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]

纪要涉及的行业或公司 行业：国债市场 公司：中信建投 纪要提到的核心观点和论据 - **十年期国债收益率预测模型**：将十年期国债收益率分解为趋势和周期两部分，趋势部分用数学表达式拟合，拟合优度达 0.98 以上，周期部分通过 CPI 数据锚定，为市场提供中性判断基准[2]。 - **趋势分析**：2020 年以来，十年期国债收益率趋势向下，模型预测 2025 年 6 月收益率约为 1.91%，12 月约为 1.61%，年初市场抢跑消耗部分下行空间，1.6%或成坚固技术支撑[2]。 - **周期波动与宏观经济变量**：2013 年前，CPI 同比增速与债券市场周期正相关；2013 - 2019 年底，PMI 数据高度正相关；2020 年后，CPI 数据与债券市场周期负相关，反映经济驱动因素和货币政策对债券市场的影响[2]。 - **期限利差分析**：通过期限利差平稳性，参照十年期国债收益率计算其他期限国债收益率点位，模型预测 2025 年 12 月，一年期国债收益率约为 0.99%，三年期约为 1.26%，五年期约为 1.42%，七年期约为 1.59%[2]。 - **市场情绪与超预期因素**：模型预测为中性锚值，实际市场值围绕该锚波动，降息预期下压收益率，加息预期上浮，突破 1.6%支撑需超预期因素刺激[2]。 - **模型回测与风险管理**：回测结果显示模型拟合偏离度控制在 10%以内，验证可靠性，偏离度可识别市场过度乐观情况，辅助投资者调整投资策略[3]。 其他重要但是可能被忽略的内容 - **研究投入原因**：2024 年十年期国债收益率大幅下行后徘徊在 1.6%左右，市场多空交织，一些原本钝化的影响因素重新变得重要，团队从基本面视角切入，用计量模型分析因素，推导 2025 年各期限债券市场走势和节奏[4]。 - **模型处理新情况方式**：模型辅助判断，结合市场判断和新情况综合评估，无超预期事件时参考价值高，有超预期事件需灵活调整重新评估[7]。 - **年初市场表现影响**：年初市场抢跑严重，未来预期悲观，年内中性可靠空间被提前消耗，1.6 的技术支撑点较坚固，市场从年初非常乐观调整至比较乐观，实际收益被提前消耗，年底从 1.7 到 1.6 有基本面支撑下行空间，中短期受资金面影响波动，二三季度可能达 1.8 或更高再转入下行周期[11]。 - **模型用于投资决策方法**：模型提供可靠基准值，回测验证拟合偏离度控制在 10%以内，帮助投资者判断市场情绪和超涨情况，中短期走势结合流动性视角综合判断，提高投资决策科学性，识别和应对潜在风险[14]。