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]。