利率短期预测的模型构建-基于四维信息框架

内容目录一、引言 4二、基于LSTM的端到端三分类预测 5宏观因子选取与数据处理 5LSTM模型架构与训练设定 6端到端模型实证结果与局限性分析 7三、四维信息驱动构架子模型构建 利率影响因素的四个维度 子模型一：宏观数据LSTM概率预测模型 子模型二：宏观极端信号捕捉模型 子模型三：NSS时序预测模型 子模型四：技术指标综合动量模型 四、四维信息驱动框架的构建与应用 五、总结 风险提示 图表目录图表LSTM宏观模型自变量池 5图表LSTM三分类宏观模型结构 6图表LSTM三分类宏观模型主要参数细节 7图表年国债LSTM宏观模型三分类趋势预测结果 8图表年国债LSTM宏观模型三分类趋势预测结果 8图表5年二级资本债（AAA-）LSTM宏观模型三分类趋势预测结果 8图表1年同业存单（AAA）LSTM宏观模型三分类趋势预测结果 8图表年国债LSTM宏观模型三分类概率分布图 9图表年国债LSTM宏观模型三分类概率分布图 9图表5年二级资本债（AAA-）LSTM宏观模型三分类概率分布图 9图表1年同业存单（AAA）LSTM宏观模型三分类概率分布图 9图表二分类宏观模型结构 图表10年国债宏观模型二分类上行概率 图表30年国债宏观模型二分类上行概率 图表5年二级资本债（AAA-）宏观模型二分类上行概率 图表1年同业存单（AAA）宏观模型二分类上行概率 图表10年国债极端信号模型信号结果 图表30年国债极端信号模型信号结果 图表5年二级资本债（AAA-）极端信号模型信号结果 图表1年同业存单（AAA）极端信号模型信号结果 图表10年国债nss模型拟合结果 图表30年国债nss模型拟合结果 图表5年二级资本债（AAA-）nss模型拟合结果 图表1年同业存单（AAA）nss模型拟合结果 图表10年国债技术指标模型信号 图表30年国债技术指标模型信号 图表5年二级资本债（AAA-）技术指标模型信号 图表1年同业存单（AAA）技术指标模型信号 图表元模型输入特征说明 图表各模型预测正确率 图表10年国债元模型预测结果 图表30年国债元模型预测结果 图表5年二级资本债（AAA-）元模型预测结果 图表1年同业存单（AAA）元模型预测结果 一、引言利率是一切金融资产定价的基石。无论是债券投资中的久期管理与套息策略，还是权益定价中的贴现率设定，抑或是宏观政策传导效应的评估，利率的短期走向始终是市场参与者关注的焦点。对于固收投资而言，若能系统性地提升短期利率方向判断的准确率，将直接转化为久期调整、波段交易与风险对冲层面的决策优势。LSTMXGBoost变动的映射关系，为利率预测提供了新的技术路径。然而，端到端的机器学习模型在利率短期预测的实际应用中，其有效性面临着一系列根货币政策与流动性冲击、收益率曲线的期限结构信息、以及市场交易行为所反映的情绪变化等多重因素共同作用的结果。这些因素在时间尺度、数据频率和传导机制上存在本质差异，试图将所有信息“一股脑”地塞入单一模型，让算法自行完成从输入到输出的完整映射，既在样本量上不现实，也在结构上不合理。具体而言，宏观数据多为月度或季度频率，与日度预测目标之间存在频率错配，导致模型在训练中容易过度拟合历史噪能稳定收敛，样本量不足直接制约了模型的泛化能力；此外，纯数据驱动的端到端模型缺乏对利率定价机制的结构性先验约束，当市场环境发生结构性变化时，模型往往难以适应，预测表现可能出现显著衰减。量化研究的演进路径已经表明，从特征工程到表示学习的跃迁，其核心价值并不在于用单一模型取代多因子体系，而在于能否将不同来源的信息进行结构化整合。受这一思想启发，本文提出一种基于四维信息驱动的利率短期预测框架：先将利率预测问题按照信息维度进行先验性拆解，针对每个维度选择最适配的建模方法分别构建子模型，再通过元模型对各子模型的输出进行非线性融合，从而在兼顾预测精度的同时提升模型的稳健性与可解释性。二、基于LSTM的端到端三分类预测在展开四维信息驱动框架之前，我们首先建立一个端到端的深度学习模型，将宏观因子序列直接映射为利率的未来方向变化，以此检验纯数据驱动路径在利率短期预测上的实际效果。这一环节的核心目的并非提供一个可实战的预测工具，而是作为后续框架构建的对照基准——通过观察端到端模型在哪些方面表现不足，更清晰地识别利率预测问题中需要被针对性解决的结构性难点，从而为“拆解后分别建模、再集成融合”的框架设计提供实证依据。