2026年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：A 股量价多周期特征显著，传统时序 模型存在固有局限

1.1 A 股量价时序特征存在多周期结构

现实世界时间序列并非随机波动，而是普遍由多重周期叠加驱动，这是 TimesNet（ICLR 2023）提出的核心观测与建模动机。无论是气象、电力、交通数据，还是金融市场的量价时序， 均同时包含短期扰动、中期节律与长期趋势，不同周期信号相互交织，共同决定序列变化模式。 TimesNet 原论文中通过 FFT 频域分析验证：时序信号在频域中存在显著振幅峰值，对应数据中 蕴含的多重周期，证明多周期结构真实存在、可被建模与利用。

对应到 A 股市场，个股收益率、成交量、成交额、换手率等多维度量价时序特征，同样呈现 清晰的多周期属性。从市场机制来看，股票特征波动天然包含三层可解释周期，且每个周期均具 备两个核心维度：一是周期内存在连贯波动规律，二是不同周期的相同位置存在相似规律，二者 共同构成多周期的核心特征。

短周期（5 日）：对应 A 股完整交易周，核心受日内交易行为、隔日市场冲击、周内资金调 仓三类因素驱动。周期内呈现“周一布局→周中波动→周五避险”的规律，不同交易周的相同位 置（如每周一、每周五）也呈现相似波动模式，是捕捉 A 股短期量价波动的核心周期。 中周期（20 日）：对应 A 股月度交易节律，对应行业轮动、月度资金调仓、财报预告相关预 期博弈三类核心事件。周期内会完成一轮行业热点切换及机构月度调仓的连贯过程；不同月份相 近时段（每月中下旬，对应有披露义务或自愿披露业绩预告/快报的上市公司集中披露时段），存 在相似预期博弈模式，可捕捉月度级结构性变化与预期波动。 长周期（60 日）：对应 A 股季度交易节律，由季度财报、宏观数据发布、中长期行情三类因 素主导——周期内呈现季度基本面变化、趋势切换的连贯规律，不同季度的相同位置（如季度末 财报披露期）也存在相似趋势波动模式，可捕捉行业与市场的中长期基本面变化及趋势规律。 不同周期相互叠加、相互影响，共同构成了 A 股量价时序的核心波动特征，且各周期的驱动 因素、波动规律存在显著差异，难以通过人工或传统简单方法精准分离与捕捉。因此，亟需借助 专业的时序建模模型，有效识别、解耦各周期信号，充分挖掘不同周期的量价规律，为个股收益 率预测提供可靠支撑。

1.2 传统时序模型无法有效利用多周期信息

现有主流时序模型均在一维原始序列上提取特征，面对多周期混杂的 A 股量价数据时，存在 难以克服的固有缺陷。就像三首歌同时播放，传统时序模型往往听不出层次，只能听到一团噪音。

（1）LSTM / GRU 类循环模型：记不住长期，也对不齐周期。 这类模型依靠逐时间步串行递推提取时序依赖，理论上具备记忆长期信息的能力，但在实际 应用中存在明显短板：随着序列长度增加，长期依赖会快速衰减，难以有效学习跨周期、长距离 的规律；其结构只能按时间顺序建模，无法将不同周期中同一时间位置进行对齐与对比，因此难 以捕捉周度、月度、季度等可解释周期信号，预测效果易受短期噪音主导，稳定性不足。通俗来 讲，LSTM 类似顺着读文章，但不回头对比。遇到 20 日月度周期，它读到第 25 天就已经忘了第 5 天的模式；遇到每周五资金调仓这种规律，它无法把每周五放在一起对比。

（2）TCN 时序卷积网络：只看 “邻居”，看不到 “周期”。 TCN 依靠一维卷积核滑动提取局部特征，虽然计算效率更高，但受限于局部感受野，只能捕 捉邻近时间点之间的关系，对周期性模式不敏感，更无法刻画跨周期的长期关联。在多周期叠加 的量价序列中，TCN 倾向于学习短期局部模式，难以识别中期与长期周期结构，导致模型在趋势 切换或周期拐点附近失效明显。通俗来讲，TCN 类似只看前后几天的局部走势。它能识别 “近 3 天上涨” 这种短期模式；但意识不到 “每 20 天出现一次拐点” 这种周期规律；更无法理解 “同一周内的周一与周五” 存在关联。

