我国的债券市场自成立以来取得了飞速的发展,它已经发展成为我国金融市场中最重要的市场之一,对于债券市场运行规律的深入研究也变得愈发重要。虽然完美的预测不存在,但是对债券市场有效的预测可以为决策者制定科学有效的宏观政策提供合适的依据,可以使盈利机构的利润最大化。而现代的债券市场和股票市场一样具有数据量大、非线性等特征,各种预测模型层出不穷,通过单一模型来预测市场的准确率和可扩展性都相对有限,难以很好的适用于日趋复杂的债券市场。而集成模型因为其具有稳定性好、容错率高、扩展能力强等特点更适用于复杂的债券市场预测中。本文的主要目的是通过人工智能的方法对国开债收益率在二级市场短期内的涨跌做出预测。为此,本文在大量学者研究的基础之上,结合债券专家的从业经验,从理论上分析了国开债收益率走势的影响因素,并将这些影响因素作为模型的特征变量,在特征变量的选取过程中,更偏向于债券专家日常关注的交易指标,如社融、M2、DR007、期限利差和隐含税率等。然后本文构建了卷积神经网络模型、随机森林模型、K近邻模型、支持向量机模型、逻辑回归模型五个机器学习分类模型,并通过实证检验分析对比五种模型的的预测效果。研究表明,机器学习分类算法在预测国开债收益率的涨跌上有一定的可行性,其中随机森林模型和支持向量机模型的整体性能较好,而卷积神经网络模型由于无法有效获取数据特征和K近邻模型一样表现出预测性能较差,逻辑回归模型在国债期货的预测中表现较好,但在现货市场中的表现一般,表明模型的稳定性较差。在此基础上,本文自创了一个新的自适应集成模型,该模型首先通过Bagging的方法将卷积神经网络模型、随机森林模型、K近邻模型、支持向量机模型、逻辑回归模型五种常用的分类模型集成,然后加入自适应筛选模型的步骤,使得模型可以根据数据集的特点自主选择基础模型和分配模型的权重,最后采取加权投票法汇总五个模型的输出结果得到最终的结果,输出结果的权重和单一模型训练时的准确率有关。研究表明,自适应集成模型通过对不同种类不同运行机制的单一模型进行集成和自适应选择模型的过程,可以有效降低模型的整体方差和偏差,在现货市场和期货市场的实证检验中都取得了比单一模型更好的预测准确率和稳定性,表明自适应集成的方法可以有效的提高了模型的预测性能。本文不同于以往研究的创新点在于:第一是研究对象创新,国开债作为债券二级市场的“明星”交易品种,具有很高的研究价值,但目前对国开债的研究相对薄弱。第二是研究方法创新,人工智能的方法虽然在金融领域的应用很多,但在预测债券收益率方面的应用非常少,本文的研究有助于促进人工智能的方法在债券收益率预测领域的应用。第三是特征变量的选择创新,模型特征变量的选择主要基于从业专家的经验,丰富了特征变量的选择,且更贴近真实的市场环境,实用性更强。第四是模型的创新,本文自创了一个新的自适应集成模型,并有效的提高了预测性能。