【国泰期货】国债期货系列报告：多通道深度学习模型在国债期货因子择时上的应用-250828（14页）.pdf

1、期货研究 请务必阅读正文之后的免责条款部分 1 国债期货系列报告：多通道深度学习模型国债期货系列报告：多通道深度学习模型在国债期货因子择时上的应用在国债期货因子择时上的应用 虞堪 投资咨询从业资格号：Z0002804 宋子钰（联系人）从业资格证号：F03136034 报告导读：报告导读：本报告直面传统量化因子在当前债市震荡行情中普遍性能下降的核心痛点，创新性地提出了融合日频与分钟频数据的深度学习双通道模型(LSTM 和 GRU)。实证研究表明，该模型能有效捕捉不同时间尺度的市场信息，显著提升策略在样本外(尤其是市场下行期)的预测准确性与稳定性，为重构债市量化择时体系提供了具有强泛化能力的新思路

2、。在模型的使用上，主要使用了 RNN、LSTM、GRU 三种适用于时序预测的深度学习模型，重点阐述了 LSTM/GRU通过门控机制解决长程依赖问题的优势。在传统深度学习模型设计的基础上，突破单一频率输入的局限，设计使用了双通道模型架构。研究发现，深度学习方法在国债期货日频择时上可能会存在较大的过拟合风险，但是在加入分钟频信息后，模型的性能尤其是样本外能力得到了有效的提升。其中日频通道用于捕捉过去 20 个交易日的长期趋势和宏观基本面信息，分钟频通道用于解析前一日日内高频量价数据中的微观模式和即时信息。最终，双流信息融合，共同决策，实现了对市场“长期趋势”与“短期波动”的协同感知。通道模型在样本

3、外测试中表现显著优于单一日频模型，年化收益、夏普比率稳定，展现了卓越的泛化能力和鲁棒性。此外，模型在空头行情中仍能维持较高胜率，有效弥补了传统因子在市场下行时失效的短板，为策略提供了显著的双向预测能力。2022025 5 年年 0 08 8 月月 2 28 8 日日 二二二五二五年度年度 国泰君安期货研究所国泰君安期货研究所 期货研究 请务必阅读正文之后的免责条款部分 2 目录目录 1.深度学习模型介绍.3 1.1 循环神经网络（RNN）.3 1.2 长短期记忆网络（LSTM）.4 1.3 门控循环单元（GRU）.5 1.4 双通道模型.6 2.国债期货择时检验.7 2.1 回测设置.7 2.

4、2 日频通道模型.7 2.3 双通道模型.9 3.多因子框架中的深度学习配比.12 4.结论.12 期货研究 请务必阅读正文之后的免责条款部分 3 （正文）（正文）1.深度学习深度学习模型介绍模型介绍 多因子模型是国债期货量化择时，甚至是量化择时中最为重要的方法之一。因子的质量，参数的调节，以及交易方式的选择等方面是量化模型能够表现优秀的重要条件。由于债市与宏观和基本面的信息联系较为密切，相关程度较高，因此在传统的量化债市量化择时体系中，对于因子的可解释性要求较高。换而言之，构造相对较为简单，逻辑较为清晰的因子，在债市量化中是更为常见和常用的。然而，随着市场参与者的日渐复杂以及数据量的不断扩充

5、，加之债市整体逻辑的转变，传统的因子挖掘体系可能难以覆盖足够有价值的信息。根据我们的跟踪与测试，大量传统的基本面因子或量价因子虽然在 16 年到 22 年表现较为优秀，但是在近几年，尤其是进入 2025 年后，出现了集体失效的现象。这其中的原因既与债市从牛到熊的逻辑转变有关，也有因子本身的质量和过去的挖掘方式有关。因此，在目前的背景下，如何通过更为有效的方式，对于债市量化因子进行重构和重新挖掘，是问题的关键。随着机器学习技术和深度学习技术的发展，叠加海量数据的增广，我们可以通过数据驱动的角度，可持续的对信息进行聚合，从高频的量价数据和多角度的基本面、宏观数据中，寻找数据之间的复杂关系（线性和非

6、线性）。这样的方法既可以从量化的角度，对传统的因子挖掘体系进行补充的增强，也可以为主观决策提供模型上的信息补足。由于在国债期货的因子择时过程中，大部分任务或者大部分目标场景是对于时序上的走势进行准确的预测，因此模型需要具有对历史走势和数据进行考虑的能力。基于这类任务特点，本报告将由浅入深，从循环神经网络（RNN）出发，逐步将模型推广至门控循环单元（GRU）和长短期记忆网络（LSTM），检验此类深度学习方法对国债期货的择时任务上的效果。以上的三种方法，均能够考虑到时间序列中的长期依赖关系，因此我们推测在国债期货的量化择时中，能够取得较好的效果。1.1 循环神经网络循环神经网络（RNN）在传统的前