具体而言，本章以日频宏观因子作为输入特征，以三分类标签（明日利率上行/震荡/下行）作为预测目标，采用LSTM模型对宏观因子与利率变动之间的时序关系进行端到端的学习与预测。宏观因子选取与数据处理模型选取的宏观因子覆盖经济增长、通货膨胀、货币政策、资金面、信用扩张、汇率与87174个指标构成的指标池。因子进行Z-Score图表1：LSTM宏观模型自变量池LSTM模型架构与训练设定模型采用单层LSTM结构，隐藏层维度设置为64，输入大小由筛选后的因子数量动态决定。设输入序列为：X{x1,x2,,}t其中Td为第t为筛选后的因子数量LSTM层后接Dropout（ReLU3logitsSoftmax函数2所示。t图表2：LSTM三分类宏观模型结构盛证券研究所绘制预测目标为t1日即期收益率的变动方向。设当日收益率为yt，次日收益率为yt1，则变化量yt1yt，单位为BP。三分类标签定义为：0, Δ<−0.5 (下行)Label={1,−0.5≤Δ≤+0.5 (震荡)2, Δ>+0.5 (上行)即变化量大于.P（-P（5P（T（1个月）t[xt,t1日的利率变动方向。模型采用滚动训练框架，以年为单位进行滚动验证。每年年初，使用该年之前的所有可202320102022202420102023年。这种逐年扩展的滚动方式确保模型始终使用尽可能多的历史信息，同时避免未来信息泄露。在每个滚动窗口内，数据预处理与特征筛选流程如下：Z-Scorezz/该因子的标准差。标准化参数仅在训练集上拟合，并同步应用于测试集，以避免未来信息泄露。0.95保留方差最大的一个。XGBoostXGBoost个因子作为LSTM的最终输入特征。ˆ[ˆ0,ˆ1,ˆ2]y2}，则损失函数为：2ℒ=−∑𝟏𝑦=𝑖]l(ˆ𝑖)𝑖=0优化器为Adam，初始学习率103，批次大小32，最大训练轮数50轮。图表3：LSTM三分类宏观模型主要参数细节参数名称 参数值 说明序列长度（T）20每个样本包含过去20个交易日的数据LSTM隐藏层维度64单层LSTM的隐藏状态维度LSTM层数1单层LSTM结构Dropout丢弃率0.3防止过拟合全连接层1维度32LSTM输出→32维激活函数ReLU全连接层1的激活函数全连接层2维度3输出三个类别的logits输出层Softmax将logits转换为三分类概率损失函数交叉熵损失—优化器Adam—初始学习率1e-3—批次大小32—最大训练轮数50早停机制提前终止相关性过滤阈值 0.95 剔除相关性高于此值的冗因子对50XGBoost筛选数量 保留重要性最高的50个子作为LSTM输入50三分类阈值 ±0.5BP 上行+0.5BP；下行震荡介于两者之盛证券研究所端到端模型实证结果与局限性分析LSTM测上的实际效果，并在此基础上分析纯数据驱动路径的局限性，为第三章的四维信息驱动框架提供动机与依据。0305（AAA-1（AA）（上行/震荡/下行XGBoost个因子。各品种的样本起始日期因数据可得性而异：10年期国债即期收20101月，1年期同业存单即期收益率（AAA）20151（AAA-）20201202685该年之前的所有可用数据作为训练集，预测该年全年每个交易日的即期收益率方向。（Accuracy）NNcorrect，则准确率的计算方式如下：Accuracy=𝑁correct𝑁准确率衡量模型对三分类方向判断的整体正确比例。考虑到三分类问题中随机猜测的基线准确率为33.33%，准确率高于此值即表明模型具备一定的预测能力。预测结果得到，0年期国债、30年期国债、5年期二级资本债（AAA-、1单（AAA）0.4247，0.4588，0.4550，0.4732，均相较于三分类基准线有一定程度的提升，并且整体来看，资产期限越短，利率序列的可预测性越强，模型预测准确率随期限拉长而逐步回落。相较于长端利率，短端二级资本债与同业存单的预测效果更优。47黄色部分代表震荡，绿色部分代表下行。图表4：10年国债LSTM宏观模型三分类趋势预测结果 图表5：30年国债LSTM宏观模型三分类趋势预测结果图表6：5年二级资本债（AAA-）LSTM宏观模型三分类趋势预测结果 图表7：1年同业存单（AAA）LSTM宏观模型三分类趋势预测结果模型对四类资产的预测概率百分比分布图如图表8到11所示，其中红色代表预测为上行，黄色代表预测为震荡，绿色代表预测为下行。