2025 年 12 月 15 日 总量研究 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 要点 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。 模型设计优化。在现有模型的基础上，针对时间窗口、数据处理、网络架构和训 练策略等相关设计进行调整优化。 输入多维度变量。将输入变量从单一的收益率序列扩展至宏观、市场、情绪等多 维度变量，使模型预测更加符合经济逻辑，捕捉信息更加全面。 构建混合模型。将 LSTM 模型与传统计量模型或其他机器学习模型相结合，构建 如 ARIMAX-LSTM、CNN-LSTM-ATT 等混合模型，能够发挥不同模型优势，弥补 单一 LSTM 模型缺陷，提升预测精度。 引入滚动回测机制。采用滚动时间窗口回测机制，固定样本时间窗口并随时间推 移实现模型的动态更新和持续预测，使模型能更好适应市场变化，提升其稳健性。 4、 风险提示 模型结构简单导致当前预测误差较大； ...