金融工程2025年投资策略分析报告 ：AI赋能，量化配置，稳健守正.pdf

2

3

循环神经网络（RecurrentNeuralNetwork，简称RNN）是一种用于处理序列数据的神经网络架构，它通过引入循环结

构来记忆序列中的历史信息，从而能够对序列数据进行建模和预测。

长短期记忆网络（LSTM，LongShort-TermMemory）是一

种常用的时间循环神经网络，是为了解决一般的RNN（循环神

经网络）存在的长期依赖问题而专门设计出来的。

门控循环单元（GRU）：GRU是LSTM的简化版本，通过更新

门和重置门来控制信息的流动，结构更简单，训练效率更高。

在目前量化选股中应用最多。

LSTMGRU

4

数据：Olah(2015)UnderstandingLSTMNetworks

时间卷积网络（TemporalConvolutionalNetwork，简称TCN）是一种基于卷积神经网络（CNN）的时间序列建模方法，结

合了卷积神经网络的并行处理能力和循环神经网络（RNN）的长期依赖建模能力。

因果卷积（CausalConvolution）：TCN使用因果卷积，确保每个时间步的输出仅依赖于之前的时间步，而不依赖于未来的输入。这种设

计避免了“窥探未来”的问题。

扩张卷积（DilatedConvolution）：通过在卷积核的元素之间插入间隔，TCN可以在不增加额外计算量的情况下扩大感受野，从而捕捉更

长时间跨度的依赖关系。

并行计算：与RNN相比，TCN的卷积操作可以并行计算，大大提高了训练效率。

灵活的架构：TCN可以通过调整卷积核大小、扩张率和层数等参数，灵活地控制模型的感受野和复杂度。

TCN

5

数据：ShaojieBai等，AnEmpiricalEvaluationofGenericConvolutionalandRecurrentNetworksforSequenceModeling

TimesNet是一个用于时间序列分析的通用基础模型，由清华大学软件学院机器学习实验室提出。该模型通过将一维时间序

列转换为二维张量，并利用二维卷积网络的优势来分析时间序列数据。

模型架构

多周期性建模：TimesNet基于时间序列的多周期性，将复杂的时间变化分解为周期内和周期间的变化。通过快速傅里叶变

换（FFT）估计时间序列的周期，并将一维时间序列重塑为二维张量，其中列和行分别表示周期内和周期间的变化。

TimesBlock模块：是TimesNet的核心模块，负责将一维时间序列转换为二维空间，并通过参数高效的Inception块捕捉

时间序列的二维变化。TimesBlock采用残差连接，能够自适应地聚合不同周期的表示。

核心技术

二维卷积：TimesNet利用二维卷积核对转换后的二维张量进行建模，能够同时捕捉周期内和周期间的变化。

自适应聚合：基于自相关机制，TimesNet根据周期的相对重要性对不同周期的表示进行加权聚合。

任务通用性

T