PatchTST、TSMixer、ModernTCN時(shí)序深度網(wǎng)絡(luò)構(gòu)建量?jī)r(jià)因子.pdf

PatchTST、TSMixer、ModernTCN時(shí)序深度網(wǎng)絡(luò)構(gòu)建量?jī)r(jià)因子。深度學(xué)習(xí)強(qiáng)大的表征能力使其在多個(gè)領(lǐng)域取得了顯著成果，在時(shí)序領(lǐng)域同樣也 有許多模型選擇。本文探索了 PatchTST、TSMixer、ModernTCN 三個(gè)近年的 時(shí)序深度學(xué)習(xí)模型在因子挖掘上的運(yùn)用，它們采用了 Patch+通道獨(dú)立的模型 設(shè)計(jì)，骨干網(wǎng)絡(luò)分別基于自注意力、MLP、CNN 機(jī)制。

模型特點(diǎn)

本文介紹的深度學(xué)習(xí)模型以多變量時(shí)序類數(shù)據(jù)為出發(fā)點(diǎn)，相比于基于 RNN 類 的時(shí)序模型，最顯著的區(qū)別在于采用了通道獨(dú)立的設(shè)計(jì)，即將多變量時(shí)間序列 先拆為多個(gè)單變量時(shí)間序列，骨干網(wǎng)絡(luò)的模塊分別學(xué)習(xí)單變量序列的時(shí)序、特 征交互以及跨變量的信息交互。這些時(shí)序網(wǎng)絡(luò)在骨干網(wǎng)絡(luò)的設(shè)計(jì)上，融合了視 覺領(lǐng)域以及 Transformer 的骨干網(wǎng)絡(luò)思路和方法，具有一定參考意義。

因子測(cè)試對(duì)比

鑒于不同領(lǐng)域時(shí)序任務(wù)的多樣性，我們進(jìn)一步探索了 PatchTST、Transformer、 TSMixer、ModernTCN 模型在量?jī)r(jià)數(shù)據(jù)集的泛化能力。在中證全指股票池下， 四個(gè)模型生成的量?jī)r(jià)周頻因子 10 日 RankIC 均達(dá)到了 10%以上，TSMixer 和 ModernTCN 的整體表現(xiàn)略優(yōu)于 PatchTST 和 Transformer；4 個(gè)周度因子的區(qū)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(gè)模型 TOP 組的年化超額 收益分別為 21%、14.28%、22.39%、18.18%；模型設(shè)計(jì)差異最大的兩個(gè)模型 的 TOP 組選股重疊度約為 61%； 在 2024 年初至 2 月 8 日區(qū)間，四個(gè)模型的 TOP 組超額收益最大回撤表現(xiàn)不 一，分別為 4%、5%、7%、21%，ModernTCN 模型回撤幅度明顯大于其他模 型。