AI+HI 系列（2）：PatchTST、TSMixer、ModernTCN 时序深度网络构建量价因子
创建于 更新于
摘要
本报告系统介绍了时序深度学习模型PatchTST、TSMixer、ModernTCN在量价因子挖掘中的应用，模型均采用Patch加通道独立设计，骨干网络分别基于Transformer、MLP和CNN架构。实验以A股中证全指为池，测试模型的IC表现、分组收益和风险表现，发现TSMixer和ModernTCN整体优于PatchTST和传统Transformer，TOP组年化超额收益最高达22.39%，不同模型选股重叠度约61%。消融实验显示Patch和通道独立设计对模型表现影响显著，尤其在TOP组收益表现上差异明显，合理骨干网络设计提升了量价因子的综合表现，为深度学习在量化投资的应用提供了重要参考 [page::0][page::20][page::24][page::28][page::29]
