报告行业投资评级 未提及 报告的核心观点 报告围绕 10 年期国债收益率预测展开，指出其预测面临数据端、模型端和市场端挑战，XGBoost 因适配债市特性成为优选模型，介绍了模型搭建逻辑，分析模型胜率并说明对投资策略的指导意义，为国债收益率预测提供完整思路与方法 [3][18] 根据相关目录分别进行总结 解构国债收益率预测全流程 - 数据端：影响因素涵盖多维度，指标数量有限且呈“低信噪比”特征，数据量受限且质量受政策、情绪等影响，易使模型捕捉虚假规律 [6][27] - 模型端：从机器学习到深度学习形成互补技术矩阵，传统机器学习简洁实用，深度学习能处理复杂关系，但各有局限，如传统机器学习难破非线性困局，深度学习存在“黑箱”特性和数据量要求高的问题 [33][50] - 市场端：存在“金融市场测不准原理”，模型无法同时精确捕捉市场即时状态与未来趋势，观测与干预会干扰另一维度准确性，源于市场参与者、信息与资本的动态平衡 [54][55] - 数据、模型、市场三端：形成耦合共振，模型技术逻辑与市场动态博弈存在张力，导致预测精度提升伴随不确定性增长，“精确预测”难以实现 [56] 为何选择 XGBoost 模型来预测 10Y 国债收益率 - 现有模型生态与国债预测的核心挑战：当前预测模型分四大类，各有优劣，十年期国债收益率预测面临非线性特征和低波动特性挑战，预测涨跌方向更具实操价值 [64][65] - XGBoost 的模型基础：由梯度提升决策树发展而来，是集成学习模型，通过组合弱学习器形成强学习器，回归树节点为连续型数据，更贴合收益率预测特性 [70][71] - 与深度学习模型的对比：数据需求低，特征工程贴合业务，训练效率与硬件成本低，可解释性强，适配国债市场历史数据有限的特性 [75] - 场景适配：分类模型特性契合“方向优先于幅度”逻辑，能处理核心指标，正则化与并行化设计确保稳健性与时效性，成为优选工具 [77] 十年期国债收益率变动预测模型搭建逻辑 - 数据处理：选用 2010 年至今样本数据，按“滚动窗口”原则划分数据集，选取 200 余个指标，采用分位数截断、填充缺失值、Z - score 标准化、独热编码等预处理方法 [83][93] - 样本加权：采用“一类一模型”策略，分而治之提升特定类别预测精度，选择性集成避免弱模型干扰，解决类别不平衡问题 [97][99] - 参数调优：通过分层调优平衡模型复杂性与泛化能力，采用“粗调 + 精调”两步法确定参数，保留 200 个特征 [100][103] - 经验兜底：当模型预测震荡样本数不足 50%时，将震荡专长模型预测震荡概率前 50%的样本结果改为震荡，降低极端风险 [104] 模型胜率分析及对投资策略的指导意义 - 预测结果可对投资策略进行指导：预测走“牛”时拉长久期、增持长期资产；预测走“熊”时缩短久期、降低利率敞口；预测震荡时维持组合稳定 [110][113] - 模型结果准确率解释：各项指标印证模型适配性，总体准确率 92.0%，科恩卡帕系数 78.35%，在不同类别和指标上表现良好，体现与国债市场特性深度契合 [115][117]