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？

本研究构建了一套基于机器学习的美国10年期国债收益率预测框架，采用滚动前瞻回测方法，以周频预测未来30日收益率变动幅度，确保使用仅当时已披露的信息，避免前视偏差。研究基于2000年1月至2026年6月的数据，涵盖美联储完整货币政策周期及重大宏观冲击，回测时间跨度约10.5年。

研究采用随机森林与梯度提升算法，最终选择梯度提升模型因其对非线性交互和动态阈值效应的捕捉能力更强。模型输入32个因子，覆盖利率与货币政策、宏观基本面、市场流动性与债券市场等多个维度，并通过多维度特征构造提升信息提取效率。

回测结果显示，模型在方向判断维度表现稳健：

• “多空”口径胜率为58.27%，放松至±5bp震荡区间后胜率提升至70.40%。
• 分年度看，“多空”口径2023年准确率最高（74%），2021年最低（46%）；放松口径后2023年最高（81%），2022年相对低点（58%）。
• 模型对“零利率”、“货币政策快速大幅转向”等极端情况预测能力有限。

截至2026年6月30日，模型预测未来30日美债收益率偏空，主要驱动因子依次为就业、通胀、资金、消费信心、通胀。研究提示需关注模型过拟合、政策超预期转向、因子有效性衰减及数据质量风险。