20240311-华创证券-_专题报告_AI+HI系列（2）_PatchTST_TSMixer_ModernTCN时序深度网络构建量价因子_34页_3mb

报告内容总结

模型概述

本报告探索了最近三种时序深度学习模型——PatchTST、TSMixer和ModernTCN在量价因子挖掘上的应用。这些模型采用Patch+通道独立设计，骨干网络基于自注意力、MLP和CNN机制，分别对应PatchTST（Transformer为基础）、TSMixer（MLP和门控注意力为基础）和ModernTCN（CNN为基础）。模型通过处理多变量时间序列，学习时序、特征和通道间的交互。

因子测试结果

在中证全指股票池上，四个模型生成的量价因子测试显示：

• 5日RankIC平均约9%-10%，10日RankIC均超10%；TSMixer和ModernTCN性能略优于PatchTST和Transformer。
• 分组测试中，TOP组年化超额收益分别为21%、1428%、2239%、1818%；ModernTCN回撤幅度较大（21%）。
• 因子间相关性高，最低相关性达78%；TSMixer和ModernTCN设计差异大，选股重叠度约61%。

消融测试与洞察

消融测试表明，去除Patch或通道独立组件后，TOP组收益大幅下降（如年化收益降低807%或525%），强调骨干网络设计的重要性。尽管IC表现相似，但模型综合表现差异显著。

风险提示

报告基于历史数据回测，不保证未来有效性；深度学习模型存在过拟合、随机性影响等风险。策略需进一步优化以平衡IC和收益表现。

总体结论

这些模型在量价因子挖掘中发挥了一定潜力，提供新思路，但实际应用需注意风险和模型设计调整。