因子选股系列之一一八：DFQ-TimesNet：捕捉量价特征周期规律，提升股票收益预测效果

报告发布日期 DFQ-TimesNet：捕捉量价特征周期规律，提升股票收益预测效果 ——因子选股系列之一一八 刘静涵执业证书编号：S0860520080003香港证监会牌照：BSX840liujinghan@orientsec.com.cn021-63326320 研究结论 研究背景与问题：传统模型难以适配A股多周期量价特征，预测稳定性不足 ⚫A股量价时序存在显著多周期结构，传统模型难以有效利用周期信息：LSTM/GRU长期记忆不足、TCN难以捕捉周期规律、Transformer易受噪声干扰、HIST模型忽视个股时序周期，均无法满足稳定预测需求。 DFQ-FactorGCL：基于超图卷积神经网络和 时 间 残 差 对 比 学 习 的 股 票 收 益 预 测 模型：——因子选股系列之一一七2025-07-21DFQ-diversify：解决分布外泛化问题的自监督领域识别与对抗解耦模型：——因子选股系列之一一五2025-05-07DFQ-FactorVAE-pro：加入 特征选择 与环境变量模块的FactorVAE模型：——因子选股系列之一一一2025-02-19DFQ机器学习行业轮动模型：——量化策略系列之八2024-11-19DFQ-XGB：基于树模型的alpha预测方案：——因子选股系列之一〇七2024-08-15DFQ-FactorVAE：融合变分自编码器和概率动态因子模型的alpha预测方案：——因子选股系列之一〇三2024-05-14 模型设计与创新：二维时序建模+双周期结构，显著提升周期规律捕捉能力 ⚫DFQ-TimesNet基于TimesNet二维时序建模框架，将一维量价序列转为二维结构以解耦周期内波动与跨周期关联，显著提升周期特征捕捉能力：采用5日+60日双周期设定，放弃不稳定的FFT自动周期识别；使用TokenEmbedding、两层Inception卷积、直接平均周期融合与残差连接，构建高效稳定的时序特征提取模块。 数据与训练配置：数据处理与训练机制成熟，模型稳定性与一致性达标 ⚫模型以中证全指为样本，采用2014-2025年分段数据并设置隔离间隙避免信息泄露；解释变量按日截面Z-score+clip处理，预测标签选用未来20日收益率标准化结果，以基础量价特征为输入效果最优；训练早停收敛、无过拟合，随机种子影响可控，输出一致性高。 因子绩效表现：多股票池表现优异，风格暴露清晰可控 ⚫模型在多股票池均表现优异，分组单调性良好：中证全指IC达12.50%，多头超额年化30.05%；小盘股场景适配性显著优于大盘股，中证1000因子表现最为突出；风格暴露清晰可控，呈现小市值、高Beta、低波动、低确定性、反转特征，价值与流动性保持中性。 指数增强效果：组合收益稳健，特质收益主导超额收益 ⚫模型应用于指数增强组合收益稳健、风险可控，超额收益由特质收益主导：沪深300增强特质收益占比52%，中证500占比64%，中证1000占比66%；其中中证1000增强表现最优，年化对冲收益15.80%，信息比1.90，同类排名领先。 总结：模型周期感知能力突出，实战与泛化价值显著 ⚫DFQ-TimesNet通过二维多周期建模有效挖掘A股量价周期规律，因子绩效稳定、风格无极端偏离、组合收益突出、泛化能力强，可为量化选股与指数增强策略提供可靠支撑。 风险提示 1.量化模型基于历史数据分析，未来存在失效风险，建议投资者紧密跟踪模型表现。2.极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。 目录 引言...............................................................................................................7 1、研究背景：A股量价多周期特征显著，传统时序模型存在固有局限......7 1.1 A股量价时序特征存在多周期结构................................................................................71.2传统时序模型无法有效利用多周期信息........................................................................81.3 TimesNet：面向多周期的时序建模方案.......................................................................9 2、DFQ-TimesNet模型原理：二维建模解耦多周期，捕捉量价周期规律..9 2.1模型架构：多周期时序建模，捕捉量价内生规律..........................................................9 2.1.1输入特征嵌入模块：统一特征表示，提升模型建模效率102.1.2时序特征提取模块：解耦量价周期规律，挖掘有效周期信息112.1.3预测输出模块：聚焦近期量价信息，提升收益率预测精度142.2模型优势：强周期感知能力，全面捕捉量价波动特征.................................................15 3、DFQ-TimesNet模型细节：实证优化定最优配置，保障模型实用与稳定.16 3.1数据说明：最优数据处理与输入输出设定，奠定模型绩效基础..................................163.2模型超参：最优超参设定，保障模型性能稳定...........................................................173.3随机种子影响：种子影响可控，模型稳定性达标........................................................18 