研究背景与问题
A股市场的量价时序数据存在显著的多周期结构，包括短期周期（5日）、中期周期（20日）和长期周期（60日）。传统时序模型如LSTM、GRU、TCN和Transformer等，难以有效利用这些多周期信息，导致预测稳定性不足。
模型设计与创新
DFQ-TimesNet模型基于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，并采用5日+60日双周期设定。模型使用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。
数据与训练配置
模型以中证全指为样本，采用2014-2025年分段数据，解释变量按日截面Z-score+clip处理，预测标签选用未来20日收益率标准化结果。模型训练采用早停机制，无过拟合，随机种子影响可控，输出一致性高。
因子绩效表现
DFQ-TimesNet模型在多股票池（中证全指、沪深300、中证500、中证1000）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。模型风格暴露清晰可控，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。
指数增强效果
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%。中证1000增强表现最优，年化对冲收益15.80%，信息比1.90。
总结
DFQ-TimesNet模型通过二维多周期建模有效挖掘A股量价周期规律，因子绩效稳定、风格无极端偏离、组合收益突出、泛化能力强，可为量化选股与指数增强策略提供可靠支撑。
风险提示
量化模型基于历史数据分析，未来存在失效风险。极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。
