（转自：覃汉研究笔记）
核心观点本文作为利率量化择时系列报告的起点，通过基于100个基本面与技术面因子构建利率择时模型，有望有效地预测30年期国债收益率未来5个交易日走势，并从赔率的角度出发，初步构建了基于利率择时的量化交易模型。
1.主观与量化：近年来利率下行周期与波动率上升趋势共振，通过择时和波段交易作为提高收益的方式逐渐得到固收投资者的关注。传统基于“五碗面”的主观定性分析难以高效捕捉交易机会，而量化模型通常在捕捉短期趋势中更具优势，通过动态解析数据中的非线性规律，有望为久期管理、对冲策略、波段交易提供更为科学依据。
2.何为集成学习（ensemble）模型？虽然大模型的火热给以Transformer为代表的深度神经网络带来了持续的关注度，但深度学习的黑匣子属性依然是其较为明显的缺点，集成方法具有以下几个显著优势：1）可解释性强：能够明确输出特征重要性、分裂路径和变量影响方向，更适用于需要逻辑可追溯的金融研究场景；2）对小样本与噪声数据更友好：深度学习通常依赖大规模样本和高维连续特征，对于债券市场而言，集成方法在有限样本、高噪声环境中依然具备良好稳定性，适配金融市场中常见的结构性跳变数据；3）调参复杂度适中：尽管部分集成模型调参空间较大，但相较于神经网络需要大量超参数组合、训练时间长、易陷入局部最优的特性而言，集成算法具有更高的工程可控性；4）适配金融因子的结构特征：金融数据常呈现非线性、分段式和缺失值较多的特征。集成模型天然支持对缺失值、类别型变量和非正态分布变量的处理，且在非线性建模上具备先天优势。
3.模型设计：本次我们将尝试使用基本面因子与技术面因子来预测30年期国债收益率未来5个交易日走势。这一选择出于两方面的考虑：一是实用性，低利率环境下，长周期预测不确定性高，短期波段交易更具价值；二是可行性，点位预测易受噪声干扰，方向性分类任务更适配投资决策。为了让模型更多地学习利率下行的逻辑，我们训练模型时采取了三分类的方法，选取1）周度利率变动幅度位于历史40%~60%分位数的样本作为“震荡”类，标为类别0；2）周度利率变动幅度位于20%~40%分位数的样本为“小幅下行”类，标为类别1；3）周度利率变动幅度位于历史20%分位数以内的样本为“大幅下行”类，标为类别2。最后，通过数据收集、数据处理、模型优化与模型评估，系统性地输出具备交易价值的利率择时信号。结果显示，XGB是最有效的模型，对于类别1和2，合并后的查准率（precision）为59.42%，查全率（recall）为81.46%、调和平均值（F1 score）达68.72%，表明模型能较好地识别做多信号。同时，若以TL作为交易标的，依据模型信号持有5天为例，策略样本外回测区间（2024/5/14~2025/5/14）年化收益达12.58%，夏普比1.54，最大回撤6.95%，交易胜率67.23%。
风险提示：1）模拟交易与回测局限性；2）硬件误差风险；3）历史数据失真风险
作者：覃汉/章恒豪
全文：10543 字 | 15分钟阅读
1 引言
近年来国内利率下行周期与波动率上升趋势共振，使得通过择时及波段交易提升收益的策略获投资者重点关注。传统分析框架中，投资者多基于宏观基本面（经济增长、通胀水平）、政策面（货币政策导向）、资金面（市场流动性）、供求面（债券发行与配置需求匹配度）、情绪面（市场风险偏好）的“五碗面”框架权衡投资决策。具体来看，宏观基本面推演依赖 PMI、CPI 等低频数据展开逻辑演绎，存在数据发布周期长、市场动态捕捉滞后的局限；技术指标跟踪（如均线系统）虽基于量价数据判定买卖信号，但在震荡市中易出现指标频繁转向、拐点响应滞后等问题。相较之下，传统主观定性分析难以有效捕捉短期交易机会，而量化模型在刻画短期趋势中具备显著优势。在多因子非线性作用机制下，量化择时模型的重要性日益凸显，其通过动态解析高频数据中的非线性规律，为久期管理、对冲策略构建及波段交易提供科学决策依据。本报告尝试引入 AI 量化模型，为投资者提供利率时间序列预测的创新分析工具。
