报告行业投资评级 未提及 报告的核心观点 - 提出融合日频与分钟频数据的深度学习双通道模型，能提升策略在样本外尤其是市场下行期的预测准确性与稳定性，为重构债市量化择时体系提供新思路 [2] - 双通道模型在样本外测试表现优于单一日频模型，空头行情中胜率高，有双向预测能力 [3] - 在多因子择时框架中，应约束深度学习因子权重，结合逻辑型因子决策，实现可解释性与绩效提升统一 [43][44] 根据相关目录分别进行总结 深度学习模型介绍 - 传统量化债市择时体系中因子挖掘体系难以覆盖有价值信息，深度学习技术可从数据中寻找复杂关系，补充增强传统因子挖掘体系 [7][8] - RNN能处理时间序列数据，但处理长序列时会出现梯度消失问题 [9] - LSTM通过细胞状态和三个门控单元解决梯度消失问题，能有效传递长序列信息 [15] - GRU是对LSTM的参数化近似，减少可学习参数数量，在多数序列建模任务中不牺牲性能 [19] - 设计双通道模型，处理日频和分钟频数据，融合二者输出，反映市场长期趋势和短期波动 [22][23] 国债期货择时检验 回测设置 - 目标变量为10年期国债期货open to open的收益率，回测时间区间为2016年1月 - 2025年8月，日频调仓，保证金100%，1倍杠杆，手续费双边万1 [25][26][27] 日频通道模型 - 输入80个日频特征，RNN回看周期10日，LSTM和GRU回看周期20日 [28] - 单一日频通道模型样本内表现理想，样本外表现差，有过拟合情况 [33] 双通道模型 - 融合多频率时序信息，用GRU和LSTM结构设计，样本外稳定性强，能提升模型泛化能力 [34][41] - 双通道模型空头胜率在样本内外均较高，加入低权重因子可增强多因子择时框架在市场下行中的准确度 [42] 多因子框架中的深度学习配比 - 采用约束性配置策略，控制深度学习因子权重，结合逻辑型因子，实现可解释性与绩效提升统一 [43][44] 结论 - 提出的双通道深度学习框架能提高多因子策略性能，但市场底层逻辑转变或极端市场环境下有风险，建议结合逻辑型因子决策 [45][46]