银行债券投资策略转向 - 中小银行债券资产配置思路由通过市场交易博取资本利得，转向强调票息收入的稳健型策略[1] - 银行普遍通过缩短久期、控制仓位、聚焦短端来应对市场变化[1] - 过去依赖资本利得增厚收益的模式难以为继，核心策略转变为缩久期、稳票息、控波动[2] 市场环境与收益挑战 - 2025年十年期国债到期收益率的波动范围在30个基点左右，每一轮行情幅度更小[3] - 经过2024年利率快速下行，债券投资中的票息收入已明显降低[3] - 目前十年期国债到期收益率与政策利率之间的利差处于历史偏低水平，未来债券收益率将延续低波动状态[3] - 10年期国债利率从2023年初的2.82%附近降至2024年末的1.68%[7] 风险对冲工具缺失 - 绝大多数中小银行没有开展衍生品交易的资质，缺乏风险对冲工具[3] - 少数有资质的中小银行也因衍生品交易涉及复杂的财务记账和核心系统改造，性价比不高而使用动力不足[4] - 工具缺失使中小银行只能依赖调整现货仓位这种原始方法应对风险，在市场波动中尤为脆弱[3][4] 银行操作与市场行为 - 部分农商行在2025年一季度止盈后，利率债基本保持空仓状态，直到四季度才再次建仓[2] - 银行对超长期利率债持尤为谨慎的态度，操作上普遍呈现出减持容易、增配难的倾向[2] - 中小银行债券仓位调整时常陷入下跌时被迫抛售，上涨时无奈踏空的循环，强化了市场的顺周期性[4] 银行债市配置分层特征 - 国有大行是利率债的配置主力，其持有的国债及地方债规模远超其他类型银行总和，体现了对资产安全性与流动性的核心追求[6] - 股份行与城商行持仓结构相似，均以国债及地方债为主，但股份行对政金债的偏好更为明显[6] - 城农商行在金融债和信用债上保持了相对较高的投资比例，反映出中小银行在资产端寻求较高收益的诉求[6] 盈利压力与策略调整 - 在低利率、高波动的市场环境与内部盈利压力的双重作用下，银行普遍通过兑现浮盈来调整账户[2] - 国有大行交易属性增强，农商行则大幅收缩债市配置[2] - 净息差持续收窄、债券风险收益比下降以及利率持续震荡，加大了银行的盈利压力，促使其加速通过OCI和AC账户兑现浮盈以锁定收益[7] - 当信贷投放不及预期时，更多资金往往被驱向金融市场，但债市自身的低迷使得这些资金难以获得理想回报[6]

固收研究：中长期国债收益率预测模型 - 模型采用混合神经网络架构，结合长短期记忆神经网络、门控神经网络、卷积神经网络和注意力机制，输入变量涵盖宏观经济、货币政策及市场情绪等多维度数据[5] - 模型预测显示，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个基点[5] - 模型预测显示，相较于2025年底，2026年底的十年期国债收益率将下行约6个基点[5] 银行理财：2025年回顾与2026年展望 - 2025年全市场理财规模预估增长约3.5万亿元，总规模达到33至34万亿元，增长主要受存款“脱媒”资金外溢、估值整改“浮盈”释放以及拓展含权产品增厚收益等多重因素提振[5] 房地产市场：2025年核心城市销售数据跟踪 - 2025年核心30城新房成交面积同比下降19%，成交均价同比上涨0.7%[6] - 2025年重点城市二手房均价表现分化：北京为28,194元/平方米，同比上涨2.6%；上海为36,962元/平方米，同比下降4.4%；广州为25,832元/平方米，同比下降7.1%；深圳为56,703元/平方米，同比下降1.6%[6]

