二 〇 二 五 年 度 2025 年 08 月 28 日 国债期货系列报告：多通道深度学习模型 在国债期货因子择时上的应用 | 虞堪 | 投资咨询从业资格号：Z0002804 | yukan@gtht.com | | --- | --- | --- | | 宋子钰（联系人） | 从业资格证号：F03136034 | songziyu@gtht.com | 报告导读： 本报告直面传统量化因子在当前债市震荡行情中普遍性能下降的核心痛点，创新性地提出了融合日频与分钟 频数据的深度学习双通道模型(LSTM 和 GRU)。实证研究表明，该模型能有效捕捉不同时间尺度的市场信息，显著 提升策略在样本外(尤其是市场下行期)的预测准确性与稳定性，为重构债市量化择时体系提供了具有强泛化能力 的新思路。 在模型的使用上，主要使用了 RNN、LSTM、GRU 三种适用于时序预测的深度学习模型，重点阐述了 LSTM/GRU 通过门控机制解决长程依赖问题的优势。在传统深度学习模型设计的基础上，突破单一频率输入的局限，设计使 用了双通道模型架构。研究发现，深度学习方法在国债期货日频择时上可能会存在较大的过拟合风险，但是在加 入分钟频信息后 ...

随着区块链技术的兴起和发展，加密货币作为一种基于区块链技术的数字资产，逐渐成为了金融领域的 重要组成部分。然而，由于加密货币市场缺乏有效的监管、市场操纵现象严重、投资者情绪波动大等因 素，加密货币价格的波动极为剧烈，给投资者带来了巨大的风险和不确定性。因此，如何准确预测加密 货币价格的走势，成为了投资者和金融机构迫切需要解决的问题。传统的金融预测方法，如线性回归、 移动平均等，在处理加密货币这种具有高度非线性、非平稳性和复杂性的时间序列数据时，往往表现不 佳。 近年来，随着人工智能技术的飞速发展，深度学习算法，特别是循环神经网络(Recurrent Neural Network，RNN)及其变体，如长短期记忆网络(LSTM)，在时间序列预测领域取得了显著的成果。LSTM 能够有效地学习时间序列数据中的长期依赖关系和复杂模式，为加密货币价格预测提供了新的思路和方 法。微云全息(NASDAQ: HOLO)本次提出的的基于 LSTM 的加密货币价格预判技术，是一项融合了数 据科学、人工智能和金融工程的跨学科创新成果。 首先，微云全息从多个权威数据源收集了大量的加密货币历史交易数据，这些数据涵盖了不同时间段、 不同交 ...