研究结论
　　研究背景与问题：传统模型难以适配A股多周期量价特征，预测稳定性不足
　　A股量价时序存在显著多周期结构，传统模型难以有效利用周期信息：LSTM/GRU长期记忆不足、TCN难以捕捉周期规律、Transformer易受噪声干扰、HIST模型忽视个股时序周期，均无法满足稳定预测需求。
　　模型设计与创新：二维时序建模+双周期结构，显著提升周期规律捕捉能力
　　DFQ-TimesNet基于TimesNet二维时序建模框架，将一维量价序列转为二维结构以解耦周期内波动与跨周期关联，显著提升周期特征捕捉能力：采用5日+60日双周期设定，放弃不稳定的FFT自动周期识别；使用TokenEmbedding、两层Inception卷积、直接平均周期融合与残差连接，构建高效稳定的时序特征提取模块。
　　数据与训练配置：数据处理与训练机制成熟，模型稳定性与一致性达标
　　模型以中证全指为样本，采用2014-2025年分段数据并设置隔离间隙避免信息泄露；解释变量按日截面Z-score+clip处理，预测标签选用未来20日收益率标准化结果，以基础量价特征为输入效果最优；训练早停收敛、无过拟合，随机种子影响可控，输出一致性高。
　　因子绩效表现：多股票池表现优异，风格暴露清晰可控
　　模型在多股票池均表现优异，分组单调性良好：中证全指IC达12.50%，多头超额年化30.05%；小盘股场景适配性显著优于大盘股，中证1000因子表现最为突出；风格暴露清晰可控，呈现小市值、高Beta、低波动、低确定性、反转特征，价值与流动性保持中性。
　　指数增强效果：组合收益稳健，特质收益主导超额收益
　　模型应用于指数增强组合收益稳健、风险可控，超额收益由特质收益主导：沪深300增强特质收益占比52%，中证500占比64%，中证1000占比66%；其中中证1000增强表现最优，年化对冲收益15.80%，信息比1.90，同类排名领先。
　　总结：模型周期感知能力突出，实战与泛化价值显著
　　DFQ-TimesNet通过二维多周期建模有效挖掘A股量价周期规律，因子绩效稳定、风格无极端偏离、组合收益突出、泛化能力强，可为量化选股与指数增强策略提供可靠支撑。
　　风险提示
　　1.量化模型基于历史数据分析，未来存在失效风险，建议投资者紧密跟踪模型表现。
　　2.极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。