东方证券-宏观固收量化研究系列之-九-：基于神经网络模型的利率择时-230312

文本预览：

《东方证券-宏观固收量化研究系列之-九-：基于神经网络模型的利率择时-230312（30页）.pdf》由会员分享，可在线阅读，更多相关《东方证券-宏观固收量化研究系列之-九-：基于神经网络模型的利率择时-230312（30页）.pdf（30页精品完整版）》请在悟空智库报告文库上搜索。

（以下内容从东方证券《宏观固收量化研究系列之（九）：基于神经网络模型的利率择时》研报附件原文摘录）
　　研究结论 　　近年来，以神经网络、决策树等非线性的机器学习模型在量化投资领域得到了广泛的应用。基于机器学习模型良好的拟合和特征提取能力，我们引入神经网络的相关模型，基于日频的量价因子(特征)进行训练，从而对未来N日的利率涨跌和国债期货涨跌进行预测。 　　本文的因子库基于成交量、价格动量、价格波动、期限利差水平、期限利差动量、税收利差水平、税收利差动量、期现价差、资金面水平、资金面波动10个大类的日频指标产生，共计779个时序因子。 　　本文参考Baoetal.(2017)的思路，设计了一个两阶段预测模型(SE-GRU模型)，第一阶段是使用稀疏编码器(SparseEncoder)进行多维时间序列的信息提取，即通常所说的降维步骤，第二阶段是对降维后的时间序列使用GRU模型进行监督训练。损失函数由2部分组成，拟合的均方误差损失和稀疏自编码器提取特征的稀疏化约束。 　　基于SE-GRU模型，可以日频得到“未来N日的利率涨跌和国债期货涨跌”的预测值，从而形成各类标的的日频多空信号。本文选用10年期国债期货主力合约(T)、5年期国债期货主力合约(TF)、10Y国开活跃券、5Y国开活跃券作为回测标的，测试集结果显示，预测变量采用“未来3日”和“未来5日”的收益是较为合意的选择。 　　样本外的测试集回测结果表明，预测模型取得了不错的绝对收益和相对收益： 　　对于10年期国债期货，年化收益达到5.98%，收益风险比达2.36，平均交易天数为4.79天/次，其中，多头端年化3.81%，空头端年化2.26%； 　　对于5年期国债期货，年化收益达到3.42%，收益风险比达2，平均交易天数为5.74天/次，其中，多头端年化2.42%，空头端年化1.02%； 　　对于10年国开活跃券，年化赚得收益率达到62.03bps，收益风险比达1.5，平均交易天数为8.85天/次；信号用于久期轮动策略年化5.5%，最大回撤1.47%； 　　对于5年国开活跃券，年化赚得收益率达到63.46bps，收益风险比达1.28，平均交易天数为9.07天/次；信号用于久期轮动策略年化4.32%，最大回撤0.87%； 　　最后，本文还尝试使用积分梯度法分析预测模型的特征重要性，即各个因子对模型预测产生的影响的大小和排序，可供投资者参考。结果显示，T合约成交量、30Y/10Y国债换手率、利率的动量、资金面水平、现券波动、税收利差等因子贡献较大。 　　风险提示 　　量化模型失效的风险 　　市场极端环境的冲击