财通证券-量化|短端的锚！2年国债利率量化模型

“精选摘要：兼顾经济与统计逻辑。2年国债较为敏感，对于窗口和预测时滞的参数调整范围要符合市场逻辑，需要更为精确的模型，但也要避免复杂模型带来的过拟合问题。2年国债模型如何选择因子？第一，2年国债模型需要减少部分基本面数据。第二，2年国债模型需要减少低频因子，增加高频因子。第三，2年国债需要丰富资金面因。”

1. 核心观点利率量化模型在不同标的下是否同样适用？我们从短端出发寻找答案。

2. 从结果来看，择时模型同样适用于预测2年国债走势，且延续了10年国债利率预测的优势——胜率较高、回撤有限、关注趋势、观点明确、左侧提示。

3. 2年国债利率预测模型，短端走势的锚！我们的2年国债择时模型和10年国债择时模型相比胜率更高。

4. 从23年6月20日开始至2025年8月11日的18个区间，模型胜率基本满分，累计收益288.56bp。

5. 为什么搭建2年国债择时模型而非期限利差择时模型？我们尝试了将期限利差设置为目标变量，但效果并不理想。

6. 期限利差除了收窄或放宽的趋势方向，其日间波动较大，难以形成稳定的择时区间。

7. 2年国债模型与10年国债模型有什么区别？我们首先尝试仅将10年国债模型中的目标变量更换为2年国债到期收益率，结果较好、但还有优化空间。

8. 第一，从敏感性角度分析，2年国债模型需要重新调整超参数。

9. 第二，从因子选择及作用机制角度，2年国债需要新的因子集以及因子应用方式。

10. 2年国债模型如何调整参数？第一，相比回测，预测更为重要。

11. 我们主要聚焦于最后一个具有实际预测意义的窗口，关注其训练集及验证集的表现来获得更为适宜的超参数。

12. 第二，参数的调整，要兼顾经济与统计逻辑。

13. 2年国债较为敏感，对于窗口和预测时滞的参数调整范围要符合市场逻辑，需要更为精确的模型，但也要避免复杂模型带来的过拟合问题。

14. 2年国债模型如何选择因子？第一，2年国债模型需要减少部分基本面数据。

15. 第二，2年国债模型需要减少低频因子，增加高频因子。

16. 第三，2年国债需要丰富资金面因子与技术因子。

17. 第四，建立因子打分机制，对不同窗口应用动态因子。

18. 是否存在过拟合？我们从2025年5月15日至今，使用最后的单窗口模型逐日进行预测，模型准确识别了利率5月的多转空、6月的空转多以及7月的多转空拐点。

19. 我们在未来会严格遵循每过一个窗口即重新调整因子、超参数，进行全窗口训练回测和最后窗口的精细化调优的原则，更加高频地维护我们的短端模型，以便获得准确的择时结果和进行及时的纠错。

20. 风险提示：模型失效风险；因子失效风险；数据质量风险。