总量研究 - 引入混合神经网络模型预测中长期国债收益率，模型包含宏观经济、货币政策、市场情绪等变量，并融合了LSTM、GRU、CNN和注意力机制[2] - 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；相较于2025年底，2026年底十年期国债收益率将下行约6个BP[2] 行业研究：互联网传媒 - 核心观点：随着可灵等AI视频模型成熟应用，漫剧凭借低成本、高产能和强视觉冲击力，正接棒真人短剧成为平台内容增量的主力军[3] - 市场规模：漫剧行业在2025年已呈现强势增长，预计2026年市场规模将维持高速增长，海量IP价值得以释放[3] - 投资建议：建议关注行业产能释放，推荐阅文集团，关注中文在线、掌阅科技，维持互联网传媒行业“买入”评级[3] 行业研究：房地产 - 核心城市楼市成交高频数据（截至2026年1月11日）：20城新房累计成交1.3万套，同比下降50.4%；其中北京822套(-30%)、上海1958套(-41%)、深圳431套(-78%)[4] - 10城二手房累计成交2.4万套，同比下降26.2%；其中北京3427套(-38%)、上海7143套(-13%)、深圳1497套(-37%)[4] - 报告对房地产行业给出“增持”评级[4] 公司研究：北方华创 - 公司动态：北方华创股权转让国新获批，国有资本合作带动产业赋能[5] - 盈利预测：维持2025-2026年归母净利润预测为76.28亿元/100.30亿元，新增2027年归母净利润预测为128.12亿元[5] - 投资观点：公司为半导体设备平台型公司龙头，持续受益于国产化进程，维持“买入”评级[5] 公司研究：香农芯创 - 行业背景：AI驱动存储周期上行，存储产品价格持续上涨[6] - 公司业务：在高端存储领域历经多年耕耘，现已形成“分销+产品”一体两翼的发展格局[6] - 盈利预测：维持2025年归母净利润预测为6.05亿元，考虑到互联网客户资本开支及存储芯片涨价周期，上调2026年归母净利润预测至10.43亿元（上调48%），新增2027年预测为12.51亿元[6] - 投资观点：维持“买入”评级[6] 市场数据概览 - A股市场：上证综指收于4165.29点，涨1.09%；深证成指收于14366.91点，涨1.75%；创业板指收于3388.34点，涨1.82%[7] - 商品市场：SHFE黄金收于1026.28，涨1.97%；SHFE铜收于103800，涨2.36%；SHFE镍收于144200，涨3.67%[7] - 海外市场：恒生指数收于26608.48点，涨1.44%；道琼斯指数收于49504.07点，涨0.48%；纳斯达克指数收于23671.35点，涨0.81%[7] - 外汇市场：美元兑人民币中间价为7.0128，下跌0.1；欧元兑人民币中间价为8.1556，下跌0.26[7]

产品发布与迭代 - 新华财经近期为其债券市场情绪雷达上新了“国利货币同业存单买卖力量对比指数” [1] - 该指数聚焦于流动性强、交易活跃的货币市场工具——同业存单（NCD） [1] - 此次上新填补了短端交易品类的市场情绪监测空白 [1] 指数功能与设计 - 国利货币“买卖力量对比指数”是基于实时交易数据，追踪不同类型机构对特定债券的买入/卖出行为，计算得出的综合情绪指标 [1] - 指数数值区间为（-100, 100），绝对值越大表示买卖力量对比越强 [1] - 指数在（0, 100）区间代表“买入力量”大于“卖出力量”，在（-100, 0）区间代表“买入力量”小于“卖出力量”，0代表均衡，0*代表无有效交易 [1] - 指数以5分钟级频率更新，动态反映不同类型机构在市场中的买卖势能分布 [1] - 该指数支持十年期国债、十年期国开债、三十年期债券、地方债、银行二永债、TLAC非资本债、NCD同业存单共七大债券品种 [1] - 指数支持银行、券商、广义基金、保险和其他类型机构共5大类型机构的分类追踪 [2] 应用场景与价值 - 