2 固收研究中的量化模型
2.1 传统与变革
传统的时间序列量化模型往往具有局限性。时间序列预测方法虽然具备完善的理论基础，但应用性较低。例如，自回归移动平均模型(Autoregressive Integrated Moving Average Model, ARIMA)等传统统计模型受限于平稳性假设和自相关问题，难以适应结构性突变；同时高频数据中混杂着大量非因果性噪声，易引发过拟合。为突破上述瓶颈，量化模型沿两条路径革新：1）因子维度扩展，模型因子从单一技术指标转向多源异构因子融合，宏观经济、流动性、债市供求、情绪面等数据也都融合进了模型；2）算法架构升级，非线性机器学习模型逐渐成为主流，数据处理效率得到了大幅度的提升。多模态学习的发展和应用也使得越来越多的主观形态得到识别量化。在模型的应用层面，时间序列预测的主要应用层面也不是程序化交易，而是对主观观点的验证与强化，从而为交易策略提供稳健信号。
尽管量化模型在利率择时的应用卓有成效，仍面临三重挑战：1）政策冲击相应时滞：模型对突发政策调整的响应存在延迟；2）市场结构变迁：如利率市场化改革导致历史规律失效；3）黑箱模型信任危机：复杂模型可解释性不足。
近年来，固定收益领域对量化技术的依赖度显著提升，前沿建模方法正逐步渗透至利率预测与信用风险评估等核心领域。主成分分析（PCA）作为收益率曲线分析的重要工具，通过提取平移、斜率、弯度等主因子实现特征压缩，有效揭示市场结构性变化，其在利率预测中作为输入预处理步骤，可显著增强模型稳健性与泛化能力。
信用风险建模领域，违约预测已逐步演变为分类任务，XGBoost和CatBoost等梯度提升模型凭借处理非线性特征、类别变量及样本不平衡问题的显著优势，被广泛应用于信用预警系统构建与利差定价框架。此类方法与利率走势预测模型在建模流程上的高度相似性，为统一策略体系奠定技术基础。
值得关注的是，图神经网络（GNN）与多模态深度学习已开始应用于固收建模，通过刻画债券、主体、地区间的复杂关系结构，或融合公告文本、财报数据与交易行为数据，显著提升风险评估的全面性。策略层面，强化学习与因果推断技术正逐步用于交易路径优化与因果机制建模，以增强模型适应性与可解释性。
基于上述研究趋势，本文构建了以 XGBoost、LightGBM、CatBoost为核心的多模型集成框架，通过动态加权策略，针对10年期和30年期国债收益率未来5个交易日的方向性变动进行预测。通过融合多维宏观、流动性与市场指标，旨在捕捉短期利率波动趋势的同时，为策略生成与资产配置提供稳定量化信号支持。
2.2 时序预测 vs 截面预测
在量化投资中，预测任务通常可分为时序预测（time-series）与截面预测（cross-sectional）两类。二者分别关注“时间维度的走势”与“横截面资产间的优劣比较”。时序预测侧重于对单一资产的历史数据进行建模，以预测其未来走势，适用于捕捉趋势、波动率等时间依赖性特征，常见于CTA策略或期权定价；然而，它对数据质量和市场结构性变化较为敏感。截面预测则关注同一时间点上不同资产的相对表现，通过多因子模型或横截面回归挖掘资产间的差异，适用于Alpha策略或行业轮动，但对因子稳定性和市场风格切换较为依赖。两者各有优劣：时序预测擅长捕捉时间维度的动态变化，而截面预测更善于利用横截面信息。实际应用中，许多策略会结合两者，例如在时序模型的基础上引入截面因子，以兼顾趋势跟踪和相对价值挖掘，从而提升模型的适应性和稳健性。本报告中，我们将使用集成模型（ensemble），结合时序预测因子与截面因子来辅助判断未来的利率走势。
2.3 模型介绍
为提升模型在利率择时中的精准度与稳定性，本项目选取了当前主流的三种集成学习方法作为基础模型，并进一步探索多模型集成的动态融合策略。与传统线性分类模型相比，集成学习算法通过集成多个弱分类器提升整体性能，能够有效捕捉非线性结构、变量交互关系及高维特征下的复杂信号，对金融类多因子建模任务具有天然优势。
