聚焦量化学习笔记之二:引入混合神经网络的中长期国债收益率预测。本篇报告为光大固收团队量化学习笔记的第二篇,我们通过构建包含宏观经济、货币政策、 市场情绪等指标在内的输入变量来丰富模型的学习维度, 在长短期记忆神经网络 (LSTM) 的基础上, 引入门控神经网络 (GRU) 、 卷积神经网络 (CNN)和注意力机制(ATT)构建多层混合神经网络模型来尝试优化预测效能。这类模型通过多层架构实现网络接力式思考, 融合不同类型网络优势, 从而实现模型学习能力和性能的提升。最优模型预测:相较于 2026 年 1 月末,2 月末的十年期国债收益率将下行约 3个 BP;相较于 2025 年底,2026 年底十年期国债收益率将下行约 6 个 BP。
聚焦量化学习笔记之二:引入混合神经网络的中长期国债收益率预测。本篇报告为光大固收团队量化学习笔记的第二篇,我们通过构建包含宏观经济、货币政策、 市场情绪等指标在内的输入变量来丰富模型的学习维度, 在长短期记忆神经网络 (LSTM) 的基础上, 引入门控神经网络 (GRU) 、 卷积神经网络 (CNN)和注意力机制(ATT)构建多层混合神经网络模型来尝试优化预测效能。这类模型通过多层架构实现网络接力式思考, 融合不同类型网络优势, 从而实现模型学习能力和性能的提升。最优模型预测:相较于 2026 年 1 月末,2 月末的十年期国债收益率将下行约 3个 BP;相较于 2025 年底,2026 年底十年期国债收益率将下行约 6 个 BP。
聚焦量化学习笔记之二:引入混合神经网络的中长期国债收益率预测。本篇报告为光大固收团队量化学习笔记的第二篇,我们通过构建包含宏观经济、货币政策、 市场情绪等指标在内的输入变量来丰富模型的学习维度, 在长短期记忆神经网络 (LSTM) 的基础上, 引入门控神经网络 (GRU) 、 卷积神经网络 (CNN)和注意力机制(ATT)构建多层混合神经网络模型来尝试优化预测效能。这类模型通过多层架构实现网络接力式思考, 融合不同类型网络优势, 从而实现模型学习能力和性能的提升。最优模型预测:相较于 2026 年 1 月末,2 月末的十年期国债收益率将下行约 3个 BP;相较于 2025 年底,2026 年底十年期国债收益率将下行约 6 个 BP。核心数据:最优模型预测:相较于 2026 年 1 月末,2 月末的十年期国债收益率将下行约 3个 BP;相较于 2025 年底,2026 年底十年期国债收益率将下行约 6 个 BP。
本报告由光大证券发布,发布于 2026 年。
覆盖 2026 年,全文共 16 页。
本报告为付费报告,可在资料宝站内下单后获取完整内容。
适合投资人等读者参考。
重点分析了化学、国债、量化、量化学习笔记之二等议题。