量化模型与构建方式 1. 模型名称：DFQ-TimesNet [2][4] 模型构建思路：针对A股量价时序存在的显著多周期结构，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，从而提升周期特征捕捉能力和收益率预测的稳定性[3][4][20]。 模型具体构建过程：模型主要分为三个模块[34]。 * 输入特征嵌入模块：将原始输入序列 [batch, seq_len, C_in] 映射到统一的高维特征表示空间 [B, T, d_model]。经实证测试，仅使用TokenEmbedding（采用核大小为3的1D卷积沿时间轴滑动）效果最优，不使用位置编码和时间戳编码[37][38][39]。 * 时序特征提取模块（TimesBlock）：这是模型的核心，具体流程如下[39][41]： 1. 周期发现：放弃不稳定的FFT自动周期识别方法，采用人为确定的5日（短周期，对应交易周）和60日（长周期，对应季度）双周期设定[42][44][46]。 2. 序列重塑：对每个选定周期 period，将输入 [batch, seq_len, d_model] 填充至长度 pad_len（满足 pad_len % period = 0），然后重塑为 [batch, num_period, period, d_model]，其中 num_period = pad_len / period。最后将维度交换为 [batch, d_model, num_period, period] 以适配后续2D卷积[50]。 3. Inception卷积：对重塑后的二维张量，采用两层串联的Inception模块进行特征提取。每层模块并行使用多个不同大小的2D卷积核（如1x1, 3x3, 5x5等），以同时捕捉不同尺度的周期特征。第一层将通道数由 d_model 提升至 d_ff，经GELU激活后，第二层将通道数映射回 d_model，输出维度仍为 [batch, d_model, num_period, period][51][53][54]。 4. 融合输出：将每个周期经Inception处理后的输出 [batch, d_model, num_period, period] 置换并展开回 [batch, seq_len, d_model]。将不同周期的输出合并后 [batch, seq_len, d_model, K]（K为周期个数），采用直接平均的方式融合，得到 [batch, seq_len, d_model]。最后，将该输出与TimesBlock的原始输入相加，构成残差连接[56][58][59]。 * 预测输出模块：从TimesBlock的最终输出 [batch, seq_len, d_model] 中，选取最后一个时间步得到 [batch, d_model]，再通过一个全连接层 nn.Linear(d_model, c_out) 投影到预测目标维度 c_out，得到最终预测值 [batch, c_out][36][60][61]。 模型评价：该模型通过二维多周期建模有效挖掘A股量价周期规律，具备强周期感知能力，且规避了Transformer的计算瓶颈，更适配长时序量价数据[4][8][64][65]。 模型的回测效果 （注：以下所有模型测试结果均基于中证全指股票池，测试区间为2020.01.01-2025.08.29，预测标签为未来20日收益率[88]。指标“信息比率”的英文是IR。） 1. DFQ-TimesNet模型，IC 12.50%，IC_IR 1.24，rankIC 14.51%，rankIC_IR 1.33，多头月度胜率 77.94%，多头日超额收益夏普比 3.07，多头日超额年化收益 30.05%，多头日超额收益最大回撤 -7.09%，多头月均单边换手率 77.49%[89][90]。 量化因子与构建方式 1. 因子名称：TimesNet因子 [88] 因子的构建思路：将DFQ-TimesNet模型对个股未来收益的预测值作为选股因子[88]。 因子具体构建过程：使用经过最优配置训练的DFQ-TimesNet模型进行推断。模型输入为经过处理的60个基础量价特征序列，输出即为每个样本（股票）的预测收益率，该值被用作因子得分[71][72][88]。具体数据处理和模型配置如下： * 样本空间：中证全指同期成分股[67]。 * 数据区间：训练集（2014-2018）、验证集（2019）、测试集（2020-2025.6.30），数据集间设有隔离间隙[67]。 * 解释变量X处理：按每日截面做Z-score标准化 + clip(-3,3)，用0填充缺失值[68]。 * 预测标签Y：个股未来20日收益率，按每日截面做Z-score标准化[68][73]。 * 输入特征：60个基础量价特征（包括原始日线行情、基于分钟线和level2数据提取的日频特征）[71]。 * 关键超参：序列长度 seq_len=60，隐藏层大小 hidden_size=128，周期 periods=[5,60]，TimesBlock层数 e_layers=1，Inception中间通道数 hidden_size2=128等[76]。 因子的回测效果 （注：以下因子测试结果涵盖多个股票池，测试区间为2020.01.01-2025.08.29[88]。不同股票池的分组数不同：中证全指20组，沪深300和中证500为5组，中证1000为10组[88]。） 1. TimesNet因子（中证全指股票池），IC 12.50%，IC_IR 1.24，rankIC 14.51%，rankIC_IR 1.33，多头月度胜率 77.94%，多头日超额收益夏普比 3.07，多头日超额年化收益 30.05%，多头日超额收益最大回撤 -7.09%，多头月均单边换手率 77.49%[89][90]。 2. TimesNet因子（沪深300股票池），IC 6.23%，IC_IR 0.72，rankIC 7.69%，rankIC_IR 0.81，多头月度胜率 70.59%，多头日超额收益夏普比 1.70，多头日超额年化收益 9.10%，多头日超额收益最大回撤 -7.31%，多头月均单边换手率 68.10%[29]。 3. TimesNet因子（中证500股票池），IC 9.13%，IC_IR 1.10，rankIC 10.70%，rankIC_IR 1.18，多头月度胜率 77.94%，多头日超额收益夏普比 2.42，多头日超额年化收益 18.47%，多头日超额收益最大回撤 -6.30%，多头月均单边换手率 74.70%[32]。 4. TimesNet因子（中证1000股票池），IC 11.71%，IC_IR 1.40，rankIC 13.68%，rankIC_IR 1.50，多头月度胜率 83.82%，多头日超额收益夏普比 2.99，多头日超额年化收益 25.63%，多头日超额收益最大回撤 -5.37%，多头月均单边换手率 77.49%[35]。