（3）Transformer 类注意力模型：注意力太 “散”，容易被噪音带偏。 Transformer 借助全局注意力机制实现全序列依赖建模，但在多周期时序场景中存在显著局 限：其一，全局注意力计算复杂度高，长序列场景下效率偏低；其二，在周期混杂、噪音较多的 股价序列中，注意力机制易被随机波动干扰，难以定位稳定、可重复的周期模式，容易出现过拟 合；其三，注意力直接建模时间点之间的相似度，无法清晰区分周期内波动与跨周期趋势，导致 周期信息难以被有效利用。通俗来讲，Transformer 就像在嘈杂人群里想抓节奏，结果注意力全 被杂音吸走。

（4）HIST 等截面深度模型：只看股票之间，不看股票自身周期。 以 HIST 为代表的截面模型更关注股票间的横截面相关性，重点挖掘个股间的相对强弱与行 业板块交互，对单只股票自身时序内的多周期结构挖掘不足。这类模型几乎不考虑时序周期规律， 难以利用日内、周度、月度等周期性信号，在周期驱动明显的 A 股市场中存在明显信息缺失。

1.3 TimesNet：面向多周期的时序建模方案

针对 A 股量价数据的多周期特性，以及前文传统时序模型无法有效分离、利用多周期信息的 核心痛点，Haixu Wu 等人于 ICLR 2023 提出的 TimesNet 提供了针对性的解决方案。其核心价 值在于跳出传统一维建模局限，通过二维结构化建模，实现多周期信号的清晰分离与高效利用。 TimesNet 的核心思想是：摒弃传统一维序列拟合的思路，将一维时序数据转化为二维结构 化数据。具体而言，首先通过周期识别明确数据中的核心周期，再将一维时序序列重塑为二维张 量，清晰分离两类核心时序变化——周期内变化（intraperiod，对应单个周期内短期波动规律） 与跨周期关联（interperiod，对应跨周期长期趋势）。而后采用多尺度卷积思路，通过不同大小 的卷积核分别捕捉不同周期的特征规律，既能够挖掘短期细微波动，也能捕捉长期趋势。最后通 过信号融合机制，平衡不同周期的权重，最终形成更稳定的预测信号。 该模型的通用时序建模思路，适配 A 股量价数据多周期、高频波动的特性，为本文 DFQTimesNet 模型的构建提供了核心框架支撑。

DFQ-TimesNet 模型原理：二维建模解耦多周期， 捕捉量价周期规律

2.1 模型架构：多周期时序建模，捕捉量价内生规律

DFQ‑TimesNet 以 TimesNet 二维时序建模思想为基础，针对 A 股量价特征的多周期叠加 特性，构建 “特征嵌入→ 周期发现 → 序列重塑→多尺度特征提取 → 多周期信息融合 → 预测输 出”的预测框架，核心是解决传统一维模型难以捕捉量价周期规律的痛点，提升收益率预测的稳 定性与准确性。 模型的核心设计思路是：先对原始量价特征进行嵌入处理，统一特征表示空间；再将原本难 以直接建模的一维混合周期序列，通过周期识别与结构变换，转为规则化的二维张量：列方向刻 画周期内的短期波动规律，行方向刻画跨周期的长期关联；再借助二维卷积的局部感知能力，同 时捕捉周期内变化与跨周期关联。而后通过多周期信息融合提纯特征，最终经投影输出得到预测 结果。整个流程遵循“1D 时序 → 特征嵌入 → 2D 结构化 → 2D 卷积提取 → 多周期融合 → 1D 预测输出”的路径，能够自然处理多周期混杂、噪声干扰强、趋势与节律共存的 A 股量价数据。