图表8：10年国债LSTM宏观模型三分类概率分布图 图表9：30年国债LSTM宏观模型三分类概率分布图图表10：5年二级资本债（AAA-）LSTM宏观模型三分类概率分布图 图表11：1年同业存单（AAA）LSTM宏观模型三分类概率分布图LSTM机基线的预测准确率，验证了宏观因子对利率方向预测的有效性。然而，通过对预测结果的深入分析，模型在以下几个方面仍存在系统性局限，具体如下：其一，概率分布区分度不足，长端品种预测信心偏低。通过模型输出的三分类概率分布3030%—40%显的概率优势。这表明模型在面对长端品种时，难以形成明确的方向性判断，预测置信度偏低。究其原因，长端利率受市场预期、风险偏好和期限溢价等多重因素影响，这些因素难以从宏观因子序列中充分提取，导致模型在样本外容易受到其他未观测因素的干扰，预测边界模糊。其二，预测类别分布不均，震荡市识别存在系统性偏差。对于5年期二级资本债即期收益率（AA-）1年期同业存单即期收益率（AA——当利率处于区间震荡状态时，宏观因子普遍处于中性区间，缺乏极端偏离信号，模型难以从中提取有效的区分信息，倾向于将震荡样本强行归入某一趋势类别。LSTM预测能力，但其在长端品种预测置信度低、震荡市识别困难等方面的系统性局限表明，利率预测问题需要更加结构化的建模思路。因此本文在第三章提出四维信息驱动框架，将即期收益率的变动拆解为四个性质各异的信息维度，分别选择最适配的方法建模，再通过上层模型进行融合，以期在提升预测精度的同时提升模型的稳健性。三、四维信息驱动构架子模型构建利率影响因素的四个维度LSTM益率方向之间的关系，但在预测置信度、震荡市识别和样本外稳定性等方面存在系统性局限。这些局限的根源在于：利率的短期变动并非由单一类型的信息所驱动，而是由多个性质各异的信息维度共同作用的结果。将所有信息“一股脑”地输入单一模型，忽略不同维度信息在数据频率、传导机制和预测逻辑上的差异，是导致端到端模型上述局限的根本原因。因此，本节对利率的影响因素进行系统性拆解，将其划分为四个维度，为后续四个子模型的构建提供理论依据。（一）稳定的宏观截面因素利率的长期中枢由宏观经济基本面决定。经济增长、通货膨胀、就业状况、财政收支等但因对利率中枢的决定性作用，构成了利率预测中不可或缺的信息来源。（二）极端情况下的宏观冲击因素与稳定的宏观趋势相对的是各类宏观冲击，这类因素的特点是发生频率低但影响剧烈，往往在单日内驱动即期收益率出现显著跳跃，是利率“大幅变化”的主要来源。这类信息无法通过统一的宏观模型加以捕捉，需要构建专门的机制对关键变量的极端变化进行信号提取。（三）时序自相关与收益率曲线形态信息即期收益率序列本身蕴含着丰富的时序规律，包括均值回归特性、趋势惯性以及不同期期限利差和曲线弯曲程度，其时序变化蕴含了对未来利率走势的预测信息。这类信息来源于利率自身的历史序列和曲线结构，不依赖于外部宏观数据。（四）市场情绪与交易行为信息市场的短期走势不仅受基本面和政策面驱动，还受到参与者交易行为的显著影响。动量效应、超买超卖、波动率聚集等现象反映了市场情绪的周期性变化，这类信息蕴含在价具有独立的预测贡献。综合以上四个维度，宏观截面数据与时序数据在数据频率、信息性质和预测逻辑上存在本质差异，四个维度之间具有较低的信息重叠度，任何一个单一模型都难以同时覆盖所有维度的有效建模。因此，本文在第三章第二节至第五节中，分别针对上述四个维度构建四个子模型，每个子模型选择最适配该维度信息特征的建模方法，以实现对利率变动各维度驱动信息的充分提取。子模型一：宏观数据LSTM概率预测模型本节构建四维信息驱动框架中的第一个子模型——LSTMLSTM期收益率的上行概率。与第二章的LSTM三分类模型不同，本子模型采用二分类设定，将上行与非上行作为预测目标，输出明日利率上行的概率值。这一设计有两方面的考量：其一，仅考虑上行和非上行的情况，降低了模型的分类难度，有助于提升模型在趋势方向判断上的稳定性；XGBoost概率输出形式更易于与其他子模型的连续信号进行集成。LSTMLSTMXxx,xT为序列长度，xd为第t1 2 T td为筛选后的因子数量（XGBoost50个因子。SMrput层（2维特征，经ReLU1维logit，最终通过Sigmoid函数转换为上行概率：ˆd()其中o为全连接层输出的lgitˆ[,]为模型预测的明日利率上行概率。图表12：二分类宏观模型结构盛证券研究所绘制ytyt1量ytytBP。二分类标签定义为：Label

