摘要: 政策性银行的负债核心依赖政策性金融债发行, 且近年面临净息差下降的经营压力, 发行利率的精准预测是其“择机发债、控制成本” 的关键前提。本文以2019 年1 月—2024 年12 月政金债发行数据为训练基础,整合宏观经济、资金供给、债券要素三大维度的17 项核心指标, 构建了BP 神经网络回归、随机森林回归和支持向量机(SVR) 回归3 种机器学习的预测模型。通过2025 年1—6 月的实际发行数据验证显示: 3 种模型对政金债发行利率的预测走势与实际走势高度吻合, 其中随机森林回归表现最优, 对国开债的预测精度尤为突出(MSE =0. 015, R2 =0. 987); 国开债整体预测效果优于农发债和口行债, 后两者因数据特征变化( 如农发债浮动利率债券占比变动) 和积累程度差异存在一定偏差。研究表明, 机器学习模型可有效捕捉政金债利率波动规律, 为政策性银行择机发行提供科学参考。