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

敬请参阅最后一页特别声明 1 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。 金融工程专题报告 敬请参阅最后一页特别声明 2 扫码获取更多服务 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........................................................ 6 2.1 TimeMixer 模型介绍 ...................................................................... 6 2.2 季节/趋势分解的 GRU 模型................................................................. 7 2.3 多模型集成效果.......................................................................... 8 2.4 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................................................................. 12 4.1 选股因子聚合到指数..................................................................... 13 4.2 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...................................