因子选股系列之一一八：DFQ_TimesNet，捕捉量价特征周期规律，提升股票收益预测效果.pdf

因子选股系列之一一八：DFQ_TimesNet，捕捉量价特征周期规律，提升股票收益预测效果。

研究背景与问题：传统模型难以适配 A 股多周期量价特征，预测稳定性不足

A 股量价时序存在显著多周期结构，传统模型难以有效利用周期信息：LSTM/GRU 长期记忆不足、TCN 难以捕捉周期规律、Transformer 易受噪声干扰、HIST 模型忽 视个股时序周期，均无法满足稳定预测需求。

模型设计与创新：二维时序建模 + 双周期结构，显著提升周期规律捕捉能力

DFQ-TimesNet 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，显著提升周期特征捕捉能力：采用 5 日+60 日双 周期设定，放弃不稳定的 FFT 自动周期识别；使用 TokenEmbedding、两层 Inception 卷积、直接平均周期融合与残差连接，构建高效稳定的时序特征提取模 块。

数据与训练配置：数据处理与训练机制成熟，模型稳定性与一致性达标

模型以中证全指为样本，采用 2014-2025 年分段数据并设置隔离间隙避免信息泄 露；解释变量按日截面 Z-score+clip 处理，预测标签选用未来 20 日收益率标准化 结果，以基础量价特征为输入效果最优；训练早停收敛、无过拟合，随机种子影响 可控，输出一致性高。

因子绩效表现：多股票池表现优异，风格暴露清晰可控

模型在多股票池均表现优异，分组单调性良好：中证全指 IC 达 12.50%，多头超额 年化 30.05%；小盘股场景适配性显著优于大盘股，中证 1000 因子表现最为突 出；风格暴露清晰可控，呈现小市值、高 Beta、低波动、低确定性、反转特征，价 值与流动性保持中性。

指数增强效果：组合收益稳健，特质收益主导超额收益

模型应用于指数增强组合收益稳健、风险可控，超额收益由特质收益主导：沪深 300 增强特质收益占比 52%，中证 500 占比 64%，中证 1000 占比 66%；其中中 证 1000 增强表现最优，年化对冲收益 15.80%，信息比 1.90，同类排名领先。

总结：模型周期感知能力突出，实战与泛化价值显著

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。