**本策略是对下面论文模型的一个简化复现和实验：** Paper Reading | MoFE-Time: 时序预测的频域专家混合模型 论文链接：https://arxiv.org/pdf/2507.06502 *“时间序列预测作为重要的数据任务，在多个领域中发挥关键作用。随着大语言模型（LLMs）的发展，将LLMs作为时间序列建模的基础架构受到广泛关注。然而，现有模型在预训练-微调范式下难以同时建模时间与频率特征，导致复杂时间序列（需同时捕捉周期性和信号先验模式）的预测性能不足。本文提出MoFE-Time，一种结合时频域特征的专家混合（MoE）时间序列预测模型，通过预训练-微调范式迁移不同周期分布的先验模式知识。模型在注意力模块后引入时频单元（FTC）作为专家，利用MoE路由机制构建输入信号的多维稀疏表示。在6个公共基准上，MoFE-Time以MSE和MAE分别降低6.95%和6.02%的优势超越Time-MoE，成为新SOTA；在真实业务场景的专有数据集NEV-sales上的优异表现，验证了其商业应用有效性。”*  ### 一、策略整体逻辑与运行流程 该策略是**基于MoFE-Time时序预测模型的A股中小综指微盘股量化交易策略**，核心目标是通过捕捉微盘股短期收益率的时频特征构建收益组合，同时在特定月份切换为ETF防御组合控制风险。整体流程分为「初始化-每日执行-调仓交易-风险控制」四大环节，具体如下： #### 1. 初始化阶段（`initialize`） 完成策略基础配置与全局参数初始化，是策略运行的起点： - **交易规则配置**：设置基准（中小综指399101.XSHE）、滑点（0）、手续费（万3）、真实价格等； - **核心参数设置**： - 调仓频率（每10天调仓1次）、持仓数量（10只）； - MoFE-Time模型参数（序列长度20天、隐藏维度128、3层网络、4个专家、32个谐波分量）； - 设备配置（自动识别GPU/CPU）； - **风险控制配置**： - ETF防御：指定1/4月为防御月，配置5只低风险ETF池（如511010.XSHG）； - 注册每日执行函数（9:05准备股票列表、9:30核心交易、14:00检查涨停、15:10打印持仓）。 #### 2. 每日执行流程 | 时间 | 函数 | 核心逻辑 | |------|------|----------| | 9:05 | `prepare_stock_list` | 记录当前持仓股票、昨日涨停股票，为后续交易过滤做准备 | | 9:30 | `trade`（核心） | 1. 防御月判断：若为1/4月，清仓股票并配置ETF；< br>2. 调仓日判断：仅每10天执行调仓；< br>3. 调仓流程：< br> - 选股：筛选中小综指成分股→过滤ST/停牌/次新股→选市值最小的50只微盘股；< br> - 数据准备：提取20天6维金融特征，计算1日滞后收益率作为标签；< br> - 滚动训练：用最新数据训练MoFE-Time模型，预测收益率；< br> - 交易执行：选前10只高预测收益股票，卖出非目标持仓，买入新标的 | | 14:00 | `check_limit_up` | 检查昨日涨停的持仓股票，若涨停打开则卖出，控制涨停破板风险 | | 15:10 | `print_position_info` | 打印总资产、现金占比、持仓收益率等，监控组合表现 | #### 3. 核心风控机制 - **ETF防御**：1/4月清仓股票，配置低风险ETF，避免市场季节性风险； - **仓位限制**：单只股票持仓不超过总市值15%，新买入标的不低于1%，分散风险； - **数据校验**：多层过滤NaN/Inf、极端值，确保模型输入有效； - **涨停风控**：涨停打开及时卖出，锁定收益。 ### 二、MoFE-Time模型核心结构（论文复现细节） 策略严格复现了《MoFE-Time: A Mixture of Frequency-Time Experts for Time Series Forecasting》的核心创新点，同时针对量化场景做了轻量化适配。 #### 1. 论文核心创新点回顾 论文针对「现有LLM基时序模型无法同时建模时间/频率特征」的问题，提出： - **时频单元（FTC）**：融合时间域（门控机制）和频率域（傅里叶谐波）特征，捕捉周期性+先验模式； - **稀疏MoE架构**：将FTC作为专家，通过Top-k路由构建稀疏表示，平衡效率与表达能力； - **可逆实例归一化（RevIN）**：处理时间序列分布偏移，提升稳定性； - **点嵌入（Pointwise Embedding）**：双线性变换+膨胀卷积增强单特征表达； - **预训练-微调范式**：迁移跨周期先验知识。 #### 2. 代码中论文核心模块的复现 | 论文模块 | 代码实现类 | 复现关键细节 | |---------|-----------|-------------| | 可逆实例归一化（RevIN） | `RevIN` | 1. 强制检查3维输入（batch, seq_len, num_features）；< br>2. 计算序列维度的均值/标准差，支持归一化/反归一化；< br>3. 