本研究旨在构建一套严格符合真实投资决策场景的机器学习预测框架，在每一个预测时点，仅使用当时已经披露的信息，对美国10年期国债收益率未来30个自然日的变动幅度进行预测，并通过滚动回测检验模型在样本外环境下的预测能力。
整个研究采用滚动前瞻回测框架。预测频率设定为周频，在每一个调仓日重新训练模型，并预测未来30日美国10年期国债收益率的变化幅度。所有预测均严格遵循时间顺序，确保模型不会使用任何未来信息，从而避免前视偏差。
本报告基于2000年1月至2026年6月货币政策、经济基本面、资金流动性、美债市场及全球金融环境等多个信息维度，对2016年1月-2026年6月进行全面回测评估，回测时间跨度约10.5年，涵盖了美联储从量化宽松到加息缩表、再到政策转向的完整货币政策周期，以及重大宏观冲击事件，具备较高的周期代表性和压力测试价值。
本研究采用机器学习方法作为核心预测引擎，主要基于随机森林（Random Forest）与梯度提升（Gradient Boosting）算法，并以线性回归（Linear Regression）对照。最终，结合R2与MSE选择整体误差较小的梯度提升模型作为后续使用的模型。
随机森林基于自助聚合集成策略，通过自助采样从训练集中有放回地抽取多个子样本，分别训练多棵决策树；在节点分裂时，进一步从全部特征中随机抽取子集进行最优分割，以此引入第二层随机性。预测阶段，模型聚合所有树的输出取均值（回归场景），利用群体智慧显著降低单棵决策树的方差，抑制过拟合。
梯度提升则采用串行提升架构，以加法模型形式逐轮迭代：首棵树拟合目标变量的初始分布，后续每棵新树专门学习前序所有树预测值与真实值之间的残差（即损失函数的负梯度方向），并以学习率控制每棵树的贡献权重，逐步修正模型偏差。该机制使梯度提升擅长捕捉特征间的复杂非线性交互与动态阈值效应，对于利率这类受多因子驱动、存在制度转换和周期拐点的序列，梯度提升能够精细化拟合宏观因子到利率的映射关系，在滚动窗口内持续适应市场结构变化。
实测中，我们发现梯度提升的回测准确性显著优于随机森林，或由于随机森林通过"投票平均"来降低方差，但会平滑掉部分弱信号；梯度提升通过"残差修正"来逐步逼近真实函数，对微弱的边际信号更敏感。
回测以周度为频率（每周最后一日进行预测），在2016年1月至2026年6月共544个预测时点上滚动执行，在每个预测时点，使用2000年1月起过去20年的数据作为训练集，训练完成后对当前时点进行预测，随后窗口向前滚动至下一周，模拟了真实投研环境中的信息可得性约束，彻底消除了前视偏差。在滚动窗口内部，特征进行标准化处理，使不同量纲的特征具备可比性。
本研究的因子体系主要围绕影响美国10年期国债收益率的核心宏观驱动因素构建，覆盖货币政策、经济基本面、资金流动性、美债市场及全球金融环境等多个信息维度，以尽可能全面地刻画长期利率变化的影响因素。
第一层为利率与货币政策因子，包括政策利率、市场利率预期及通胀预期等指标。该类因子主要用于反映美联储货币政策立场、市场对未来政策路径的定价以及长期通胀预期，是影响长端国债收益率的核心驱动因素。
第二层为
宏观基本面因子，涵盖通胀、就业、经济增长、房地产及财政等多个领域。其中，通胀和就业指标反映经济运行状况及货币政策约束，经济增长和房地产指标用于刻画经济周期变化，财政指标则反映政府部门融资需求及财政扩张力度，共同构成长期利率的基本面基础。
第三层为市场流动性与债券市场因子，包括资金市场流动性指标、美债拍卖指标及汇率指标等。资金市场指标用于刻画金融体系流动性状况及短期融资环境，美债拍卖指标反映国债一级市场供需关系，而汇率指标则用于表征美元资产吸引力及全球资本流动情况，对美国长期利率形成重要补充解释。
