天风证券AI投研报告|AI投研专题报告TESECURITIES宏观AI量化证券研究报告2026年01月14日模型统一框架与利率择时模型实测进展证书编号:S1110517030002aiqing@tfzq.com本报告提出了一种基于深度神经网络分类模型框架，以统一的分类问题视分析师角构建宏观AI量化模型,在此基础上搭建的择时模型和轮动模型在实测中执业证书编号:S110525120009均表现出良好的性能。gongfangzhou@tfza.com此框架下,择时建模为二分类任务(看多看空),轮动则建模为多分举件务（行业轮动、风格轮动等）利率择时模型实测进展下旬及12月下旬开始的连续三个国债YTM军2026年1月9日,在10年国债YTM上累计预测钢模型白2025年7月9日开始实测以来（统计至2026年1个择时区间，在30年国债YTM上获得累计预测收期间最大回撤11.60bp。利率择时模型实测信号可直接应用于30年国债期货交易率短期模型在实测区间(2025年7月实现了212.48%的收益率，最大，最大回撒18.66%，且换手率显着更低，体现出模型对中期趋势的聚焦性，以少而准的交易决策把握住了大级别趋势性变动。权益类指数择时实测于该宏观AI量化框架、行业指数等权益品种的择时模型。在实测中，中证500指数择时模型在6月24日起坚定预测标的指数处于上升趋势，距离之前的谷底6月20日仅两个交易日;最近一次翻转看多在2025年12月17日，距离短期最低点仅一个交易日。轮动模型实测。该模型设置了30个行业类别，预我们实现了行业轮动模型。行业类别是当甫行业的概率。实测中截至2026年信行业维持主线行业地位１０6个交易日，期间申万通信一级行业指数上涨58.67%。风险提示:市场环境变动风险,模型稳定性风险，数据质量风险
天风证券金融工程|AI投研专题报告TESECURITIES内容目录1.从预测数值到预测类别的转变.2.择时模型:市场状态的二分类号.2.1.何为市场状态222模型训练和过程中的关键环节428,利率择时中期模型实测结果。5124利率择时短期模型实测结果.12.5.基于利率择时模型实测信号的国债期货合约策略表现C本,经时模工程契可样适用于权兹品种....4.轮动模型：市场状态多分类架构To5.风险提示.....心5上市场环境变动网险-125.2．模型稳定性风险153,数据质量风险70图表目录图1;十年期国债YTM趋势标签示例(中期趋势).图2:十年期国债YTM趋势标签示例(短期趋势）图3:利率择时中期模型按日实测图(1).…,图4:利率泽时中期模型按日实测图(2)..图5:利率择时中期模型按日实测图(全部实测数据)…...图6:利率泽时中期模型YTM变动累积预则收益曲线…图7:利率择时短期模型按日实测图（全部实测数据）…．........7图品:利率泽时短期模型YTN安动累积预测收益曲线(全部实测数据）…．图9:利率择时短期模型实测信号TL策略净值一限制开仓1手9圈10。利军驿时中闻艘型安测售号兀。策游净值一限制开合1.…...图11:中证500指数择时模型按日实测图…7o图12:行业轮动模型测试集模拟）净值…..11表1:利率中期模型测试区间预测观点汇总6表2:利率短期模型实测区间预测观点汇总C表:行业轮动模型按日预测的行业主线排名12请务必阅读正文之后的信息披露和免责申明
天风证券金融工程|AI投研专题报告TFSECURITIES1.从预测数值到预测类别的转变传统量化模型常通过收益率预测或业绩评分等方式，获取预测量化数值，并对这些数值进行比较或排序，以此来建模择时或轮动。然而，预测绝对数值对输入因子的噪声要求更加苛刻，模型训练往往更加困难;另一方面，所预测的绝对数值最后也要转换为离散的类别判断，才能最终形成预测结果,指导投资实践。如果直接通过深度神经网络技术,将择时或者轮动建模为分类模型，那么理论上模型可能更加稳定，并能够获得以下优势:（1)降低噪声干扰:避开精确数值的预测，加大冗余空间，专注趋势方向或类别。(2)直接面向投资决策：实际投资决策本质上也是离散的多空选择或行业切换;(4)模型鲁棒性更强:对因子的数据质量容忍度更高，对异常值、共线性不敏感2择时模型,市场状态的二分类器2.1.何为市场状态(1)理想状态市场状态应是一个包含市场所有信息的完备集合，它不仅涵盖当前价格、成交量等显性数据，还应包括投资者情绪、宏观经济预期、政策动向、国际资本流动，甚至尚未公开的内部信息...