1, Δ>0 (上行)={0, Δ≤0 (下行)训练采用滚动验证框架，以年为单位逐年扩展训练集。数据预处理流程与三分类宏观模（CEAdam0350轮。ˆ以计算模型在“上行/震荡/下行”三个类别上的准确率：上行, >0.6Prediction={震荡, 0.4≤≤0.6下行, <0.40.60.40.40.6之间判间的样本归为震荡，有助于提升模型在极端方向判断上的准确率。ˆ[,]XGBoost005（AA1年期同业存单（AAA）的即期收益率的变化量三分类预测正确率为0.4450，0.4648，0.4799，0.4750LSTM模型在震荡识别上较弱，因此主观划分的置信度较低区间对于震荡模式的识别相较于直接通过模型的识别有所提升。图表13到图表16展示了二分类宏观模型对四类收益率的上行概率预测信号，通过信号5（AAA-1（AA图表13：10年国债宏观模型二分类上行概率 图表14：30年国债宏观模型二分类上行概率图表15：5年二级资本债（AAA-）宏观模型二分类上行概率 图表16：1年同业存单（AAA）宏观模型二分类上行概率子模型二：宏观极端信号捕捉模型本节构建四维信息驱动框架中的第二个子模型——宏观极端信号捕捉模型。该模型对应极端变化时效果更强的宏观驱动信号。在利率的短期变动中，真正驱动即期收益率出现大幅跳跃的力量，往往并非宏观因子的日常小幅波动，而是关键宏观变量的极端偏离，这类宏观冲击的特点是发生频率低但影响剧烈，常规的线性模型或平滑时序模型难以有效捕捉。为此，本子模型构建了一套基于因子极端百分位的信号捕捉机制：在利率变化幅度最大的极端日期中，筛选出与之相关性最高的宏观因子，并实时监控这些因子当前值相对于其历史分布的极端程度，以此生成利率大幅波动的预警信号。LSTM1及其一阶差分。各因子同样经前向填充处理，统一为日频序列。本子模型的核心逻辑分为两个环节：因子筛选与信号生成。在因子筛选环节，模型以各利率品种自身的变化量为基准，识别训练集中变化幅度最大的前一定比例的极端日期，其中变化量ytytBP分位数为、下分位数为，则极端日期的定义为：Extreme={Δ>𝑄upper}∪{Δ<𝑄lower}20%20%20%的极端日期。由于极端情况下，宏观指标可能与收益率变化之间存在更加明确的线性相关性，同时极因子作为该利率品种的有效极端信号因子。在信号生成环节，模型以滚动方式计算各因子当前值在过去所有可用历史数据中的百分位排名。对于因子f在第t日的百分位排名rf,t定义为：∑𝑡−1𝟏[𝑓≤𝑓]𝑟𝑓,𝑡

