报告行业投资评级 未提及 报告的核心观点 报告系统梳理金融时间序列预测模型的演进，基于LSTM神经网络构建中国十年期国债收益率预测模型，初步探索其在固收量化领域的应用，模型预测本周十年期国债收益率呈下行趋势，后续可从多方面优化模型 [10][2][3] 根据相关目录分别进行总结 金融时序预测和神经网络模型 - 金融时间序列预测模型经历传统计量模型、传统机器学习模型、深度学习模型三个发展阶段，深度学习模型能适应金融时间序列复杂特征，RNN及其变种是主流方法之一 [11][12] - 神经网络模型模仿人脑神经元连接结构，是深度学习基础结构，LSTM为解决传统RNN长期依赖问题而设计，在债券收益率预测上有优势 [13][18][22] 基于堆叠LSTM模型的国债收益率预测 - 堆叠LSTM将多个LSTM层连接，在长序列处理和多维特征提取上更具优势，适配金融场景复杂时序预测 [23] - 采用三层堆叠LSTM+Dropout正则化架构构建十年期国债收益率预测模型，仅用收益率历史序列作单一变量，可输入更多变量提升效果 [24] - 数据标的为中债十年期国债到期收益率，对数据进行一阶差分和标准化处理，以过去60个交易日差分作输入特征，未来一周差分作预测目标构建样本，按时间顺序划分训练集、验证集、测试集 [27] - 模型架构由LSTM、Dropout和Dense层组成，迭代200轮，设早停机制优化，以MSE、MAE、RMSE评估模型 [28][29] - 构建含约13万个可调参数的模型，第27轮迭代出最优模型，第77轮触发早停机制，测试集平均绝对误差1.43BP，本周十年期国债收益率呈下行趋势 [30] 后续优化方向 - 对现有模型的时间窗口、数据处理、网络架构和训练策略等设计进行调整优化 [3] - 将输入变量从单一收益率序列扩展至宏观、市场、情绪等多维度变量 [3] - 将LSTM模型与传统计量模型或其他机器学习模型结合构建混合模型 [3] - 采用滚动时间窗口回测机制，实现模型动态更新和持续预测 [3]