我们采用的模型分别为：1）极端梯度提升模型（XGBoost）：具备处理缺失值能力，迭代方式稳健，适用于中小样本下的非线性建模任务；2）轻量化梯度提升模型（LightGBM）：计算效率高，支持大规模数据训练，适合因子维度多、特征稀疏的情形；3）基于类别优化的梯度模型（CatBoost）：对不同尺度变量和非正态分布数据具备较强鲁棒性，在变量数量较少时表现稳定；4）动态集成模型（Dynamic Ensemble）：在不同时间窗口内，根据模型预测表现动态加权多个模型输出，提升跨期稳定性与泛化能力。
集成模型（ensemble）是指将多个具有一定预测能力的基础模型通过一定方式组合起来，从而获得比单一模型更优的整体预测效果的机器学习方法。在金融预测任务中，市场环境复杂多变、因子结构非线性强、噪声干扰大，单一模型常难以在所有时段保持稳定表现。集成模型正是为了解决这一“偏误-方差权衡”问题而提出的通用性解决方案。集成学习通常包括以下三种基本框架：一是加法型集成，即通过不断训练新模型以修正已有模型的残差（例如梯度提升类模型）；二是投票型集成，将多个模型的预测结果进行多数表决或加权平均（如随机森林）；三是堆叠型集成，即通过构建高阶“元模型”对多个基础模型输出进行二次学习。无论采用哪种方式，其本质都是在不同模型间引入结构互补性和样本不确定性的对冲机制，提升整体预测的泛化能力。
虽然大模型的火热给以GNN、Transformer为代表的深度神经网络类带来了持续的关注度，但深度学习的黑匣子属性依然是其较为明显的缺点，集成方法具有以下几个显著优势：
1)可解释性强：集成模型（尤其是基于树结构的模型）能够明确输出特征重要性、分裂路径和变量影响方向，更适用于需要因子逻辑可追溯的金融研究场景。
2)对小样本与噪声数据更友好：深度学习通常依赖大规模样本和高维连续特征，而集成方法在有限样本、高噪声环境中依然具备良好稳定性，适配金融市场中常见的结构性跳变数据。
3)调参复杂度适中：尽管部分集成模型调参空间较大，但相较于神经网络需要大量超参数组合、训练时间长、易陷入局部最优的特性而言，集成算法具有更高的工程可控性。
4)适配金融因子的结构特征：金融数据常呈现非线性、分段式和缺失值较多的特征。集成模型天然支持对缺失值、类别型变量和非正态分布变量的处理，且在非线性建模上具备先天优势。
我们在构建动态加权集成模型时，以每个基础模型在训练集上的 F1分数作为权重依据，按比例融合其预测结果，以兼顾模型在关键类别（尤其是“做多”信号）上的识别能力与整体预测表现，最终实现稳健且可解释的择时信号输出。
2.3.1 为何使用ensemble？
利率变动通常由多重因素驱动，不同时期主导因素差异显著，资金面、通胀预期、海外扰动、政策信号等对利率的走势的重要性呈阶段性轮动。高度动态且复杂的因果结构使得单一模型难以在全周期保持预测优势。因此，构建稳健择时信号的重要思路是采用多模型融合机制，在不同策略风格间进行风险对冲与结构互补。集成模型通过在多个基础模型间引入多样性，可有效降低预测方差，提升模型不同市场状态下的泛化能力。每个基础模型可能对某类特征结构或数据模式有较强适应性，但在其他情况下易出现性能波动。通过集成方式，能最大化保留各模型在优势场景下的信息提取能力，同时削弱其局部失效带来的整体冲击。
我们在项目初期对三种基础模型单独训练测试发现，模型在不同时间段和标签类别表现存在差异。例如，XGB模型捕捉趋势性因子效果较佳，但高噪声阶段稳定性不足；类别优化模型在市场波动加剧时表现更稳定。从策略角度讲，金融交易对信号可执行性与连续性要求较高。单一模型输出易出现结构性跳变，导致交易行为过于频繁或空窗期过长，影响资金利用效率与策略可控性。引入动态加权集成策略，基于每期训练样本中各模型表现（本项目以 F1 值作为权重基础）融合预测结果，可在提升预测精度的同时，有效平滑模型波动，增强策略在不同市场状态下的连贯性。
综上，集成模型不仅在理论上具备降低风险、提升稳定性的结构优势，在本项目的利率择时问题中也体现出良好的实践适配性与策略落地效果。因此，采用多模型动态融合方式是提升本项目预测能力与交易实效的关键环节。
