ML 收益率曲线预测应该服务于久期策略
一篇 2026 年 6 月的新预印本显示，机器学习能改进利率曲线预测，但真正有价值的是它如何进入久期与组合策略。
今天这篇固定收益信号很清楚：机器学习当然可以去拟合收益率曲线，但真正值得关心的不是“拟合得像不像”，而是它能不能改进久期管理、曲线仓位和对冲决策。对投资团队来说，这类模型的价值通常不是直接给出交易指令，而是进入一个更可控的策略链条。这个判断也和 WisdomChain 最近关于时间序列基础模型只是先验以及分位数任务需要组合策略的观点一致。
前沿信号
今天的核心来源是一篇 2026 年 6 月的 arXiv 预印本《Data-Driven Duration Management: Term Structure Forecasting Using Machine Learning》。作者把经典收益率曲线方法和神经网络模型放在一起比较，评估对象覆盖美国和欧洲的零息政府债券曲线。更重要的是，他们没有只看 RMSE 之类的统计指标，而是把一个债券交易策略也纳入了评估框架。
这一步很关键。很多金融 AI 论文只证明“预测误差更低”，却没有回答“这对组合有什么实际意义”。而这篇工作把技术问题拉回到投资问题：如果曲线预测更好，它是否真的能帮助固定收益组合做出更好的久期和配置决策。根据摘要，神经网络在预测准确性和组合表现上都优于传统模型。美国市场上，直接预测并结合 Nelson-Siegel 因子与宏观自编码器的方案最强；欧洲市场上，基于 PCA 因子的神经网络反而更合适，而且不一定需要宏观变量。
这说明，固定收益里的 AI 不是为了炫技，而是为了让“曲线判断”进入可复用的策略系统。
为什么投资者在意
固定收益是少数几个 AI 真能以“中间层能力”发挥价值的领域。曲线预测可以影响目标久期、利差交易、期限结构倾斜、宏观对冲，甚至可以帮助投资委员会解释为什么当前久期要偏长或偏短。它不一定要直接变成一个下单信号，才算有用。
对机构投资人来说，这类模型的价值还体现在风险和沟通层面。养老资金、保险账户、财政资金、宏观基金都需要对利率变化做结构化回应。一个能把收益率曲线、宏观特征和策略结果连起来的 AI 系统，比一个只会给出“上涨/下跌”判断的黑箱更可落地。
本周站点表现报告里，读者对 Two Sigma 的交易系统文章这类“有具体系统感”的内容仍然有兴趣。这个固定收益主题也属于同一类：它讨论的不是抽象愿景，而是模型如何嵌入真实工作流。
对 Kaizhi 来说，最重要的启发是把预测层和策略层分开。曲线模型负责给出决策时点的视图；久期引擎负责把这个视图转成可审计的配置动作；监控层负责盯住模型在不同利率 regime 下是否失效。只有这样，AI 才不是一个漂亮的演示，而是一套能持续运行的投资工具。
技术解读
这篇论文的做法比较务实：一边保留 Dynamic Nelson-Siegel、PCA 等传统曲线结构，一边用神经网络去增强非线性表达能力。这样的设计比“把曲线当成原始黑箱”更适合固定收益。
原因很简单。收益率曲线本来就有非常明确的经济含义：level、slope、curvature。保留这些结构，模型更容易解释，也更容易和组合动作对应起来。论文还引入了宏观变量来提升效果，这在方法上合理，但也对数据时点提出了很高要求。只要宏观数据有修订、有发布时间差，就必须做 vintage 管理，否则预测看起来会比实际更强。
对工程实现来说，最稳妥的架构是三层：
- 曲线预测层，严格按决策时点生成 term-structure view。
- 策略转换层，把预测映射到久期、对冲、曲线交易或仓位约束。
- 监控层，持续检查预测衰减、 regime 切换、以及扣除成本后的增量价值。
这种架构比“让模型直接回答该买什么债”更适合真实机构环境。
现实校验
第一，过拟合风险仍然很高。利率曲线比股票日收益更有结构，但它仍然会受到央行政策、通胀冲击、期限溢价变化和流动性条件影响。神经网络很容易学到历史形状，却学不到下一轮 regime。
第二，统计指标不等于投资收益。RMSE 降低不代表久期决策更好；曲线拟合更平滑，也不代表对组合更有帮助。必须把预测层的好坏和策略层的经济结果分开看。
第三，宏观数据时点是硬门槛。只要用了宏观变量，就必须严格核对发布时点、修订版本和当时可见信息。否则会把“未来知道的宏观信息”误当成模型能力。
第四，固定收益的成本约束很真实。交易成本、凸性、流动性、基准约束和税务影响都会吞掉一部分预测优势。一个小的曲线 edge，如果策略太激进，最后可能什么也剩不下。
构建者要点
- 把曲线 AI 定位成“久期策略输入”，不要直接当成交易答案。
- 保留 Nelson-Siegel、PCA 这类可解释结构，方便监控和归因。
- 所有宏观特征都要做 vintage 管理，先处理好时点再谈效果。
- 用策略层指标评估：久期误差、对冲效率、换手、回撤和利率冲击下的表现。
- 先把神经网络放进模型篮子里和 DNS、PCA、简单 persistence 做对比，再决定是否上线。
链接 / 来源
- Data-Driven Duration Management: Term Structure Forecasting Using Machine Learning — 2026 年 6 月 arXiv 预印本，比较传统与神经网络收益率曲线预测，并加入债券交易评估。
- Revisiting the spanning hypothesis with machine learning methods — 近期综述，讨论机器学习在债券收益率与超额收益预测中的应用。
- Time-Series Foundation Models Are Priors, Not Alpha Engines — 相关前文，强调时间序列基础模型更像先验而不是自动阿尔法引擎。
- Quantile Mandates Need Portfolio Policies, Not One Forecast — 相关前文，讨论为什么不同投资目标需要不同策略，而不是共用一个预测。