2.1.1 输入特征嵌入模块：统一特征表示，提升模型建模效率

通过输入嵌入层，把原始输入序列[batch, seq_len，C_in]映射到统一的高维特征表示空间 [B, T, d_model]，便于后续跨变量信息融合。其中：batch 指一个 batch 里的样本数量；seq_len 指序列长度；C_in 指输入特征维度；d_model 指特征嵌入后的隐藏通道数。原始特征数量有限且 分布差异大，不同变量的尺度和意义可能完全不同。进行特征嵌入可以统一数据表示，将不同维 度、不同来源的数据统一处理，消除尺度差异；对特征进行升维，提升特征的表示能力，挖掘隐 藏的量价关联；为后续的 TimesBlock 模块提供了更具信息量、更易于建模的输入。 常见的 embedding 技术有以下三种：1）TokenEmbedding（数值嵌入）：采用核大小为 3 的 1D 卷积沿时间轴滑动，对每个时间点的表示同时聚合其相邻的 3 个交易日信息。该操作等价 于让模型学习一组“短窗口模式提取器”，能够自动捕捉诸如短期趋势、三日内波动扩张/收敛、 价量配合等局部形态。相比简单线性升维，1D 卷积能显式引入短期依赖，有助于后续周期结构 建模。2）PositionalEmbedding（位置嵌入）：使用经典正余弦位置编码，为每个时间点注入绝 对位置信息。3）TemporalEmbedding（时间戳嵌入）：为月份、日期、星期等日历特征构建嵌 入，并融合形成时间上下文表示。 我们对比了不同 embedding 方法的绩效，结果显示：只保留 TokenEmbedding，即不使 用时间戳和位置编码，仅依赖数值本身，效果最好。原因可能在于：（1）后续 TimesBlock 已通 过二维卷积显式建模周期结构，位置和/日历提示容易带来信息冗余甚至引入偏置；（2）金融日 历效应不稳定，时间戳嵌入在 OOD 场景下更易成为噪声。

2.1.2 时序特征提取模块：解耦量价周期规律，挖掘有效周期信息

TimesBlock 模块的核心作用是：识别量价数据中的各类周期，对原本混杂交织的多周期特 征波动规律进行有效解耦，再通过卷积神经网络提取各周期的有效信息，从根源上解决传统模型 无法区分多周期信号的痛点，捕捉量价数据中不同周期的核心规律，为后续个股收益率预测提供 坚实的特征支撑。

TimesBlock 层具体流程如下： Step1. 周期发现模块：对输入数据，确定其中的主要周期，核心是筛选出对 A 股收益率预 测最有效的周期，提升模型绩效。 在只选取一个周期进行分析的设定下，我们比较了固定单周期 5，10，20，30，60 下模型 训练的效果，其中固定周期 60 即不做时序分割。结果显示：固定周期分割中周期 5 与周期 60 模 型效果最好。（1）周期 5 正好代表了每周的变化，即一个完整的股市交易周（周一至周五）。 股票市场在不同交易日（例如，周一开盘或周五收盘）通常会表现出特定的模式，例如“周末效 应”或周一的“高开”现象。周期 5 能够捕捉并建模这些独特的每周模式。通过将数据以 5 天为周期进行重塑，TimesNet 可以学习到工作日和周末之间的差异，以及每个交易日内部的模式，这 对于股票预测至关重要。（2）周期 60 通常代表了季度的变化，这在金融分析中是一个非常重要 的时间跨度。许多公司会发布季度财报，宏观经济数据也常以季度为单位公布，这些事件都会对 股价产生显著影响。周期 60 使得模型能够捕捉并建模这些与宏观经济和公司基本面相关的长期 趋势。通过将数据以 60 天为周期进行重塑，模型可以学习到在不同季度间的长期波动、季节性 效应以及与重要金融事件相关的模式，这对于进行中长期股票预测非常有帮助。

接下来我们尝试双周期分析的方案，比较了人为确定周期和用快速傅里叶变换（FFT）方法 识别周期两种方法。FFT 周期识别法对每个样本使用快速傅里叶变化，识别不同周期的平均振幅， 然后选取振幅最大的前 topK 个周期作为该样本的主要周期。结果显示：（1）选择周期 5 和周期 60 一起训练，绩效优于单独一个周期。（2）FFT 方法识别周期在 topk=2 时效果不佳。

通过分析 FFT 周期分割结果，我们发现其存在三大问题：（1）按振幅选择周期不稳定，排 名第二的周期在不同时刻混杂了周期 30 与周期 20 的信号；（2）周期权重分布不均，大量权重 被赋予最重要的周期，排名第二重要的周期信息未被有效利用；（3）并未成功识别出短周期的 重要性，选择的 Top 周期集中分布于 60 天、30 天、20 天等长周期，与 A 股短期交易规律脱节。 综合来看，FFT 周期识别方法存在稳定性差、信息利用不充分、与 A 股实际交易规律适配度 低的问题，无法为模型提供稳定、有效的周期输入。因此结合前文实证测试结果，我们放弃 FFT 自动周期分割方法，直接采用人为确定的 5 日+60 日双周期作为建模周期，既规避了 FFT 方法的 固有缺陷，又贴合 A 股量价波动的天然规律，保障模型对多周期特征的有效捕捉与稳定建模。