3 模型设计：量化手段预测30年期国债收益率走势
我们的预测任务是使用基本面因子与技术面因子来预测30年期国债收益率未来5个交易日走势。这一选择出于两方面的考虑：一是实用性，低利率环境下，长周期预测不确定性高，短期波段交易更具价值；二是可行性，点位预测易受噪声干扰，方向性分类任务更适配投资决策。为了让模型更多地学习利率下行的逻辑，我们训练模型时采取了三分类的方法，选取1）周度利率变动幅度位于历史40%~60%分位数的样本作为“震荡”类，标为类别0；2）周度利率变动幅度位于20%~40%分位数的样本为“小幅下行”类，标为类别1；3）周度利率变动幅度位于历史20%分位数以内的样本为“大幅下行”类，标为类别2。
3.1 量化设计与框架
本次我们尝试构建基于赔率视角下的利率择时模型，整体流程包括数据收集、数据处理、特征提取、因子构建、模型构建与模型评估，旨在通过系统性方法输出具备交易价值的择时信号。
1)数据收集：数据维度我们使用了万得与Akshare两个数据平台，涵盖了国债收益率曲线、货币市场利率（如银行间质押式回购利率DR007、R001）、期限利差，以及通胀、经济增长等宏观经济指标。所有数据均对齐为交易日频率，并按时间顺序组织，以确保因子与目标变量的对应准确无误。
2)数据处理：本项目构建了较为严谨的处理流程，确保原始数据质量优良且结构稳定。首先，针对部分宏观数据和流动性指标存在的缺口，项目采用基于数据本身分布采用不同的方法进行填补，例如中位数、平均数及中位数邻近观测值的插值算法；其次，为应对金融市场数据的高波动特性，引入鲁棒标准化，分别对日度、周度、月度和季度窗口内的数据进行处理，有效缓解异常值对模型训练的干扰；第三，项目通过单位根检验与偏度分析等方法判断因子是否具备平稳性，对波动性严重、结构不稳定的因子进行转换。此外，为防止模型在不同时间段失效，项目在样本前后段分别检验了因子的分布一致性，剔除了漂移严重或结构不稳定的变量。
3)特征提取：项目从趋势性、结构性和流动性三类信号出发构建变量体系。趋势类变量包括利率的五日、十日变动幅度，衡量市场的短期方向感；结构类变量包括不同期限之间的利差及其变动，如一年期与十年期之间的利差变化；流动性类变量则关注资金价格与短端国债收益率之间的剪刀差，以及跨市场价格背离等现象。同时，为了增强模型对复杂关系的理解能力，部分变量经过对数变换或构建非线性交叉项后纳入模型。
4)模型构建：项目选取了三种主流集成算法进行对比与组合，分别为极端梯度提升树（XGBoost）、轻量化梯度提升树（LightGBM）和基于类别处理优化的梯度模型（CatBoost）。训练过程采用区块时间序列划分方式，将历史数据按年度为一个区间切分为训练集与验证集，保证建模过程符合真实预测场景。参数调优方面引入贝叶斯搜索方法，在控制计算开销的同时提高参数选择效率。模型的预测目标为多类别分类问题，选取1）周度利率变动幅度位于历史40%~60%分位数的样本作为“震荡”类，标为类别0；2）周度利率变动幅度位于20%~40%分位数的样本为“小幅下行”类，标为类别1；3）周度利率变动幅度位于历史20%分位数以内的样本为“大幅下行”类，标为类别2。
5)模型评估：以分类准确性为核心，重点关注对“做多”信号的识别效果。采用查准率（Precision）、查全率（Recall）与调和平均值（F1 score）三类指标进行性能衡量，评估模型在不同类别下的识别能力与稳定性。精确率是衡量模型预测正样本能力的重要指标，反映模型预测为正的样本中，实际为正的样本数量。召回率是评估模型识别正样本能力的关键指标，衡量模型能够正确识别的正样本比例。召回率越高，说明模型对正样本的覆盖能力越强。F1值是精确率和召回率的调和平均数，衡量模型综合的识别能力。此外，通过生成分类评估报告，进一步了解模型在各类标签上的具体表现。最后，项目将模型输出信号映射为模拟交易策略，在历史样本中进行回测，并统计其累计收益、波动水平与最大回撤等指标，以衡量模型信号的可执行性与稳健性。
