宏观AI量化：模型统一框架与利率择时模型实测进展

内容目录从预测数值到预测类别的转变 3择时模型：市场状态的二分类器 3何为市场状态 3模型训练和过程中的关键环节 4利率择时中期模型实测结果 5利率择时短期模型实测结果 7基于利率择时模型实测信号的国债期货合约策略表现 8择时模型框架同样适用于权益品种 轮动模型：市场状态多分类架构 风险提示 市场环境变动风险 12模型稳定性风险 12数据质量风险 12图表目录图1：十年期国债YTM趋势标签示例（中期趋势） 4图2：十年期国债YTM趋势标签示例（短期趋势） 4图3：利率择时中期模型按日实测图（1） 5图4：利率择时中期模型按日实测图（2） 5图5：利率择时中期模型按日实测图（全部实测数据） 5图6：利率择时中期模型YTM变动累积预测收益曲线 6图7：利率择时短期模型按日实测图（全部实测数据） 7图8：利率择时短期模型YTM变动累积预测收益曲线（全部实测数据） 8图9：利率择时短期模型实测信号TL策略净值-限制开仓1手 9图10：利率择时中期模型实测信号TL策略净值-限制开仓1手 9图11：中证500指数择时模型按日实测图 10图12：行业轮动模型测试集模拟净值 11表1：利率中期模型测试区间预测观点汇总 6表2：利率短期模型实测区间预测观点汇总 8表3：行业轮动模型按日预测的行业主线排名 12传统量化模型常通过收益率预测或业绩评分等方式，获取预测量化数值，并对这些数值进行比较或排序，以此来建模择时或轮动。然而，预测绝对数值对输入因子的噪声要求更加苛刻，模型训练往往更加困难；另一方面，所预测的绝对数值最后也要转换为离散的类别判断，才能最终形成预测结果，指导投资实践。如果直接通过深度神经网络技术，将择时或者轮动建模为分类模型，那么理论上模型可能更加稳定，并能够获得以下优势：降低噪声干扰：避开精确数值的预测，加大冗余空间，专注趋势方向或类别；直接面向投资决策：实际投资决策本质上也是离散的多空选择或行业切换；F1模型鲁棒性更强：对因子的数据质量容忍度更高，对异常值、共线性不敏感。何为市场状态理想状态市场状态应是一个包含市场所有信息的完备集合，它不仅涵盖当前价格、成交量等显性数据，还应包括投资者情绪、宏观经济预期、政策动向、国际资本流动，甚至尚未公开的内部信息等等。若能获取此理想状态，配合适当的模型结构，中短期内的市场演化将可以很大程度上确定。）现实约束实践中，数据层面上我们面临三重约束：数据可获得性，如：数据获取成本高昂、内部数据无法获得等；噪声与伪信息，如：市场情绪、小作文难以精确量化等。因此，建模上退而求其次，采集可获取的数据，组成因子向量作为市场状态的近似表达。）因子向量我们将t时刻的近似市场状态𝑆𝑡定义为高维状态空间中的一个点，即：其中每个因子𝑓𝑖(𝑡)理想情况下应尽量满足：预测性：与预测目标存在非偶然相关性；平稳性：统计特性在时序上相对稳定；正交性：尽可能降低因子间共线性，非正交的因子将带入冗余信息；可解释性：在必要时能追溯因子对预测目标预测能力的经济学解释。模型训练和过程中的关键环节分类模型本质就是一种映射关系分类模型就是将市场状态映射到分类概率的一种映射关系。分类模型可采用监督学习的方式进行训练，即：在训练集中，使用大量已知的市场状态和已标注的分类标签，让模型通过最小化损失函数的方式，自动学习出模型映射关系。）趋势标签标注算法择时任务中，标签为曲线当前所处的趋势状态，在我们的模型中被分为了两类：上行趋势和下行趋势，标签分别对应1和0。图1：年期国债YTM趋势签示例中期势） 图2：十年期债YTM趋势签示（短期势） 上图中，上行趋势对应的曲线标注为绿色，下行趋势则标注为红色。按照不同的趋势敏感度设置，可以标注出短期趋势、中期趋势。我们借鉴了传统K线技术分析对趋势的理解，实现了趋势标签标注算法，可以自动实现趋势标签的标注。）择时类别的划分深度神经网络分类模型并不限制所分类别的数量，完全可以设置震荡、偏多、偏空等更多的择时类别。但我们的择时模型只分两类，有如下考量：低模型的复杂度。更多的类别将相应增加模型结构复杂度，引入更多的参数，在有限的数据量约束下，这会造成模型训练更加困难；分类择时观点更容易形成连续的择时区间。连续的看多或看空观点能够对资产配置决策提供更有价值的参考信息。数据集的划分合理划分数据集是确保模型性能评估准确、避免过拟合的关键步骤。训练集：用于模型参数的学习和优化；验证集：用于模型选择、超参数调优和早停策略；测试集：最终评估模型泛化能力，仅在最后使用一次。）