=𝑖=1 𝑖𝑡𝑡−1fi为第i1[]rf,t[0,1]反映了当前因子值在历史分布中所处的位置——10表示处于历史低位。将百分位排名映射到St：𝐾𝑆𝑡=∑𝑤𝑘⋅(2𝑟𝑘,𝑡−1)𝑘=1K为筛选出的因子数量，wkkK（留正负号k/|j|。,t将百分位排名从[0,1]映射到[1,1]。

j1St行信号；介于两者之间则判断为震荡。阈值分别设定为与。St观极端冲击”维度的输入，参与第四章的XGBoost年期国债即期收益率、30年期国债即期收益率、5年期（AA-1（AA0.35210.32800.357120%0.41330.4296、0.4292、0.4062，显著高于全样本表现，表明模型在利率大幅波动的极端场景下具备有效的预警能力。这一结果符合模型的设计定位——作为四维信息驱动框架中专门捕捉宏观极端冲击的模块，其价值不在于日常方向判断，而在于为元模型提供利率大幅波动的前瞻性信号。图表17到20展示了四类即期收益率的极端信号模型的信号结果。图表17：10年国债极端信号模型信号结果 图表18：30年国债极端信号模型信号结果图表19：5年二级资本债（AAA-）极端信号模型信号结果 图表20：1年同业存单（AAA）极端信号模型信号结果子模型三：NSS时序预测模型本节构建四维信息驱动框架中的第三个子模型——NSSln-Sigl-Sn（SS模型提取曲线水平、斜率与曲度因子的时序动态，以此预测明日即期收益率的变化量。即期收益率曲线本身蕴含了丰富的市场预期信息。不同期限利率的相对位置及其随时间的变化，反映了市场对经济走势、通胀预期和货币政策路径的综合定价。NSS模型提供了将整条收益率曲线压缩为四个参数的标准框架0（1（斜率因子，反映长短端利差、23（曲度因子，刻画曲线的弯曲程度。这四个参数的时序变化——而非参数本身——SS参数，再对各参数分别建立一阶自回归模型（AR)NSS变化量预测。NSS模型将即期收益率曲线表示为四个参数0123的线性组合。对于期限的表达式为：𝑦(𝜏)=𝛽0+𝛽1⋅

1−𝜆1𝜏

1−1+⋅( 𝜆𝜏1

−𝑒−𝜆1𝜏)+𝛽3⋅(

1−𝜆2𝜏

−𝑒−𝜆2𝜏)其中与28个期限节点（1年、2年、3年、5年、7年、年、年、0年；5年期二级资本债（AAA-）0个期限节点（10年；1年期同业存单（AAA）6个期限节点（1个月、2个月、3个月、6个月、9个月、1年。每日对各期限节点的即期收益率数据进行线性回归，估计当日的0,1,2,3参数。在完成每日NSS参数估计后，模型对各参数分别建立一阶自回归模型AR(1)，以滚动窗口方式进行预测。设第t日的参数序列为{去W个交易日的数据拟合AR(1)模型：

Tk,tt1

，k0,1,2,3。对每个参数k，利用过𝛽𝑘,𝑡+1=𝑐𝑘+𝜙𝑘⋅𝛽𝑘,𝑡+𝜀𝑡其中ck为截距项，k为自回归系数，t为白噪声项。利用该模型滚动预测下一交易日的参数