该指数适合于交易时段的市场趋势监测、同业的交易方向分析等业务场景 [1] - 指数曲线能直观展现某类机构在不同时段对特定债券品种的交易倾向 [2] - 通过示例显示，该指数能揭示市场机构分化，例如银行净买入（指数54）、保险净卖出（指数-31）、基金大幅减持（指数-40）等 [4] - 债券市场情绪雷达聚合了七大债券类型的买卖力量对比指数、资金市场行情和债券资金资讯等多路实时信息 [4] - 该功能帮助投资者一站式洞悉市场深度、效率变化，辅助风险管理，清晰判断“谁在买什么债、谁在卖什么债，买卖方谁占优势” [4] - 该功能主要服务于银行的金融市场部、券商等非银机构的固定收益或自营部门，助力交易员实时跟盘并捕捉交易机会 [4] - 该功能自2025年上线以来受到市场广泛关注和好评 [4] 产品获取方式 - 用户可登录新华财经专业终端，通过“债券”—“行情报价”—“市场情绪雷达”或输入快捷键“MKRD”进行浏览和操作 [6] - 用户也可通过新华财经接入指数实时行情，将其嵌入本地内部系统中结合业务场景使用 [6]

报告行业投资评级 未提及相关内容 报告的核心观点 - 2025年11月实体部门负债增速符合预期，预计12月下降，与稳定宏观杠杆率目标一致；财政政策方面，上周政府债净增加高于计划，预计12月政府负债增速继续下行；货币政策上，上周资金面边际松弛，一年期国债收益率下行，市场或已透支2026年一次降息；资产端11月物量数据低位企稳，需观察经济后续走势 [2][3][16] - 2011 - 2024年Q4中国潜在经济增速下行，之后盈利周期进入低位窄幅震荡；目前负债端收敛空间不大，海外中美均势竞争，若美国科技领域估值重估，资金或流向中国；上周资金面松弛，风险偏好上升，风格转至成长占优，股债性价比偏向股票；本周推荐上证50指数（仓位60%）、中证1000指数（仓位20%）、30年国债ETF（仓位20%） [6][7][8] - 缩表周期下股债性价比偏向权益幅度有限，价值风格占优概率高；推荐A+H红利组合13只个股和A股组合20只个股，集中在银行、电信、石油石化、交通运输等行业 [9][58] 根据相关目录分别进行总结 国家资产负债表分析 - 负债端：2025年11月实体部门负债增速8.6%，前值8.7%，预计12月降至8.3%；金融部门上周资金面边际松弛，关注1月政府债发行情况；央行明确稳定宏观杠杆率方向，等待2026年两会定量财政目标 [2][16] - 财政政策：上周政府债净增加1707亿元高于计划，下周计划净增加174亿元，11月末政府负债增速13.1%，预计12月降至12.4% [2][18] - 货币政策：上周资金成交量和价格环比上升，期限利差走扩，资金面松弛；一年期国债收益率周末收至1.29%，预计下沿1.3%，中枢1.4%，市场或透支2026年一次降息；十年国债和一年国债期限利差走扩至55个基点 [3][18] - 资产端：11月物量数据低位企稳，需观察经济能否延续企稳或上行；2025年全年实际经济增速目标5%左右，名义经济增速目标4.9%，需确认是否成未来1 - 2年中枢目标 [3][19] 股债性价比和股债风格 - 2011 - 2024年Q4中国因边际收益递减等因素潜在经济增速下行，之后盈利周期进入低位窄幅震荡；政府2016年提出稳定宏观杠杆率等三大政策目标，目前负债端收敛空间不大；海外中美均势竞争，关注人民币汇率升值通道；风险偏好或区间震荡，金融市场新增资金有限，对择时和交易要求高 [6][20] - 上周资金面松弛，风险偏好上升，风格转至成长占优；债券长端平稳、短端下行，股债性价比偏向股票；十债收益率上行1个基点至1.84%，一债收益率下行7个基点至1.29%，期限利差走扩至55个基点，30年国债收益率稳定在2.22%；宽基轮动策略跑输沪深300指数 [7][21] - 资金面宽松接近极限，关注1月政府债发行；债券长端有参与价值，权益转为中性，维持价值占优判断；本周推荐上证50指数（仓位60%）、中证1000指数（仓位20%）、30年国债ETF（仓位20%） [8][22] 行业推荐 行业表现回顾 - 本周A股放量上涨，上证指数涨1.9%，深证成指涨3.5%，创业板指涨3.9%；申万一级行业中有色金属、国防军工等涨幅大，美容护理、社会服务等跌幅大 [28] 行业拥挤度和成交量 - 截至12月26日，拥挤度前五行业为电子、电力设备等，后五为美容护理、综合等；本周拥挤度增长前五为电力设备、电子等，下降前五为通信、商贸零售等；部分行业拥挤度处于2018年以来较高或较低分位数 [31] - 本周全A日均成交量1.97万亿元较上周回升，交通运输、有色金属等成交量同比增速高，银行、煤炭等成交量跌幅大 [32] 行业估值盈利 - 本周申万一级行业PE(TTM)中有色金属、国防军工等涨幅大，社会服务、美容护理等跌幅大 [36] - 截至2025年12月26日，2024年全年盈利预测高且当下估值相对历史偏低的行业有银行、证券等 [37] 行业景气度 - 外需边际回落，11月全球制造业PMI下降，主要经济体PMI涨跌互现，CCFI指数环比上涨，港口货物吞吐量回落，韩国和越南出口增速有变化 [41] - 内需方面，最新一周二手房价格下跌，数量指标涨跌互现，高速公路货车通行量回落，产能利用率5 - 8月回升、9 - 10月回落、11 - 12月回升，汽车和新房成交情况不佳 [41] 公募市场回顾 - 12月第4周主动公募股基多数跑赢沪深300，10%、20%、30%和50%周度涨跌幅分别为6%、4.8%、3.9%、2.4%，沪深300周度上涨2% [55] - 截至12月26日，主动公募股基资产净值3.98万亿元，较2024Q4小幅上升 [55] 行业推荐 - 缩表周期下股债性价比偏向权益幅度有限，价值风格占优概率高；推荐A+H红利组合13只个股和A股组合20只个股，集中在银行、电信等行业，部分行业个股适当精简 [9][58]

2025年债券市场总体特征 - 市场被定性为典型的"非牛非熊的震荡市"，利率结束了长达四年的单边下行 [1] - 十年期国债收益率在1.6%至1.9%的狭窄区间内反复震荡 [1] - 投资者对"低利率"环境感受深刻，票息回报大幅降低，资本利得难于获取 [1] - 仅有的几波行情演绎速度很快，对投资框架和操作带来极大挑战 [1] 市场运行新变化 - 债券市场对宏观经济表现脱敏 [1] - 市场波动加大 [1] - 股债跷跷板效应显现 [1] 年度重要主题 - 主题一：敬畏趋势的同时更要相信常识 [1] - 主题二：波段交易说易行难 [1] - 主题三：震荡市中也不乏结构性机会 [1] - 主题四：债市生态正经历深刻变革 [1] - 主题五：看股做债的背后是大类资产配置方向的切换 [1]

2025年大类资产表现回顾 - 在金融周期下行、全球秩序重构与产业革命深化三重力量驱动下，2025年大类资产表现显著分化 [1] - 黄金价格在全球秩序加速重构严重削弱美元信用的推动下罕见大涨超60% [1][6] - A股因“DeepSeek时刻”及中国展现的结构性优势被系统性重估，呈现以新经济为主的结构性牛市 [1][6] - 债市因“资产荒”逻辑弱化与经济再平衡政策而步入震荡格局 [1][6] - 原油与房价则持续调整 [1][5] - 全年资产表现排序为：黄金 > A股 > 债市 > 商品 > 地产 [5] 2026年宏观配置框架与总体思路 - 基于“宏观资产配置三维金字塔”框架，2026年市场处于复杂过渡期 [2] - 战略层：国内金融周期仍处于下行阶段，全社会处于去杠杆过程，战略上应维持整体防御基调，降低权益资产基准配置权重 [2][9] - 扰动层：地缘政治风险有望从混乱转向有序对抗，但仍需对“黑天鹅”事件保持警惕，发生时需无条件降低风险暴露并超配避险资产 [2][9] - 战术层：大概率呈现“经济见底上行+金融宽松收敛”组合，大类资产表现通常呈现“商品、股票>现金>债券”的排序特征 [2][9] - 2026年大类资产配置核心思路为：战略防御为基，战术适度进取，全程管理风险 [2][10] 2026年股市配置展望 - 在经济基本面改善、资金面充裕及估值合理的背景下，A股有望迎来盈利驱动行情 [3][15] - 经济基本面支撑企业盈利改善，预计2026年PPI同比增速趋势性回升，PPI与CPI负剪刀差收窄，A股盈利有望步入回升通道 [15] - 资金面保持充裕，外资持股占A股流通市值仍偏低，在新的科技和地缘叙事下，A股可能重获全球资金青睐 [16] - 国内居民资产配置正从存款与理财转向权益市场，通过公募基金、ETF等渠道持续转化为增量资金 [16] - 政策积极引导保险、年金等中长期资金入市，加大对权益资产特别是高股息板块的配置 [16] - 截至12月11日，全部A股市盈率为43.1倍，持平2001年以来50%分位数，股债相对吸引力方面，A股股息率约为2.7%，相比十年期国债利率1.9%仍具吸引力 [17][23] - 建议聚焦五大投资方向：人工智能与半导体等科技主线；电力设备、汽车零部件、数字基建等高质量出海主线；新能源与化工等反内卷受益板块；铜、铝等有色金属板块；高股息红利资产 [3][17] 2026年债市配置展望 - 预计2026年十年期国债收益率呈“宽幅震荡、中枢温和抬升”格局，运行区间位于1.6%-2.1% [3][47] - 核心逻辑在于PPI回升与“资产荒”缓解将构成关键制约，但年初潜在的小步幅降息可能带来交易窗口 [3] - 基本面：物价逐步回正对债市形成关键制约，预计PPI同比或将在2026年年中附近转正，下半年压力更为突出 [48] - 政策面：存在一季度前后降息10BP左右的可能性，对债市略偏多，但十年期国债收益率与政策利率的利差仍处偏低位置，收益率向下动力有限 [49][62] - 供求面：“资产荒”有望边际缓解，政府债券预计同比多增5000亿元左右，公募销售新规等监管变化将引导机构超配债券格局再平衡，需求端支撑或减弱 [58] - 节奏判断：上半年震荡偏多，下半年随着PPI转正，调整压力加大 [58] 2026年大宗商品配置展望 - 结构性分化延续，投资逻辑应从把握总量波动转向聚焦结构性机会 [3][63] - 把握基本金属战略机遇，铜、铝等受益于全球财政扩张、产业升级需求及流动性宽松，具备持续“战略溢价” [3][63] - 安全战略驱动财政扩张，直接支撑基本金属需求，中、美、德、日等主要经济体2026年财政有望保持积极，资金重点投向AI算力基建、国防安全及关键产业链重构 [64][72] - 全球流动性维持宽松，美联储延续降息周期并已重启扩表，美元指数大概率温和走弱，有利于提振以美元计价的大宗商品价格 [65][70] - 品种表现延续分化，铜铝等基本金属需求受益于长期绿色转型、产业升级与安全建设共振，供应刚性带来“战略溢价”；原油等传统能源品受金融周期下行与供给充裕制约，表现相对平淡 [66] 2026年黄金配置展望 - 预计黄金将从前几年的趋势性上涨，过渡到“高位整固、波动加剧”的新阶段，建议作为战略性底仓资产，择机标配持有 [3][74] - 长期基石稳固：美元信用弱化与央行战略购金构成核心支撑，新兴市场央行黄金储备占比（约15%）与发达经济体（约30%）存在显著差距，购金潜力巨大 [74][75] - 中期动能助力：全球货币宽松与美元指数走弱提供流动性推力，但若通胀反复导致央行降息步伐慢于预期，可能引发阶段性调整 [74][76] - 短期约束与风险：价格层面存在技术性消化需求（过去三年累计涨幅约140%），且2026年适逢美国中期选举与中国“十五五”开局，政治周期可能带来经济稳定预期，削弱避险吸引力，加剧市场波动 [74][76]