综上所述，本项目通过结构化流程构建了一套完整的量化择时框架，具备较强的数据处理能力、多维度特征表达力和稳健的信号输出能力，能够有效辅助在利率市场中的择时决策。
3.2 数据收集：使用100个特征值构建“真实世界”
本项目中，我们用来描述市场的输入特征值共包括六大类、约100项指标，并且均收集所有特征值过去10年的数据作为数据集，其中具体数据包括：
1)宏观经济：基本面是债市分析的起点。而在30年期这一维度，利率走势受基本面影响更甚。我们从经济增长、价格、外部环境等方面筛选指标。
2)货币政策与流动性：资金面直接决定债市杠杆水平，从而影响债市需求。我们从货币政策、资金面、广义流动性三方面进行指标筛选。
3)债市供求：债市供求是影响阶段性行情的重要因素。我们选取每日债券净融资量作为供给层面的指标，而选取托管额作为需求层面的指标。
4)情绪面和相对价值：这里我们主要纳入三类指标：信用利差、股债相对回报率、杠杆率。
5)高频基本面：前述指标很多都是周度、月度甚至季度数据，具有一定滞后性，因此我们进一步纳入高频基本面指标，具体包括一线城市地铁客运量、粗钢日均产量、SCFI 综合指数、水泥价格指数等。
6)技术面：我们同时使用30年国债期货的价量指标计算各种技术面因子用于预测。
3.3 数据处理：提升模型稳健性的四重屏障
在量化利率择时模型的工程设计中，数据处理是保障模型有效性的关键环节。本模型聚焦缺失值填补、平稳性处理、标准化（滚动窗口标准化）及KS检验四大核心操作，其设计逻辑与实现方法如下：
3.3.1 数据清洗：缺失值简化、异常值及缺失值处理
金融时间序列常因数据源中断、非交易日或采集误差导致缺失。若直接删除缺失样本，可能损失关键时序连续性。具体而言，我们首先进行全列缺失率检查，如果数据缺失率高于设定缺失率上限（15%）则放弃该列。之后，我们分年度对异常值和缺失值进行处理。
对于异常值，我们使用MAD中位数法处理，在保证保留趋势信息的同时提升模型稳健性。MAD中位数法将所有与中位数差值超过n倍绝对中位差（即数值与中位数差值绝对值的中位数）的值统一处理为中位数，这一做法既适用于任意偏态分布的数据，又能保留局部趋势。
对于缺失值，我们首先进行正态性检验。如果呈现近似正态分布则用均值填充，如果呈现弱偏态则使用中位数填充，如果呈现强偏态则使用KNN填充。这样，对于近似正态分布的函数我们保证了填充值符合大数定律期望，对于左偏或右偏的数据我们避免了极值拉偏填充结果，对于严重偏离的数据我们也能捕捉自相关特征。
3.3.2 平稳性处理
平稳性处理是为了保证处理后历史数据与未来数据的分布模式具有相似性，使模型能基于历史规律有效预测未来趋势。若数据存在趋势或季节性等非平稳特征，直接建模会导致预测结果因统计特性漂移而失效。具体而言，我们首先对数据进行异方差、趋势、季节平稳性检验，随后使用Box-Cox与对数变换进行异方差处理，并分别对趋势、季节非平稳数据计算一阶差分和季节性差分。
3.3.3 标准化处理
在完成平稳性处理之后，我们对数据进行标准化处理。标准化是预处理的重要步骤，目的是调整数据的分布和量纲，使其更适合机器训练。为了保留时序局部特征的同时实现动态抗干扰，我们选择采用滚动稳健标准化处理，给模型的鲁棒性提供保障。具体而言，我们针对不同频率的数据，采用x′ = (Xnew − Median(Xwindow)) / IQR(Xwindow) 进行标准化，其中日频和周频数据时间窗口为1年，月频数据时间窗口为3年。
3.3.4 KS检验
在最后，我们对数据进行KS检验，以筛选出受短期干扰小、长期稳定的经济信号，从而降低过拟合风险。具体而言，我们对日频、周频、月频数据分别采取不同的检验措施，要求其在每个时间周期内至少有一半的时间满足相同分布，删除不符合条件的指标。具体而言，对于日频数据，我们选取每个月为一个分布，要求每年有5个月为相似分布；周频数据每个季度为一个分布，要求每年至少两个季度为相似分布；月频数据每年为一个分布，要求在15年样本期中有7年处于相似分布。
