20250813-国金证券-Alpha掘金系列之十八_基于TimeMixer改进的选股因子到ETF轮动策略_17页_2mb

基于TimeMixer改进的机器学习选股模型分析总结

本研究将TimeMixer时序预测框架的多尺度混合与季节/趋势分解机制引入GRU模型，构建了改进的机器学习选股模型，以提升A股收益率预测和组合优化能力。实验结果显示，TimeMixer原生模型风险控制优于GRU，但收益略低；通过结合季节/趋势分解的TSGRU模型，IC均值和多空年化收益率小幅提升。集成LightGBM后，复合因子实现12.86%的IC均值和88.41%多空年化收益率，性能显著优于基准GRU模型。

在宽基指数增强应用中，策略在2018-2025年回测期间表现卓越，中证1000增强组合年化超额达17.94%（信息比率3.09），沪深300和中证500策略也分别取得正超额收益，年均超额稳定且风险可控。

此外，基于“两步映射”方法构建的ETF轮动策略，年化超额收益率分别达到19.65%（指数轮动）和18.98%（ETF轮动），得益于机器学习因子对市场风格的捕捉能力。

研究趋势表明，改进模型有效提升了量化投资表现，但也面临历史数据依赖和政策变化的风险，策略收益可能受交易成本和市场环境影响。

字数：450