平衡类别权重在实际数据训练中，训练集选取的时间段对应的趋势标签，很可能会出现下行趋势（或上行趋势）数量远多于另一类别的情形。在具体训练过程中，需要采用平衡类别权重的技术手段，迫使模型关注少数类。正则化正则化的基本思想是在损失函数基础上，增加正则化惩罚项。从而使得模型在训练过程，自动选择和优化因子组合，缓解因子共线性问题，排除冗余信息，同时也能够防止模型过拟合。利率择时中期模型实测结果图3：率择中期模按日测图图4：率择时期模按日测图（2） 上左图中，绿色柱状图代表了模型在当日输出的曲线上行概率。可以发现，十年期国债YTM202579791125YTM11月25日之后启动了一波较大幅度的调整。图5：利率择时中期模型按日实测图（全部实测数据）2025610日实测以来，按日预测输出情况。中期202531112债YTM上行调整区间。表1：利率中期模型测试区间预测观点汇总序号区间开始区间结束择时观点预测收益(bp)是否正确12023-06-262023-07-06看多2.85正确22023-07-142023-07-19走弱-2.11错误32023-07-242023-08-17看多2.56正确42023-08-172023-10-12走弱12.33正确52023-10-132023-10-17走弱1.80正确62023-10-182023-11-07看多4.20正确72023-11-072023-11-21走弱0.52正确82023-11-212024-03-07看多39.08正确92024-03-072024-03-11走弱2.74正确102024-03-112024-04-02看多1.23正确112024-04-022024-04-30走弱1.01正确122024-04-302024-06-11看多2.37正确132024-06-112024-06-12走弱-0.31错误142024-06-132024-06-19看多2.49正确152024-06-192024-06-26走弱-2.04错误162024-06-262024-06-27看多1.44正确172024-06-272024-06-28走弱-0.23错误182024-07-022024-07-03走弱0.57正确192024-07-032024-08-01看多11.29正确202024-08-012024-08-09走弱6.89正确212024-08-092024-09-03看多5.54正确222024-09-042024-10-09走弱4.24正确232024-10-092025-01-23看多51.15正确242025-01-232025-03-26走弱12.98正确252025-03-262025-04-24看多13.03正确262025-04-242025-05-26走弱5.61正确272025-05-262025-06-19看多7.76正确282025-06-202025-07-09看多-0.50错误292025-07-092025-10-10走弱20.14正确302025-10-102025-11-25看多1.59正确312025-11-252025-12-17走弱0.39正确322025-12-172025-12-29看多-2.44错误332025-12-292026-01-09走弱1.98正确合计210.15注1：预测收益是指YTM在预测区间开始日至结束日在预测方向上的变动值注2：2025年6月10日之后为按日实测数据，之前为回测数据3327612%。18.7921.81个交易日，平均预测收益07bp；错误区间平均长度5.17个交易日，平均预测收益-127bp。图6：利率择时中期模型YTM变动累积预测收益曲线10YTM210.15bp13.66bp。中期模型自2025年6月10日开始实测以来229bp779bp。实测与回测表现基本相符。利率择时短期模型实测结果202579图7：利率择时短期模型按日实测图（全部实测数据）为什么利率短期模型择时标的要选择YTM30，而不与中期模型保持一致？我们认为国债到期收益率由利率中枢（经济基本面决定，相对稳定）和市场波动（预期、情绪和机构行为等共同决定，10也是一样的，只是对市场波动的放大程度不同；基于此，短期模型要对利率短期波动提供3030利率短期模型自2025年7月9日开始按日实测以来（统计至2026年1月9日，共形成了25个择时区间，其中正确区间17个，错误区间8个，区间预测胜率6800%。