⚫ 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Bao et al.(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(Sparse Encoder)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。