金融时序预测模型发展 - 金融时间序列预测经历了从传统计量模型、传统机器学习模型到深度学习模型三个主要发展阶段[4] - 深度学习模型能较好适应金融时间序列的非平稳、非线性、高噪声和长记忆性等复杂特征，是当前主流方法之一[4] 神经网络模型在金融时序中的应用 - 神经网络是模仿人脑神经元连接结构设计的机器学习模型，也是深度学习的基础结构[4] - 循环神经网络及其变种如长短期记忆神经网络专为处理序列数据设计，具备记忆性和参数共享优势[4] - LSTM模型通过引入“门控机制”和记忆单元，有效缓解了传统RNN的梯度消失/爆炸问题，并能过滤序列噪声，增强对不规则数据的鲁棒性[4] - LSTM的优势使其能够有效处理长时期时间序列，过滤噪声，精准捕捉如债券收益率等金融数据的动态变化规律[4] 基于堆叠LSTM的国债收益率预测模型 - 报告采用三层堆叠LSTM加Dropout正则化的经典稳健架构构建十年期国债收益率预测模型[5] - 模型数据标的为2021年初至2025年12月12日的十年期国债收益率，以过去60个交易日的收益率一阶差分作为输入特征，未来一周的收益率一阶差分作为预测目标[5] - 最终构建的模型包含约13万个可调参数，于第27轮训练迭代出最优模型，针对测试集预测的平均绝对误差为1.43BP[5] - 最优模型预测2025年12月15日至19日当周十年期国债收益率整体呈下行趋势，2025年12月19日的预测值为1.8330%，相比2025年12月12日的1.8396%有小幅下降[5] 模型后续优化方向 - 模型设计优化：针对时间窗口、数据处理、网络架构和训练策略等相关设计进行调整优化[6] - 输入多维度变量：将输入变量从单一的收益率序列扩展至宏观、市场、情绪等多维度变量，使模型预测更符合经济逻辑，捕捉信息更全面[6] - 构建混合模型：将LSTM模型与传统计量模型或其他机器学习模型相结合，构建如ARIMAX-LSTM、CNN-LSTM-ATT等混合模型，以发挥不同模型优势，弥补单一LSTM模型缺陷，提升预测精度[7] - 引入滚动回测机制：采用滚动时间窗口回测机制，固定样本时间窗口并随时间推移实现模型的动态更新和持续预测，使模型能更好适应市场变化，提升其稳健性[7]

宏观与政策 - 2025年拜登加强型医保成为两党政治博弈工具，目前仅就占比11%的3个部门全年预算达成一致，剩余9个部门预算将在2026年1月30日到期 [5] - 12月11日的医保投票中双方再次否决对方提案，圣诞节假期前解决医保的希望基本破灭 [5] - 12月中央经济工作会议进一步提振市场信心，会议要求2026年坚持“双碳”引领，推动全面绿色转型，加快新型能源体系建设，扩大绿电应用 [5][8] 市场与策略 - 本周A股震荡上行，市场量能有所提振，沪深300、中证500指数时序波动率、横截面波动率均有提升，Alpha环境好转 [5] - 市场或进一步震荡上行，风格方面本周大市值风格显著、基本面因子表现相对占优，市场或逐步实现资金面驱动向基本面驱动的过渡 [5] - 中长线持续看好“红利+科技”配置主线 [5] - 报告构建了基于长短期记忆（LSTM）神经网络的中国十年期国债收益率预测模型 [6] 钢铁行业 - 12月高炉产能利用率有望低于去年同期水平 [7] - 工信部出台《钢铁行业规范条件（2025年版）》并提及“推动落后产能有序退出”，钢铁板块盈利有望修复到历史均值水平，钢铁股的PB也有望随之修复 [7] 