表2：利率短期模型实测区间预测观点汇总序号区间开始区间结束择时观点预测收益(bp)是否正确12025-07-092025-07-14走弱2.55正确22025-07-142025-07-16看多1.60正确32025-07-162025-07-17走弱1.69正确42025-07-172025-07-21看多-2.85错误52025-07-212025-07-24走弱6.75正确62025-07-242025-07-28看多2.65正确72025-07-292025-08-01看多4.90正确82025-08-012025-08-07走弱0.20正确92025-08-082025-08-20走弱14.50正确102025-08-202025-08-21看多3.00正确112025-08-212025-10-10走弱20.79正确122025-10-102025-10-16看多4.15正确132025-10-162025-10-17走弱-4.12错误142025-10-172025-10-211.31正确152025-10-212025-10-22走弱-0.50错误162025-10-222025-11-20看多2.90正确172025-11-202025-11-28走弱3.20正确182025-11-282025-12-02看多-2.00错误192025-12-022025-12-05走弱5.20正确202025-12-092025-12-15看多-2.65错误212025-12-152025-12-17走弱-3.70错误222025-12-172025-12-18看多-0.90错误232025-12-192025-12-25看多0.00错误242025-12-252026-01-08走弱9.38正确252026-01-082026-01-09看多1.66正确合计69.71注：预测收益是指YTM在预测区间开始日至结束日在预测方向上的变动值4.806.0650bp；错误区间平均长度213个交易日，平均预测收益-209bp。30YTM69.71bp11.60bp。图8：利率择时短期模型YTM变动累积预测收益曲线（全部实测数据）基于利率择时模型实测信号的国债期货合约策略表现我们基于利率择时模型的实测信号在30年国债期货（TL）建立了以下简单交易策略。初始本金：5万元交易策略：如果模型预测概率>50%，那么在下一个交易日以VWAP1如果模型预测概率≤50%，那么在下一个交易日以VWAP1>50%或者≤50%，则下一个交易日继续持仓；1335%移仓换月规则：每个季月前一个月的20日（如遇非交易日顺延，以当日的VAP价格20251120约为TL2512，移仓后的合约为TL2603。图9：利率择时短期模型实测信号TL策略净值-限制开仓1手图10：利率择时中期模型实测信号TL策略净值-限制开仓1手上图中保证金占用率不断降低，是因为我们账户盈利不断增长，但最大持仓量被限制在1手所致。以上简单策略仅为验证择时模型的方向预测性能，实盘策略还应结合风控模型或规则，设置仓位、止损逻辑等。在基于利率择时信号的TL简单交易策略中，利率短期与中期模型的实战表现呈现出鲜明的差异化特征：短期利率择时模型：在实测区间（202579202619实现2124%的收益率，最大回撤控制在1692%，换手率相对较高，反映出模型202512月中旬之前，短期模型收益和回撤表现要明显优于中期模型。中期利率择时模型：在实测区间（2025年6月10日至2026年1月9日）内，策略取得182.87%的收益率，最大回撤控制在18.66%，且换手率显著更低，体现出模型对中期趋势的聚焦性，以少而准的交易决策把握大级别行情，展现出更强的环境韧性和趋势定力，但也因坚守趋势逻辑，需要承受短期市场波动带来的回撤压力。图11：中证500指数择时模型按日实测图202561050062450062020251217在轮动模型架构下，可以实现行业轮动、风格轮动，以及大类资产配置等一系列截面模型。行业轮动模型择时的收益来源于bet（预判市场方向（选股的收益来源于alph（超额收益。两类模型的观点可以结合起来使用。（除去综合类30个行业类别。模型直接输出每个行业类别是主线的概率，当前概率最大的行业就是模型预测出的主线行业。按照模型训练逻辑，行业轮动模型会优先保障概率排名第一的行业是当前主线行业。在按日实测中，我们发现行业排名较少出现跳跃上升的情况，新的主线行业排名往往会逐步上升。因此紧跟主线行业