专题报告：《国债期货跨期价差系列专题五：基于 LSTM 的时序预测与策略改进研究251231

本文研究了基于长短期记忆网络（LSTM）的国债期货跨期价差时序预测与策略改进方法。首先指出传统机器学习模型和标准深度神经网络（DNN）在时间建模上的局限性，引入LSTM以显式纳入时间维度信息，并通过门控结构实现对长期依赖关系的有效刻画。研究构建了以净基差、IRR、资金利率等为核心输入，以跨期价差涨跌方向为监督信号的LSTM二分类预测模型，采用2024年及以前数据作为训练集，2025年数据作为样本外测试集。

模型测试结果显示：在T、TF品种上，LSTM模型的样本外二分类准确率分别为54.11%、53.67%；策略回测表明，T合约年化收益率为6.83%，夏普比率为1.70，TF合约年化收益率为7.63%，夏普比率为2.47，优于DNN模型；TS品种上DNN模型表现相对更强；从时间分布看，LSTM相对于DNN的超额收益主要体现在1、4、7、10月份，传统移仓月份表现差异相对收敛。

进一步尝试对LSTM模型进行开箱分析，并引入模型原始输出概率作为仓位权重，实现由离散方向判断向连续仓位配置的扩展。概率加权回测结果显示：在T、TF、TS合约上，采用概率加权后的策略均实现了更高的累积收益与夏普比率，且风险控制表现良好；TL合约中概率加权效果不明显。

研究结论认为，引入时序建模能够在收益稳定性与风险控制层面带来一定改善，但不同合约对时序信息的敏感程度存在差异；将LSTM模型的预测概率直接用于仓位权重配置，有助于提升策略的收益-风险特征。未来研究可在更长样本区间、更丰富的宏观与期限结构变量下，进一步检验时序建模方法在国债期货跨期套利中的适用性与稳健性。