【固收】基于堆叠LSTM模型的十年期国债收益率预测——量化学习笔记之一（张旭）

报告摘要 1、金融时序预测和神经网络模型 针对金融时间序列的预测，经历了从传统计量模型、到传统机器学习模型、再到深度学习模型的三个主要 发展阶段。深度学习模型能够较好适应金融时间序列的非平稳、非线性、高噪声和长记忆性等复杂特征， 是当前主流的金融时序预测方法之一。 神经网络模型（Neural Networks，NN）是一种模仿人脑神经元连接结构设计的机器学习模型，也是深度 学习的基础结构。循环神经网络（RNN）及其变种模型，如长短期记忆神经网络（LSTM），是专为处理 序列数据而设计的网络，具备记忆性和参数共享等优势。LSTM是为解决传统RNN的长期依赖问题而专门 设计的模型，通过引入特有的"门控机制"和记忆单元，不仅有效缓解了传统RNN的梯度消失/爆炸问题，而 且能够过滤序列中的噪声与无关信息，增强对不规则数据的鲁棒性。在进行债券收益率预测时，LSTM的 上述优势使其能够有效处理长时期的时间序列，同时过滤噪声，精准捕捉收益率的动态变化规律。 2、基于堆叠LSTM模型的国债收益率预测 本报告采用了三层堆叠LSTM+Dropout正则化的经典稳健架构来构建十年期国债收益率预测模型，初步探 索深度学习模型在固收量 ...