对686个原始因子我们进行了多维度特征构造，包括过去N天变化值、过去N天变化率、过去N天均值、过去N年滚动分位数等共13种数据处理方式，以充分提取指标所包含的信息。随后结合经济逻辑、历史数据完整性、更新频率、模型贡献度以及共线性控制等多个维度进行综合筛选，最终确定32个因子及其最优特征构造方式作为模型输入。
为保证模型训练过程符合真实预测场景，本研究首先对全部因子的发布时间进行统一处理。对于周频、月频等低频数据，均依据实际发布日期进行滞后对齐，确保每一期预测仅使用预测时点以前已公开的信息，不引入任何未来数据或包含未来信息的统计指标，从而有效避免前视偏差。
为提高模型在不同宏观环境下的泛化能力，避免训练样本过度集中于单一经济周期，本文采用滚动训练的样本外预测框架。对于任意预测时点t，模型训练样本仅使用历史区间[t-L," " t-30]内的数据，其中L表示训练窗口长度，预测目标为未来30个自然日美国10年期国债收益率的变动幅度。完成模型训练后，利用预测时点t可获得的信息，对t+30相对于t的收益率变化进行预测，并与实际结果进行比较，以评估模型的样本外预测能力。
训练窗口与预测区间之间设置30个自然日的间隔，使训练样本对应的预测标签完全结束于预测时点之前，从而避免训练样本与预测样本之间存在标签重叠，有效降低信息泄露风险。
考虑到部分宏观指标历史覆盖长度存在差异，本文采用自适应训练窗口机制。模型首先尝试使用最长20年的历史数据进行训练；若由于历史数据不足导致可用因子数量低于预设门槛（10个），则按年度逐步缩短训练窗口，直至满足建模要求。因此，不同预测时期的实际训练窗口长度可能存在差异，但均遵循相同的数据完整性约束。
3.1 整体胜率分析
模型在方向判断维度上表现稳健。在544期回测样本中，按不同口径统计如下：“多空”口径下，即模型严格判断利率下行和上行方向，胜率为58.27%（544期）。若放松至“多空（±5bp的震荡区间不判错误）”口径下，即模型将±5bp以内波动（震荡区间）视为正确后，整体胜率提升至
70.40%（544期）。
分年度审视模型，“多空”口径方面，2023年准确率达到74%，为样本期间最优水平；2024年以71%紧随其后，2019年65%同样表现较好。2020年、2026年均为58%，2025年56%，处于中游水平。2016年、2018年均为54%，2017年53%，2016-2018年受限于部分数据学习集内样本较少，可用因子实际偏少，导致模型胜率降低，2022年52%，在50%-54%区间低位徘徊；2021年准确率46%，为样本期间唯一低于50%的年份，该模型对“零利率”、“货币政策快速大幅转向”等极端货币政策情况下，受限于利率波动小、受经济指标及货币政策变动影响小，预测判断准确度相对有限。
“多空（±5bp的震荡区间不判错误）”口径方面，2023年准确率81%为样本最高；2019年、2020年、2024年均为79%，表现亮眼；2017年70%、2025年69%，处于较好水平。2016年、2021年均为65%，2018年63%，处于中游。除2026年外，2022年胜率为58%，是样本期间的相对低点。可以看到，当放松对小幅振荡的区间的判断后，对于2021年等“零利率”此类极端情况下的判断准确度显著上升，但就2022年等”货币快速大幅转向”此类极端情况下的判断准确度提升相对有限。
截至2026年6月30日，模型对未来30日的预测结果为偏空，主要前5权重因子所属类型由高到低分别为：就业、通胀、资金、消费信心、通胀，相较上一周，第4位由通胀类指标转变为消费信心类指标，通胀类指标权重有所下降，消费信心权重有所上升。