4、DFQ-TimesNet模型结果：训练稳定且绩效优异，泛化能力与实用性突出 ....................................................................................................................184.1训练情况：早停收敛且无过拟合，训练效率与稳定性双达标......................................184.2因子绩效分析：多股票池表现优异，分组单调性良好.................................................194.2.1中证全指股票池：绩效最优且稳定性强，2025年表现优于历史均值204.2.2沪深300股票池：整体表现稳健，2025年阶段性回调但风险可控214.2.3中证500股票池：绩效表现均衡，回撤控制优异，适配中盘股场景224.2.4中证1000股票池：绩效表现突出，胜率高回撤小，适配小盘股场景234.3因子多头组风险因子暴露：模型风格与同类模型差异显著且无极端偏离....................24 5、指数增强组合结果——DFQ-TimesNet模型多指数适配性强，特质收益主导 超额且绩效优异...........................................................................................26 5.1指数增强组合构建说明——约束明确、实操性强，贴合实际回测与交易逻辑.............265.2沪深300指数增强组合——DFQ-TimesNet模型表现稳健，特质收益主导超额.........27 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。 5.3中证500指数增强组合——DFQ-TimesNet模型收益突出，特质收益占比高.............285.4中证1000指数增强组合——DFQ-TimesNet模型表现优异，年化收益突出且排名顶尖.........................................................................................................................................30 6、总结......................................................................................................32 7、风险提示...............................................................................................32 8、参考文献...............................................................................................32 图表目录 图1：时序数据具备显著多周期结构，可通过周期折叠实现一维向二维结构化变换.....................7图2：DFQ-TimesNet模型框架——捕捉量价数据周期规律的时序预测模型.............................10图3：DFQ-TimesNet模型不同embedding方法绩效对比——仅用TokenEmbedding效果最优...................................................................................................................................................11图4：TimesBlock层示意图——显式解耦多周期特征，捕捉周期规律.......................................11图5：DFQ-TimesNet模型不同单周期绩效表现——周期5与周期60效果最优........................12图6：DFQ-TimesNet模型不同双周期下的绩效表现——周期5+60双周期训练效果最优.........12图7：FFT方法下各周期在不同重要性下出现的次数——长周期占比高，短周期识别不足........12图8：FFT方法下振幅前五的周期的平均振幅时序变化图——周期选择稳定性差......................12图9：Inception卷积模块示意图——多尺度并行卷积，全面捕捉周期特征................................13图10：DFQ-TimesNet模型1层与2层Inception卷积模块绩效对比——两层串联效果更优.....13图11：DFQ-TimesNet模型不同周期融合方法绩效对比——直接平均融合效果最优................14图12：DFQ-TimesNet模型残差连接添加前后绩效对比——添加残差连接提升模型稳定性......14图13：DFQ-TimesNet模型输出层不同处理方法绩效对比——取最后一步预测效果更优.........15图14：TimesNet、TCN、Transformer模型对比——TimesNet二维建模更适配多周期时序预测场景...............................................................................