3.4 模型优化：对抗不平衡与分布漂移
我们使用三种主流集成算法（XGBoost、LightGBM、CatBoost）和集成模型（ensemble模型）进行模型训练及优化，并用贝叶斯搜索进行参数调优。除此之外，我们采用以下方案进行模型优化：
3.4.1 时间轴划分
由于时间序列数据具有严格时序依赖及分布漂移风险的特殊性，既要保证未来数据不能用于训练模型，又要避免市场结构突变（如政策转向）会使不同年份分布差异显著，因此我们将时间轴以年为单位划分为多个独立区间，区间之间完全隔离，并在每个区间上选取前80%训练集，后20%作为测试集用于交叉检验和超参数优化。
3.4.2 上采样
由于不同类别样本之间数据存在不平衡的现象，而我们希望模型更多学习到样本中占少数的利率下行的类别的特征，因此我们在训练集对类别1（利率小幅下行）和类别2（利率大幅下行）进行上采样，通过随机抽取样本并复制使得训练集中各种类别的数据量相同，进而帮助模型更好地学习利率下行样本的特征。通过上采样，类别1和类别2的召回率出现明显改善。
3.4.3 样本外回测
我们使用2015/5/14~2024/5/14的数据作为训练集建模，2024/5/14~2025/5/14的数据作为测试集用来评估模型预测效果。由于此模型以分类准确性为核心，重点关注对“做多”信号的识别效果，因此，样本外回测中我们重点关注模型对于类别1和类别2的识别。结果显示XGB为最有效的模型，若将类别1和类别2合并计算，模型查准率（precision）为59.42%，查全率（recall）为81.46%、调和平均值（F1 score）达68.72%，样本外表现尚可，表明模型能较好地识别做多信号。
4 结果展示
4.1 回测结果
为检验模型的泛化能力，我们对样本外数据进行回测。从赔率的角度出发，如果模型输出结果为“利率未来小幅下行（类别1）”或“利率未来大幅下行（类别2）”，则我们判断出现“买点”并买入TL进行持有，并于若干天后卖出。而如果在持有过程中再次出现“买点”，则我们延长持有期。在不考虑交易滑点、杠杆率、保证金的情况下，我们分别选择持仓期为3/5/10天比较收益率、夏普比、最大回撤、胜率，选出最终适合的持有期，回测结果如下图所示，以持有5天为例，样本外回测区间年化收益达12.58%，夏普比1.54，最大回撤6.95%，交易胜率67.23%。
策略走势图如上图所示，不同持有期限的策略表现均优于基准。从赔率的角度出发，若利率下行趋势明显，模型能够较为高效地识别出做多信号。相对而言，模型在2025年2月至3月时大幅回撤，说明模型不善于识别做空场景，符合基本逻辑。
4.2 后续优化
1）模型架构：当前策略从赔率的角度出发，在预期利率下行时做多，但未来利率下行空间有限，波动率或将呈上升趋势，后续或可从胜率的角度出发构建优化模型。
2）数据量：由于30年国债期货（TL）于2023年4月上市，价量数据相较于10年期国债期货（T）相对较少；且TL自上市以来走势长期向上，可供模型学习的偏空行情样本较少。
3）数据多样性。随着GPT和DeepSeek等语言大模型的迅速发展，如何通过分析文本数据（如财经新闻、政策文件）来构建情绪指标，提取与利率相关的情感指标有望为模型提供更丰富的数据来源和增量信息，从而增强模型对利率走势的预测能力。
5 风险提示
1)模拟交易与回测局限性：本报告中的交易策略及回测结果均基于历史数据的统计归纳，模拟交易的表现不代表未来实际收益。模型存在失效可能，不构成投资建议。投资者需结合自身风险偏好和实际情况谨慎使用。
2)硬件误差风险：模型的训练效果可能受到硬件设备性能和稳定性的影响。硬件误差可能导致训练过程中的计算偏差，从而降低模型的泛化能力和预测精度。
3)历史数据失真风险：模型的训练依赖于历史数据，若数据存在采集不准确、标注错误或样本偏差等问题，可能导致模型学习到错误的规律，影响其输出的可靠性。
