Alpha 掘金系列之十八：基于 TimeMixer 改进的选股因子到 ETF 轮动策略

基于TimeMixer的机器学习选股模型改进 本研究基于TimeMixer时序预测框架，创新性地将其多尺度混合与季节/趋势分解机制引入GRU模型，构建了改进的机器学习选股模型。实验表明，虽然TimeMixer原生模型在A股收益率预测中收益表现略逊于GRU（年化多空收益率57.87% vs 76.35%），但其风险控制更优（最大回撤10.64% vs 11.06%）。通过将TimeMixer的季节/趋势分解模块与GRU结合构建的TSGRU模型，在保持原始GRU预测能力（IC均值11.96% vs 11.75%）的同时，进一步将多空年化收益率提升至77.95%。最终，通过LightGBM集成TSGRU隐向量与传统量化因子，合成的复合因子实现了12.86%的IC均值和88.41%的多空年化收益率，较基础GRU模型显著提升。 在宽基指数增强应用中，该策略在2018-2025年回测期内展现出卓越表现，中证1000增强组合年化超额达17.94%（信息比率3.09），沪深300和中证500增强策略也分别实现了10.55%和11.09%的超额收益。且三大宽基增强策略每年均实现稳定正超额，今年以来超额收益分别为8.79%、8.29%和13.08%，延续了稳健的表现。 ETF指数投资现状 ETF投资相比个股具有分散风险、成本低廉和持仓透明三大核心优势，能有效降低非系统性风险并提升投资效率。截至2025年，我国ETF市场快速发展，非货币ETF规模达3.59万亿元，股票型ETF占比超八成，其中宽基和行业主题ETF规模分别突破2.2万亿和6957亿元，成为投资者重要的资产配置工具。 选股因子合成的ETF轮动策略 本研究基于"两步映射"方法构建ETF轮动策略，首先将个股Alpha因子加权合成为指数级因子，再从跟踪该指数的ETF池中优选标的。通过将TimeMixer改进的机器学习因子合成的指数轮动策略在2018-2025年回测期间表现优异：指数轮动策略年化超额收益（相对沪深300）达19.65%（信息比率1.98），ETF轮动策略年化超额18.98%（信息比率1.88）。在实操优化方面，我们选取滚动20日规模最大的ETF作为标的，并动态调整可投标的池，最终策略在2024年实现14.16%的超额收益，2025年上半年超额收益达8.40%，展现出稳定的超额收益能力。 风险提示 1、以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在时效的风险。 2、策略通过一定的假设通过历史数据回测得到，当交易成本提高或其他条件改变时，可能导致策略收益下降甚至出现亏损。 内容目录 一、机器学习选股基准模型........................................................................4二、基于TimeMixer的机器学习选股模型改进........................................................62.1 TimeMixer模型介绍......................................................................62.2季节/趋势分解的GRU模型.................................................................72.3多模型集成效果..........................................................................82.4宽基指数增强策略效果....................................................................9三、ETF指数投资现状...........................................................................11四、选股因子合成的ETF轮动策略.................................................................124.1选股因子聚合到指数.....................................................................134.2筛选跟踪指数的ETF.....................................................................15总结...........................................................................................15风险提示.......................................................................................16 图表目录 图表1：GBDT+NN机器学习选股框架................................................................4图表2：机器学习选股基准模型框架...............................................................4图表3：机器学习选股模型数据集介绍.............................................................5图表4：TimeMixer模型结构......................................................................6图表5：TimeMixer与GRU模型因子统计数据........................................................6图表6：TimeMixer与GRU模型因子多空净值........................................................7图表7：TimeMixer与GRU模型因子分组超额收益率..................................................7图表8：多尺度GRU（MGRU）模型结构..............................................................7图表9：季节/趋势分解GRU（TSGRU）模型结构......................................................7图表10：MGRU和TSGRU模型统计数据..............................................................7图表11：MGRU和TSGRU模型多空净值..............................................................8图表12：MGRU和TSGRU模型分组超额收益..........................................................8图表13：GRU与TSGRU合成统计数据...............................................................8图表14：GRU与TSGRU合成多空净值...............................................................8图表15：GRU与TSGRU合成分组超额收益...........................................................8图表16：基于TimeMixer改进的机器学习模型统计数据..............................................9图表17：基于TimeMixer改进的机器学习模型多空净值..............................................9图表18：基于TimeMixer改进的机器学习模型分组超额收益..........................................9 图表19：宽基指数增强策略效果..................................................................9图表20：沪深300指数增强策略净值.............................................................10图表21：沪深300指数增强策略分年度收益率.....................................................10图表22：中证500指数增强策略净值.............................................................10图表23：中证500指数增强策略分年度收益率.....................................................10图表24：中证1000指数增强策略净值............................................................10图表25：中证1000指数增强策略分年度收益率....................................................10图表26：非货币ETF总规模和数量显著增加.......................................................11图表27：ETF种类丰富，满足配置需求............................................................11图表28：ETF总规模已超过主动权益基金..........................................................12图表29：ETF和主动权益基金数量变化............................................................12图表30：利用选股因子合成ETF轮动策略框架.....................................................12图表31：基于TimeMixer改进的机器学习模型周度调仓统计数据.....................................12图表32：基于TimeMixer改进的机器学习模型周度调仓多空净值.....................................13图表33：基于TimeMixer改进的机器学习模型周度调仓分组超额收益.................................13图表34：筛选有效指数数量变化趋势（单位：个）.................................................13图表35：机器学习聚合指数因子统计数据.........................................................13图表36：机器学习聚合指数因子多头超额净值..................................................