PatchTST、TSMixer、ModernTCN时序深度网络构建量价因子.pdf

PatchTST、TSMixer、ModernTCN时序深度网络构建量价因子。深度学习强大的表征能力使其在多个领域取得了显著成果，在时序领域同样也 有许多模型选择。本文探索了 PatchTST、TSMixer、ModernTCN 三个近年的 时序深度学习模型在因子挖掘上的运用，它们采用了 Patch+通道独立的模型 设计，骨干网络分别基于自注意力、MLP、CNN 机制。

模型特点

本文介绍的深度学习模型以多变量时序类数据为出发点，相比于基于 RNN 类 的时序模型，最显著的区别在于采用了通道独立的设计，即将多变量时间序列 先拆为多个单变量时间序列，骨干网络的模块分别学习单变量序列的时序、特 征交互以及跨变量的信息交互。这些时序网络在骨干网络的设计上，融合了视 觉领域以及 Transformer 的骨干网络思路和方法，具有一定参考意义。

因子测试对比

鉴于不同领域时序任务的多样性，我们进一步探索了 PatchTST、Transformer、 TSMixer、ModernTCN 模型在量价数据集的泛化能力。在中证全指股票池下， 四个模型生成的量价周频因子 10 日 RankIC 均达到了 10%以上，TSMixer 和 ModernTCN 的整体表现略优于 PatchTST 和 Transformer；4 个周度因子的区间 IC 均值分别为 10.6%、10.8%、11.0%、10.7%，ICIR 为 0.83、0.82、0.91、0.88。 不同模型 20 分组的 TOP 组超额收益差异较大，四个模型 TOP 组的年化超额 收益分别为 21%、14.28%、22.39%、18.18%；模型设计差异最大的两个模型 的 TOP 组选股重叠度约为 61%； 在 2024 年初至 2 月 8 日区间，四个模型的 TOP 组超额收益最大回撤表现不 一，分别为 4%、5%、7%、21%，ModernTCN 模型回撤幅度明显大于其他模 型。