PatchTST、TSMixer、ModernTCN時序深度網絡構建量價因子.pdf

PatchTST、TSMixer、ModernTCN時序深度網絡構建量價因子。深度學習強大的表征能力使其在多個領域取得了顯著成果，在時序領域同樣也 有許多模型選擇。本文探索了 PatchTST、TSMixer、ModernTCN 三個近年的 時序深度學習模型在因子挖掘上的運用，它們采用了 Patch+通道獨立的模型 設計，骨干網絡分別基于自注意力、MLP、CNN 機制。

模型特點

本文介紹的深度學習模型以多變量時序類數據為出發點，相比于基于 RNN 類 的時序模型，最顯著的區別在于采用了通道獨立的設計，即將多變量時間序列 先拆為多個單變量時間序列，骨干網絡的模塊分別學習單變量序列的時序、特 征交互以及跨變量的信息交互。這些時序網絡在骨干網絡的設計上，融合了視 覺領域以及 Transformer 的骨干網絡思路和方法，具有一定參考意義。

因子測試對比

鑒于不同領域時序任務的多樣性，我們進一步探索了 PatchTST、Transformer、 TSMixer、ModernTCN 模型在量價數據集的泛化能力。在中證全指股票池下， 四個模型生成的量價周頻因子 10 日 RankIC 均達到了 10%以上，TSMixer 和 ModernTCN 的整體表現略優于 PatchTST 和 Transformer；4 個周度因子的區間 IC 均值分別為 10.6%、10.8%、11.0%、10.7%，ICIR 為 0.83、0.82、0.91、0.88。 不同模型 20 分組的 TOP 組超額收益差異較大，四個模型 TOP 組的年化超額 收益分別為 21%、14.28%、22.39%、18.18%；模型設計差異最大的兩個模型 的 TOP 組選股重疊度約為 61%； 在 2024 年初至 2 月 8 日區間，四個模型的 TOP 組超額收益最大回撤表現不 一，分別為 4%、5%、7%、21%，ModernTCN 模型回撤幅度明顯大于其他模 型。