Step2. 序列重塑模块：对每个选定的主要周期进行维度重塑，适配后续卷积操作，确保周期 内、跨周期特征能够被有效提取。 对每个周期 period，将输入 [batch, seq_len, d_model] 在时间维度上进行填充，使总长度能 够被当前周期整除。设填充后的长度为 pad_len（满足 pad_len % period = 0），张量变为 [batch, pad_len, d_model]。将填充后的张量重塑为 [batch, num_period, period, d_model]，其中 num_period = pad_len / period。此时 num_period 维度代表周期间变化，period 维度代表周期内 变化。为了适应 2D 卷积的输入格式 [batch, channel, height, width]，张量维度被交换为 [batch, d_model, num_period, period]，将特征维度 d_model 作为通道数。

Step3. Inception 卷积模块：并行使用多个不同大小的 2D 卷积核进行特征提取，实现多尺 度周期特征的全面捕捉，避免单一卷积核难以兼顾短、中、长期规律的问题。 Inception 模块的核心思想是：在同一套二维特征图上并行使用多个不同大小的 2D 卷积核， 对每个周期得到的 [batch, d_model, num_period, period] 张量进行卷积，使得模型可以同时从不 同尺度中捕捉周期内和周期间的复杂模式。较小的卷积核捕捉短时模式，较大的卷积核捕捉长期 趋势，从不同的尺度上去理解数据。不同卷积核大小的输出取平均后得到综合特征输出。卷积操 作后，张量的空间维度保持不变，仍为 [batch, d_model, num_period, period]，变化主要体现在 通道维先扩维再回归，以增强非线性表达能力。卷积权重采用 Kaiming 初始化。

在 TimesBlock 层中，Inception 卷积模块不是只做一层，而是采用两层串联结构：Conv → GELU → Conv，第一层将通道数由 d_model 提升至 d_ff，输出 [batch, d_ff, num_period, period]，中间接 GELU 做非线性激活，第二层再将通道映射回 d_model，输出 [batch, d_model, num_period, period]。目的是扩大卷积核的感受野，用尽量少的参数量捕捉更全面的周期信息。 测试结果显示，两层 Inception 卷积模块串联的绩效明显优于一层，能够更充分地挖掘量价周期 关联。

Step4. 融合输出模块：加权融合多周期特征，并使用残差连接，提升模型稳定性与预测精度， 避免模型训练过程中出现梯度消失、过拟合等问题。 将 2D 卷积的输出 [batch, d_model, num_period, period] 置换回 [batch, num_period, period, d_model]，再展开中间维度把 num_period 和 period 合并回单一时间维，得到[batch, pad_len, d_model]，再裁剪掉填充的部分，使结果还原回 [batch, seq_len, d_model]。将不同周期的输出 合并后得到 [batch, seq_len, d_model, K]（K 为周期个数），对不同周期数据直接平均得到最终 输出 [batch, seq_len, d_model]。最后将多周期融合后的输出与输入相加，构建残差结构，保证 模型训练的稳定性。残差相加后仍为 [B, T, d_model]。 其中，残差连接的核心价值是优化深层网络训练、理顺信息传递：一是打通顺畅的信息通路， 避免仅靠卷积堆叠导致的梯度衰减、有效信号削弱问题，让输入特征“抄近路”直达输出端，降 低梯度传递难度，助力模型稳定收敛；二是引导 TimesBlock 模块在输入基础上做修正，使卷积 分支聚焦学习量价周期结构等残差信息，而非从零重构时序序列，更贴合时序预测特性；三是缓 解深层网络梯度消失，通过输入与输出直连，让梯度直接反向传播，适配 Inception 模块两层串 联的深层结构。 我们测试了三种不同的周期融合加权方法（直接平均、FFT 振幅平均、线性层学习权重）， 结果显示：直接平均的整体绩效最好，避免过度复杂的加权方式引入噪声。

编辑：火腿肠