1）模型过拟合与样本外失效。因训练样本期数有限或市场微观结构发生突变，模型在历史回测中表现优异，但未来样本外预测精度可能显著下降，或导致策略信号产生系统性偏差。2）宏观政策超预期转向。因美联储货币政策路径、地缘政治冲突或国内监管政策变化超出市场预期，利率走势与模型预测方向可能发生背离，或引发组合净值波动加剧。3）因子有效性衰减。因市场参与者结构变化或宏观环境切换，部分历史有效因子可能短期或永久性失效，进而影响模型输出稳定性，或导致关键驱动项贡献度失真。
4）数据质量与滞后性风险。因数据源修订、发布延迟或指标口径调整，特征数据存在滞后或偏差，模型输入与实际市场环境或存在时滞，或影响预测结果的及时性与准确性。
研究报告信息
证券研究报告：《海外宏观利率攻略系列：如何构建基于机器学习的10Y美债预测框架？》
分析师承诺
本报告署名分析师具有中国证券业协会授予的证券投资咨询执业资格并登记为注册分析师，基于认真审慎的工作态度、专业严谨的研究方法与分析逻辑得出研究结论，独立、客观地出具本报告，并对本报告的内容和观点负责。本报告清晰准确地反映了研究人员的研究观点，结论不受任何第三方的授意、影响，研究人员不曾因、不因、也将不会因本报告中的具体推荐意见或观点而直接或间接收到任何形式的补偿。
《证券期货投资者适当性管理办法》于2017年7月1日起正式实施，通过本微信订阅号/本账号发布的观点和信息仅供国联民生证券的专业投资者参考，完整的投资观点应以国联民生证券研究所发布的完整报告为准。若您并非国联民生证券客户中的专业投资者，为控制投资风险，请取消订阅、接收或使用本订阅号/本账号中的任何信息。本订阅号/本账号难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本订阅号/本账号推送内容而视相关人员为客户；市场有风险，投资需谨慎。
免责声明
国联民生证券股份有限公司（以下简称“本公司”）具有中国证监会许可的证券投资咨询业务资格。
本报告仅供本公司境内客户使用。本公司不会因接收人收到本报告而视其为客户。本报告仅为参考之用，并不构成对客户的投资建议，不应被视为买卖任何证券、金融工具的要约或要约邀请。本报告所包含的观点及建议并未考虑获取本报告的机构及个人的具体投资目的、财务状况、特殊状况、目标或需要，客户应当充分考虑自身特定状况，进行独立评估，并应同时考量自身的投资目的、财务状况和特定需求，必要时就法律、商业、财务、税收等方面咨询专家的意见，不应单纯依靠本报告所载的内容而取代自身的独立判断。在任何情况下，本公司不对任何人因使用本报告中的任何内容而导致的任何可能的损失负任何责任。
本报告是基于已公开信息撰写，但本公司不保证该等信息的准确性或完整性。本报告所载的资料、意见及预测仅反映本公司于发布本报告当日的判断，且预测方法及结果存在一定程度局限性。在不同时期，本公司可发出与本报告所刊载的意见、预测不一致的报告，但本公司没有义务和责任及时更新本报告所涉及的内容并通知客户。
在法律允许的情况下，本公司及其附属机构可能持有报告中提及的公司所发行证券的头寸并进行交易，也可能为这些公司提供或正在争取提供投资银行、财务顾问、咨询服务等相关服务，本公司的员工可能担任本报告所提及的公司的董事。客户应充分考虑可能存在的利益冲突，勿将本报告作为投资决策的唯一参考依据。
若本公司以外的金融机构发送本报告，则由该金融机构独自为此发送行为负责。该机构的客户应联系该机构以交易本报告提及的证券或要求获悉更详细的信息。本报告不构成本公司向发送本报告金融机构之客户提供的投资建议。本公司不会因任何机构或个人从其他机构获得本报告而将其视为本公司客户。
本报告的版权仅归本公司所有，未经书面许可，任何机构或个人不得以任何形式、任何目的进行翻版、转载、发表、篡改或引用。所有在本报告中使用的商标、服务标识及标记，除非另有说明，均为本公司的商标、服务标识及标记。本公司版权所有并保留一切权利。