有色金属行业 - 铂价格连续1个月上涨，氧化镨钕价格近1个月首次下跌但仍处于19个月高位 [7] - 锂价已达到9.2万元/吨附近，锂矿板块建议关注成本具有优势且资源端存在扩张的标的 [7] - 钴类多品种价格上涨，钨价维持2012年以来高位 [7] 石油化工行业 - 中国石化集团持续推进国企改革深化行动，通过“对标世界一流管理提升行动”优化治理效能，全面推行经理层任期制与契约化管理 [7] - 公司ESG表现持续提升，制定清晰的“双碳”实施路径，ESG评级位居同业前列，吸引长期资金积极配置 [7] 电新环保行业 - 中央经济工作会议强调绿电应用，持续推荐氢氨醇、储能 [8] - 中央财办官员表示2026年要加强全国碳排放权交易市场建设，培育氢能、绿色燃料等新的增长点，建设一批零碳园区、零碳工厂 [8]

报告行业投资评级 未提及 报告的核心观点 - 对金融时间序列预测模型的演进进行系统梳理，基于LSTM神经网络，构建以历史时间序列为单一输入变量的中国十年期国债收益率预测模型，初步探索深度学习模型在固收量化领域的应用[10] 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 - 金融时间序列预测经历传统计量模型、传统机器学习模型、深度学习模型三个阶段，深度学习模型能适应金融时间序列复杂特征，是主流预测方法之一[1][11][12] - 神经网络模型是深度学习的基础结构，RNN及其变种模型如LSTM是处理序列数据的网络，LSTM解决了传统RNN的长期依赖问题，能过滤噪声，增强对不规则数据的鲁棒性，适合债券收益率预测[1][12][18] 基于堆叠LSTM模型的国债收益率预测 - 堆叠LSTM是多个LSTM层连接形成的深度神经网络结构，在长序列处理、多维特征提取上更具优势，适配金融场景的复杂时序预测[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，仅使用十年期国债收益率自身历史时间序列作为单一变量，后续可输入更多相关变量提升预测效果[2][24] - 数据标的为中债十年期国债到期收益率，样本时间区间为2021年初至2025年12月12日，对收益率数据进行一阶差分和标准化处理，以过去60个交易日的收益率一阶差分作为输入特征，以未来一周的收益率一阶差分作为预测目标构建时间序列样本，按时间顺序划分为训练集、验证集、测试集[27] - 模型架构由LSTM、Dropout和Dense层组成，训练策略为迭代200轮，以降低验证集损失为优化目标，设置早停机制，以最优模型针对测试集的第一天收益率预测结果的均方误差、平均绝对误差和均方根误差作为模型评估指标[28][29] - 最终构建出包含约13万个可调参数的中等复杂度LSTM神经网络模型，第27轮训练迭代出最优模型，第77轮触发早停机制，针对测试集预测的平均绝对误差为1.43BP，本周（2025年12月15日 - 2025年12月19日）10年期国债收益率呈现下行趋势，2025年12月19日的预测值为1.8330%，相比2025年12月12日的1.8396%有小幅下降[2][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相关设计进行调整优化[3][36] - 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，使模型预测更符合经济逻辑，捕捉信息更全面[3][36] - 将LSTM模型与传统计量模型或其他机器学习模型相结合，构建混合模型，发挥不同模型优势，提升预测精度[3][36] - 引入滚动回测机制，固定样本时间窗口并随时间推移实现模型的动态更新和持续预测，提升模型稳健性[3][36]