k,t

，再将预测参数代入NSS方程，计算目标期限*的明日即期收益率预测值tyˆ(tˆt1t之差作为预测变化量ˆtP（>+.P（±P以内（5P模型的核心输出为每日的预测变化量ˆtPXGBoost元模NSS模型基于曲线形态时序演变对明日利率变动的方向与幅度判断。年期国债即期收益率、5年期二级资本债即期收益率（AAA-、1年期同业存单即期收益率（AA）的三分类预0.39860.42410.44800.42272124NSS时序模型对四个即期收益率品种的曲线拟合情况。四个.SS模型对各类收益率曲线形态的拟合效果良好。这一结果符合预期——NSS线形态的标准化参数化模型，四个参数的线性组合能够有效刻画曲线的水平、斜率和曲度特征。图表21：10年国债nss模型拟合结果 图表22：30年国债nss模型拟合结果图表23：5年二级资本债（AAA-）nss模型拟合结果 图表24：1年同业存单（AAA）nss模型拟合结果子模型四：技术指标综合动量模型本节构建四维信息驱动框架中的第四个也是最后一个子模型——市场的短期走势不仅受基本面和政策面驱动，还受到参与者交易行为的显著影响。动量效应、超买超卖、波动率聚集等现象反映了市场情绪的周期性变化，这类信息蕴含在价格序列自身的波动模式中。本子模型的核心逻辑在于：构建涵盖趋势、动量、波动率、超买超卖等多维度的技术指标池，通过滚动窗口筛选出与次日利率变化相关性最高的若干指标，并以其相关性强度为权重合成综合动量信号。36个维度：设第t日的即期收益率为yt，各指标的具体计算方式如下：（An𝑛−1MA(𝑛)=1∑𝑦n60

𝑡

𝑖=0

𝑡−𝑖动量类指标：动量指标（Momentum）衡量价格在给定窗口内的绝对变化量：Momentum(𝑛)=𝑦−𝑦𝑡 𝑡 𝑡−𝑛变化率（ROC）衡量价格在给定窗口内的相对变化百分比：ROC(𝑛)=𝑦𝑡−𝑦𝑡−𝑛×100n20

𝑡 𝑦𝑡−𝑛ACD（IF（EA（igram日指数移动平均之差：DIF=EMA(12)−EMA(26)𝑡 𝑡 𝑡𝑡慢线为DIF的9日指数移动平均：𝑡柱状线为两者之差：

DEA𝑡

=EMA(9)(DIF)Hist𝑡=DIF𝑡−DEA𝑡超买超卖类指标：相对强弱指标（RSI）衡量价格变动的速度和幅度：RSI(𝑛)=100− 100𝑡 1+RS𝑡其中RSt为平均上涨幅度与平均下跌幅度之比，分别取n6,14,21日。J随机指标由、、J三条线组成。首先计算未成熟随机值（RSVRSV𝑡

Δ𝑦𝑡−min(Δ𝑦𝑡−𝑛+1,…,Δ𝑦𝑡)𝑡−𝑛+1 𝑡 𝑡−𝑛+1 =max(Δ𝑦 ,…,Δ𝑦)−min(Δ𝑦 ,…,Δ𝑦𝑡−𝑛+1 𝑡 𝑡−𝑛+1

×100其中ytytyt1为日收益率变化量。K值为RSV的3日移动平均：21D值为K3J值为：

𝐾𝑡=3∑RSV𝑡−𝑖𝑖=021𝐷𝑡=3∑𝐾𝑡−𝑖𝑖=0𝐽𝑡=3𝐾𝑡−2𝐷𝑡顺势指标（CCI）衡量价格相对于其平均绝对偏差的偏离程度：𝑦−MA(𝑛)CCI(𝑛)= 𝑡 𝑡 𝑡𝑡 0.015⋅MAD(𝑛)𝑡其中MAD为平均绝对偏差，分别取n14,20日。波动率类指标：布林带位置（BollingerPosition）衡量当前价格在布林带中的相对位置：𝑦−MA(𝑛)−𝑛⋅𝜎(𝑛)Bollinger(𝑛)= 𝑡 𝑡 𝑡 𝑡 MA(𝑛)+𝑛⋅𝜎(𝑛)−MA(𝑛)+𝑛⋅𝜎(𝑛)𝑡 𝑡 𝑡 𝑡t其中(n)nn20,30日。tZ-Score衡量当前价格相对于历史均值的偏离程度：𝑦−MA(𝑛)𝜎ZScore(𝑛)=𝑡 𝑡𝜎n20,30

