> **来源：[研报客](https://pc.yanbaoke.cn)** # DFQ-TimesNet 模型总结 ## 核心内容 DFQ-TimesNet 是一种基于 TimesNet 框架的二维时序建模模型，专门用于捕捉 A 股市场中量价特征的多周期规律，以提升股票收益预测的准确性和稳定性。该模型通过将一维量价序列转换为二维结构，实现对周期内波动与跨周期关联的解耦，从而更高效地提取时序特征。模型设计结合了 A 股市场的实际特征，采用固定周期（5日与60日）进行建模，避免了自动周期识别方法的不稳定性。模型还引入了 Inception 卷积模块、残差连接和直接取最后一步的预测输出方式，以提升模型的稳定性与预测精度。 ## 主要观点 - **A股量价多周期特征显著**：A股市场中，个股收益率受短期、中期和长期周期影响，这些周期分别对应交易周、月度节律和季度趋势。 - **传统模型存在局限**：LSTM/GRU、TCN、Transformer 和 HIST 等模型在处理多周期数据时存在信息混杂、周期识别不准确、计算复杂度高或忽略个股周期等问题。 - **二维建模提升周期感知**：DFQ-TimesNet 通过二维结构化建模，有效分离周期内波动与跨周期关联，增强模型对周期信息的捕捉能力。 - **模型稳定性与一致性**：数据处理和训练机制成熟，模型在不同随机种子下输出高度一致，且无过拟合现象，训练效率高。 ## 关键信息 ### 模型设计与创新 - **二维结构化建模**：将一维量价序列转换为二维张量，便于提取周期内与跨周期的特征。 - **双周期设定**：采用5日和60日固定周期，避免FFT自动周期识别的不稳定。 - **Inception卷积模块**：通过多尺度卷积核并行提取不同周期特征，提升模型的全面性。 - **残差连接**：通过残差连接提升模型稳定性，避免梯度消失问题。 - **直接取最后一步**：输出层采用最后一步预测，聚焦近期量价信息，提升预测准确性。 ### 数据与训练配置 - **样本与数据区间**：使用中证全指成分股，训练集为2014-2018年，验证集为2019年，测试集为2020-2025年。 - **数据处理方式**：解释变量X采用每日截面Z-score标准化+clip处理，预测标签Y采用未来20日收益率标准化。 - **输入特征**：以基础量价特征为输入，共60个，包括日线行情、分钟线特征、Level2数据特征等。 - **超参设定**：模型参数和训练参数均经过实证调试，确保模型性能稳定与训练效率。 ### 因子绩效表现 - **多股票池表现优异**：在中证全指、沪深300、中证500和中证1000股票池中均表现良好。 - **分组单调性良好**：因子在不同股票池中分组表现稳定，且无极端风格暴露。 - **风格暴露清晰可控**：模型偏好小市值、高Beta、低波动、低确定性、反转特征，价值与流动性保持中性。 - **组合收益稳健**：在指数增强策略中表现突出，超额收益主要由特质收益驱动，中证1000组合表现最优。 ### 指数增强效果 - **沪深300增强组合**：特质收益占比52%，信息比1.01，表现稳健。 - **中证500增强组合**：特质收益占比64%，信息比1.32，回撤控制良好。 - **中证1000增强组合**：特质收益占比66%，信息比1.90，年化对冲收益15.80%，同类排名领先。 ## 结构与流程 DFQ-TimesNet 模型流程如下： 1. **输入特征嵌入模块**：将一维输入映射为统一的高维特征空间，采用TokenEmbedding。 2. **时序特征提取模块**：通过周期识别与结构化，将序列重塑为二维张量，再通过Inception卷积提取多尺度周期特征。 3. **预测输出模块**：取最后一步作为输出，通过线性投影层生成预测结果。 ## 模型优势 - **强周期感知能力**：通过二维建模，实现周期内波动与跨周期关联的清晰分离。 - **高效特征提取**：采用Inception卷积模块，兼顾多尺度特征提取，提升模型全面性。 - **稳定性与泛化能力**：模型在不同数据集和随机种子下表现稳定，泛化能力突出。 ## 风险提示 - **历史数据依赖**：模型基于历史数据，未来可能存在失效风险。 - **极端市场冲击**：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。 ## 实证结果 - **训练稳定性**：模型在训练过程中早停收敛，无过拟合，训练效率高。 - **因子表现**：在多股票池中IC值达12.50%，多头超额年化收益达30.05%。 - **风格暴露**：模型风格无极端偏离，表现稳健。 ## 总结 DFQ-TimesNet 通过二维建模有效捕捉 A 股量价周期规律，提升收益率预测的准确性与稳定性，为量化选股与指数增强策略提供可靠支撑。模型在不同市场环境中表现优异，具备良好的泛化能力和实用性。