Alpha掘金系列之十八：基于TimeMixer改进的选股因子到ETF轮动策略-250813.pdfVIP

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%vs76.35%），但其风险控制更优（最大回撤10.64%vs11.06%）。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%vs11.75%）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。

敬请参阅最后一页特别声明1

扫码获取更多服务

金融工程专题报告

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

2.1TimeMixer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ETF15

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