𝑡 (𝑛)𝑡波动率比率衡量短期波动率与长期波动率的比值：𝜎(5)𝜎VolRatio(𝑛)=𝑡𝜎n30

𝑡 (𝑛)𝑡均值回归类指标：乖离率（Bias）衡量价格相对于移动平均线的偏离百分比：𝑦−MA(𝑛)Bias(𝑛)=𝑡 𝑡×100𝑡分别取n5,10,20日。

(𝑛)𝑡25010动筛选机制确保模型能够动态适应市场环境的变化。在信号合成环节，将当日各技术指标的取值进行标准化处理，计算其相对于历史均值的偏离程度（Z-ScrZ-cre大于预设阈值（）时视为（利率上行（-（利率下行视为中性。各指标的信号贡献按其相关系数进行加权汇总，生成综合动量评分：𝐾𝑆𝑡=∑𝑤𝑘⋅sign(𝑧𝑘,𝑡)𝑘=1K为筛选出的指标数量，wkk个指标的相关系数归一化权重，zk,t为第个指标在第t日的Z-Scren)（取值为0或-。当综合评分St000时判断为震荡。St向的综合判断。该连续信号将作为四维信息驱动框架中来自“市场情绪与交易行为”维度的输入，参与第四章的XGBoost元模型融合。105年（AA-1（AA0.47920.48620.42350.4499年期国债即期收益率准确（.610（049征更为规律、技术面信号的有效性更强。图表25到28展示了技术指标模型的信号结果。图表25：10年国债技术指标模型信号 图表26：30年国债技术指标模型信号图表27：5年二级资本债（AAA-）技术指标模型信号 图表28：1年同业存单（AAA）技术指标模型信号四、四维信息驱动框架的构建与应用在完成四个子模型的构建与信号输出后，本章进入四维信息驱动框架的最后一环——多源信息融合。四个子模型分别从稳定的宏观截面因素、极端宏观冲击、收益率曲线形态与时序自相关、市场情绪与交易行为四个维度提取了利率变动的驱动信号，但各子模型的输出形式各异SM二分类模型输出上行概率（连续值，~，宏观极端信号模型输出综合信号值（连续值，-~SS时序模型输出预测变化量（连续值，单位为P（-元模型采用XGBoost作为融合算法，将四个子模型的输出信号作为输入特征，以利率的实际三分类方向作为训练标签，通过有监督学习的方式学习各子模型信号与最终利率方向之间的映射关系。选择XGBoost作为元模型主要基于两点考量：其一，XGBoost能够自动学习四个特征之间的非线性交互与高阶组合，捕捉各子模型信号在不同市场环境下的协同与冲突关系；其二，XGBoost天然支持多分类输出，可直接输出上行、震荡、下行三个类别的概率，与本文的预测目标完全对齐。元模型的输入特征为四个子模型的输出信号，具体如图表29：图表29：元模型输入特征说明特征名称来源子模型含义取值范围p_t^lstmLSTM二分类模型明日利率上行概率[0,1]s_t^extreme宏观极端信号模型综合极端信号评分[-1,1]d_t^nssNSS时序预测模型预测变化量实际BP值s_t^tech技术指标模型综合动量评分[-1,1]盛证券研究所设第t日的四个子模型信号构成特征向量：𝑋𝑡=[𝑝lstm,𝑠extreme,𝑑nss,𝑠tech]𝑡 𝑡 𝑡 𝑡元模型的训练标签为第t1ytyt1，则变化量t1t（单位：P。三分类标签定义为：0, Δ<−0.5 (下行)Label𝑡={1, −0.5≤Δ≤+0.5 (震荡)2, Δ>+0.5 (上行)元模型采用扩展窗口（Expandingow）滚动训练策略，具体设定如下：6月开始输出预测。在此之前的数据全部用于模型预热。100XGBoost100个交易日进行预测。进入下一窗00天（即包含上一窗口的数据，模型重新训练。样本，否则跳过该窗口的预测。XGBoost（元模型的最终输出为每日的三分类概率向量：𝑃ˆ

=[ˆn,ˆsc,ˆp]𝑡 𝑡 𝑡 𝑡t t ˆnˆcˆp1t t ˆ𝑡=rg(ˆ𝑡)最终，XGBoost年期国债即期收益率、年期国债即期收益率、5年期