国债期货系列报告：从统计特征到深度学习构建跨期套利策略

核心观点与关键数据

• 市场背景：2023年后国债期货市场定价行为发生显著变化，跨期价差与国债期货价格从正相关转为负相关，为基于价差方向的套利策略提供了新的市场基础。
• 价差演变：2023年前跨期价差与国债期货价格呈正相关或低负相关，主要因交易集中于当季合约；2023年后，参与者结构多元化，流动性改善，远季合约提供更多上行空间，导致负相关性增强（2023年相关系数-0.85）。

策略构建与回测

• 统计特征套利：
  • 基于价差短期动量与突破效应构建。
  • 分为连续回看周期和分段回看周期两种模型。
  • 样本期内（2022-2025年12月）均实现稳定正收益，夏普比率均超过1.2（连续模型）或1.0（分段模型）。
• 日内特征跨期价差套利：
  • 利用分钟级高频数据构建刻画日内波动与形态的特征因子。
  • 开发T+1预测套利策略，捕捉日内的微观结构信息。
• 深度学习跨期套利：
  • 引入GRU（门控循环单元）深度学习模型，克服传统线性假设局限。
  • 综合统计特征、日内高频形态、会员持仓行为等多维时序信息进行非线性预测。
  • 样本外测试显示，预测胜率达57.4%，夏普比率1.54，显著提升策略绩效。

研究结论

• 跨期价差与期货价格的负相关性增强，标志着市场定价逻辑的演进，为跨期套利提供了结构性机会。
• 三类策略（统计套利、日内特征套利、深度学习套利）在样本期内均实现正收益和高夏普比率，深度学习策略表现最优。
• 在震荡市和情绪偏弱的市场环境下，跨期套利策略更具优势，可捕捉合约间相对价值偏离与收敛规律。
• 未来策略发展需跟踪市场微观结构深化进程，可探索纳入宏观舆情及另类大数据信号。

风险提示

• 跨期套利并非无风险操作。
• 价差关系结构性转变可能导致模型失效。
• 移仓换月期间的流动性冲击可能放大交易成本。
• 深度学习模型存在过拟合与市场环境适应性风险。