> **来源：[研报客](https://pc.yanbaoke.cn)** # DFQ-TimesNet 模型总结 ## 核心内容 DFQ-TimesNet 是一种基于二维时序建模框架的股票收益预测模型，旨在有效捕捉 A 股市场的多周期量价特征，从而提升收益率预测的准确性和稳定性。该模型采用 5 日和 60 日双周期设定，通过二维结构化建模，将一维量价序列转化为二维张量，以更清晰地分离周期内波动与跨周期关联，进一步利用多尺度卷积提取特征，实现更全面的周期信息捕捉。 ## 主要观点 - **多周期结构**：A股量价数据具有显著的多周期特性，包括短周期（5日）、中周期（20日）和长周期（60日）。这些周期分别对应不同的市场驱动因素，如交易行为、行业轮动、宏观经济变化等。 - **传统模型的局限性**：LSTM/GRU、TCN、Transformer 和 HIST 等传统模型在捕捉多周期信息方面存在不足，如 LSTM/GRU 无法有效捕捉长周期规律，TCN 仅关注局部依赖，Transformer 容易受噪声干扰，HIST 忽视个股时序周期。 - **TimesNet 的创新**：TimesNet 通过二维结构化建模，能够有效解耦周期内波动与跨周期趋势，从而提升模型对周期特征的识别能力。 - **模型优化**：DFQ-TimesNet 在 TimesNet 基础上进行实证优化，选择 5 日和 60 日作为双周期结构，采用 TokenEmbedding 作为唯一嵌入方式，使用两层 Inception 卷积模块，采用直接平均融合方法，并在输出层采用取最后一步的方式，从而提升模型稳定性与预测精度。 - **模型稳定性**：模型在训练过程中表现出良好的稳定性，采用早停机制防止过拟合，且随机种子对模型输出影响较小，输出一致性高。 ## 关键信息 ### 模型结构 - **输入特征嵌入模块**：采用 TokenEmbedding，对每个时间点的表示聚合其相邻的3个交易日信息。 - **时序特征提取模块**：使用两层 Inception 卷积模块，分别提取不同周期的特征，最后通过直接平均融合方式结合。 - **预测输出模块**：取最后一步进行预测，避免时序池化带来的信息损失。 ### 数据与训练 - **样本空间**：以中证全指成分股为样本，确保覆盖 A 股全市场。 - **数据区间**：训练集为 2014.01.01—2018.11.30，验证集为 2019.01.01—2019.11.30，测试集为 2020.01.01—2025.06.30。 - **数据处理**：解释变量 X 采用每日截面 Z-score + clip 处理，预测标签 Y 采用未来 20 日收益率标准化处理。 - **模型超参**：包括 num_foreport、hidden_size、dropout、c_out、e_layers、num_kernels、periods、embed、n_epochs、lr、early_stop、smooth_steps、labels、per_epoch_batch、batch_size、seed、seq_len 等，均经过实证调试优化。 ### 模型绩效 - **因子表现**：在中证全指股票池中，IC 达到 $12.50\%$，多头超额年化收益为 $30.05\%$。 - **风格暴露**：模型呈现小市值、高 Beta、低波动、低确定性、反转特征，且在小盘股场景中表现尤为突出。 - **指数增强效果**：应用于沪深 300、中证 500、中证 1000 指数增强组合，特质收益主导超额收益，其中中证 1000 指数增强组合表现最优，年化对冲收益 $15.80\%$，信息比 1.90。 ### 模型优势 - **二维建模能力**：实现多周期信号的解耦，提升模型对周期特征的识别与提取能力。 - **高效特征提取**：通过二维卷积操作，实现多尺度特征提取，兼顾短期波动与长期趋势。 - **稳定性与泛化能力**：模型在不同股票池中表现稳定，且在不同随机种子下输出一致性高，具备较强的泛化能力。 ## 模型风险提示 - **历史数据依赖**：模型基于历史数据进行训练，未来可能存在失效风险。 - **极端市场环境**：在极端市场情况下，模型可能表现不佳，导致收益亏损。 ## 相关报告 - 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。 - DFQ-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。 - DFQ-FactorVAE-pro：加入特征选择与环境变量模块的 FactorVAE 模型。 - DFQ 机器学习行业轮动模型：量化策略系列之八。 - DFQ-XGB：基于树模型的 alpha 预测方案。 - DFQ-FactorVAE：融合变分自编码器和概率动态因子模型的 alpha 预测方案。 ## 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。 - 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。 - 图3：DFQ-TimesNet 模型不同 embedding 方法绩效对比。 - 图4：TimesBlock 层示意图——显式解耦多周期特征，捕捉周期规律。 - 图5：DFQ-TimesNet 模型不同单周期绩效表现。 - 图6：DFQ-TimesNet 模型不同双周期下的绩效表现。 - 图7：FFT 方法下各周期在不同重要性下出现的次数。 - 图8：FFT 方法下振幅前五的周期的平均振幅时序变化图。 - 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。 - 图10：DFQ-TimesNet 模型 1 层与 2 层 Inception 卷积模块绩效对比。 - 图11：DFQ-TimesNet 模型不同周期融合方法绩效对比。 - 图12：DFQ-TimesNet 模型残差连接添加前后绩效对比。 - 图13：DFQ-TimesNet 模型输出层不同处理方法绩效对比。 - 图14：TimesNet、TCN、Transformer 模型对比。 - 图15：DFQ-TimesNet 模型解释变量 X 不同处理方式下的模型效果对比。 - 图16：DFQ-TimesNet 模型解释变量 Y 不同处理方式下的模型效果对比。 - 图17：DFQ-TimesNet 模型不同输入特征下的模型效果对比。 - 图18：DFQ-TimesNet 模型不同预测标签下的模型效果对比。 - 图19：DFQ-TimesNet 模型主要超参列表。 - 图20：DFQ-TimesNet 模型不同随机种子下的模型效果对比。 - 图21：DFQ-TimesNet 模型不同随机种子下得到的因子值相关系数。 - 图22：DFQ-TimesNet 模型不同随机种子下得到的多头超额收益相关系数。 - 图23：DFQ-TimesNet 模型训练集中损失值变化。 - 图24：DFQ-TimesNet 模型训练集、验证集、测试集 IC 变化。 - 图25：DFQ-TimesNet 模型训练集、验证集、测试集 rankIC 变化。 - 图26-37：中证全指股票池 TimesNet 因子绩效表现与分组超额收益。 - 图38-61：DFQ-TimesNet 模型在沪深 300、中证 500、中证 1000 股票池中的指数增强组合绩效表现。 ## 总结 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。