今年3 月，我们团队发布了一个胜率接近80%的模型，从发布至今得到广泛关注，上半年的波段中，除了5 月由于换券等因素导致模型短期失效，其余区间胜率100%。但与此同时，也收到了很多投资者的建议，例如模型灵敏性、因子多样性、胜率的提升空间等，因此我们进行进一步优化尝试，得到了一套更准确的利率择时模型。

　　改进后的模型有哪些优点？第一，模型的胜率更高。模型预测方向正确天数总和684 天，错误天数34 天，胜率95.26%，累计收益177.45bp。从2021 年6 月30 日至2025 年7 月11 日，仅考虑资本利得的情况下，策略净值为1.16，样本外测试集区间，策略净值为1.11。2023 年3 月至今形成择时区间21 个，其中方向正确18 个，方向错误3 个，区间胜率85.71%。正确区间平均长度38 天，错误区间平均长度11.33 天，模型的正确率和纠错能力均有所提升。

　　第二，回撤控制更好。模型正确区间内的最大回撤为8.29bp，全样本区间最大回撤8.32bp，较初代模型表现有所提升。

　　第三，模型的左侧效果较好。我们依旧使用5 日移动平均结果作为择时信号，可以提前5-10 天捕捉到利率的多空转换。

　　第四，模型结果依旧稳健，较少出现反复。尤其5 日移动平均结果极少出现与波段方向背离的现象。

　　第五，模型的震荡区间控制较好，绝大多数时刻可以发出明确择时信号，仅有10.6%的预测结果发出40%-60%区间的震荡信号。

　　模型做了哪些优化？首先我们丰富了因子集。我们从前期模型的231 个宏观和微观中高频经济变量扩充至278 个，同时加入技术因子、机构行为因子以及情绪因子，新增150 个备选因子，共计428 个因子。

　　其次优化了因子选取方式。我们使用SHAP 来进行因子筛选，计算每个窗口因子的SHAP 值，来提取平均贡献较大的因子。进一步，我们使用二分法逐步训练测试，选取效果相对较好的因子数量，最终我们选取151 个因子。

　　最后对算法应用及模型训练进行优化。第一，底层模型使用两层循环的神经网络；第二，应用L2 正则化、Dropout 等规避过拟合问题；第三，在结果输出阶段，我们不再以20 个交易日为重置窗口，而是每个交易日重新训练后输出结果，保证结果的灵敏性和及时性。

　　风险提示：模型失效风险；因子失效风险；数据质量风险