与信号生成：基于随机分组和交叉验证的分组投票 - 模型以双向多层GRU + 注意力机制深度学习架构为核心，聚焦T + 1日和T + 5日涨跌短期择时需求，双向GRU捕捉多向时序依赖，多层堆叠强化特征提取能力，注意力机制聚焦关键信息，训练采用“滚动窗口”模式 [16] - 采取“随机分组 + 独立训练”因子处理策略，每年筛选有效因子后随机分组，每组单独训练GRU子模型，生成差异化预测结果 [20] - 最终择时信号通过滚动平滑 + 多组投票步骤生成，滚动平滑适配周期属性过滤噪声，T + 1、T + 5分组预测概率分别采用5日、3日滚动窗口平均平滑；多组投票在滚动平滑基础上确认单周期信号方向，过滤预测误差 [21][22] 策略回测设计与参数选择：兼顾稳健性与适配性 - 交易模式为多空全仓，剥离交易成本、滑点等因素，以10年期国债期货主力合约收盘价为基准计算涨跌与收益 [25] - 聚焦训练窗口、分组数量、每组因子数量三大维度参数，基于不同参数组合在2019 - 2025年9月进行模型训练与回测，根据回测结果筛选最佳参数，摒弃“单一收益最大化”标准，强调整体捕获收益能力与多数年份相对基准的稳定优势 [26] - 确定三类信号最优参数组合：1日信号采用300日训练窗口、15组分组与每组15个因子；5日信号选择250日训练窗口、5组分组与每组10个因子；综合信号以250日训练窗口、15组分组与每组20个因子为最优配置 [27][28] - 样本内模型在收益与风险维度有明显改善，1日信号年化收益均值3.61%、夏普比率均值1.12，全面领先基准；样本外1日信号优势显著，2025年国庆假期至今累计收益0.99%、夏普比率5.98，5日信号表现相对弱势 [30][34]