聚焦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。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。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。
聚焦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。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。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。
聚焦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。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。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。核心数据: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%;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%。
本报告由东方证券发布,发布于 2026 年。
覆盖 2026 年,全文共 34 页。
本报告为付费报告,可在资料宝站内下单后获取完整内容。
适合投资人等读者参考。
重点分析了股票、因子选股系列之一一八、DFQ等议题。