Alpha 掘金系列之十八：基于 TimeMixer 改进的选股因子到 ETF 轮动策略

一、机器学习选股基准模型

• 以GBDT与NN两大模型族为核心，搭配两组预测标签分别训练，并将结果融合，在A股主要宽基指数成分股上取得显著效果。
• 以表现突出的LightGBM与GRU为代表进行更精细的调优，并将GRU的hidden state连同其他弱因子一并输入LightGBM进行集成，实现稳健且持续的提升。

二、基于TimeMixer的机器学习选股模型改进

• TimeMixer模型通过多尺度混合与季节/趋势分解机制，在金融时序数据上展现出一定的预测能力，但其风险控制优于GRU模型，收益表现略逊。
• 将TimeMixer的季节/趋势分解模块与GRU结合构建的TSGRU模型，在保持原始GRU预测能力的同时，进一步将多空年化收益率提升至77.95%。
• 通过LightGBM集成TSGRU隐向量与传统量化因子，合成的复合因子实现了12.86%的10日IC均值和88.41%的多空年化收益率。

三、ETF指数投资现状

• ETF投资相比个股具有分散风险、成本低廉和持仓透明三大核心优势。
• 我国ETF市场快速发展，非货币ETF规模达3.59万亿元，股票型ETF占比超八成，其中宽基和行业主题ETF规模分别突破2.2万亿和6957亿元。

四、选股因子合成的ETF轮动策略

• 采用“两步映射”思路：先用成分股权重把个股Alpha因子加权合成为指数级因子，再从跟踪该指数的ETF池中挑出最契合的一只作为最终持仓。
• 基于TimeMixer改进的机器学习模型周度调仓策略年化超额收益（相对沪深300）达19.65%（信息比率1.98），ETF轮动策略年化超额18.98%（信息比率1.88）。
• 选取滚动20日规模最大的ETF作为标的，并动态调整可投标的池，最终策略在2024年实现14.16%的超额收益，2025年上半年超额收益达8.40%。

总结

• 本研究创新性地将TimeMixer框架的多尺度混合与季节/趋势分解机制融入GRU模型，构建了改进的机器学习选股模型，并在宽基指数增强和ETF轮动策略中取得了优异成果。
• TimeMixer改进的机器学习因子在实盘中的优异表现，充分验证了其在量化投资领域的实用价值。