可学习仿射权重/偏置，增强适应性 | | 点嵌入（Pointwise Embedding） | `PointwiseEmbedding` | 1. 双线性变换：W(feat)和V(feat)，可学习混合系数β加权GELU(W)和V；< br>2. 膨胀卷积：捕捉长程依赖，padding适配dilation避免维度变化；< br>3. 多特征嵌入后取均值融合 | | 时频单元（FTC） | `FrequencyTimeCell` | 1. 频率域：傅里叶基扩展（余弦+正弦谐波），专家专属频率/振幅参数；< br>2. 时间域：门控机制（sigmoid(time_gate(x))加权时间特征）；< br>3. 维度修复：修正论文中谐波计算的维度错误，确保batch/seq_len匹配；< br>4. 融合：拼接时间域和加权频率域特征 | | MoE专家模块 | `MoFEExpert` | 1. MLP结构（输入→4倍隐藏层→输出），层归一化+GELU激活；< br>2. Xavier初始化权重，避免梯度爆炸/消失 | | MoE路由模块 | `MoFERouter` | 1. 主路由+辅助路由（优化负载均衡）；< br>2. Top-2稀疏选择，权重归一化；< br>3. 计算专家负载，用于MoE损失 | | MoFE-Time基础块 | `MoFETimeBlock` | 1. 多头注意力→MoE路由→FTC→专家计算→残差+层归一化；< br>2. 收集MoE损失相关的路由权重、辅助logits、专家负载 | | 完整模型 | `MoFETime` | 1. 流程：RevIN→点嵌入→位置编码→多层MoFE-TimeBlock→输出投影；< br>2. 输出层：取最后时间步预测1日收益率，适配量化场景 | #### 3. MoE损失函数（论文核心） 代码复现了论文的MoE损失计算逻辑，确保专家负载均衡： - **辅助路由损失**：对辅助路由的softmax结果计算熵损失，惩罚分布过于集中； - **负载均衡损失**：结合方差+CVaR（截断均值），避免部分专家过载/闲置； - **总损失**：Huber损失（收益率预测） + α×MoE损失（α=0.01），修复NaN/Inf问题，确保损失非负。 ### 三、策略与论文的差异与适配（量化场景优化） 为适配A股微盘股短期收益率预测，策略在保留论文核心创新的基础上做了以下调整： #### 1. 训练范式调整（核心） - 论文：预训练（大规模时序数据学习跨周期先验）→ 微调（目标数据集）； - 策略：移除预训练，采用**滚动训练**（每次调仓基于最新20天数据训练5轮），原因： - A股数据非平稳性强，预训练先验易过时； - 微盘股1日收益率预测是短期任务，需最新数据特征； - 滚动训练轻量化，符合量化策略实时性要求。 #### 2. 模型规模调整 - 论文：6层MoFE-TimeBlock，8个专家； - 策略：3层Block，4个专家，原因： - 聚宽平台计算资源有限，轻量化适配； - 小样本（每次最多50只股票）避免过拟合； - 保留核心结构，仅缩小规模，不改变创新点。 #### 3. 输入输出适配 - 论文输入：通用时序数据（多特征、长序列）； - 策略输入：6维金融特征（收益率、波动率、5/10日动量、成交量比率、价格振幅），序列长度20天； - 论文输出：多步长预测； - 策略输出：单步（1日）收益率预测，适配10天调仓频率。 #### 4. 数据处理增强 - 论文：基础RevIN归一化； - 策略：增加多层校验： - 过滤NaN/Inf，替换为0或极小值； - 裁剪极端值（-3~3），避免梯度爆炸； - 强制6维特征（不足填充、过多截断）； - 按特征维度标准化（均值/标准差）。 ### 四、策略核心优势（基于论文创新） 1. **时频融合能力**：FTC单元同时捕捉微盘股的周期性（如动量周期）和短期波动（如涨停/跌停），比LSTM/传统Transformer更适配金融时序的复杂模式； 2. **稀疏效率**：Top-2路由仅激活2个专家，计算效率提升，同时保留多专家的表达能力； 3. **稳定性**：RevIN归一化处理金融数据的分布偏移，减少极端值影响； 4. **风险可控**：ETF防御+涨停风控+仓位限制，平衡收益与风险。 ### 五、模型推理流程（单次调仓示例） 1. 输入：50只微盘股的20天×6维特征 → 3维张量（50,20,6）； 2. RevIN归一化：对每只股票的6维特征做实例归一化； 3. 点嵌入：每个特征经双线性变换+膨胀卷积，融合为128维嵌入； 4. 位置编码：注入20天的时序位置信息； 5. 3层MoFE-TimeBlock： - 多头注意力：捕捉特征间依赖； - MoE路由：计算每只股票的专家权重，选Top-2； - FTC：融合时间域（门控）和频率域（谐波）特征； - 专家计算：Top-2专家处理FTC输出，加权融合； - 残差+层归一化； 6. 输出投影：取最后时间步的128维特征，经MLP输出1日收益率预测； 7. 选股：按预测收益率排序，选前10只构建组合。 ### 总结 该策略**严格复现了MoFE-Time论文的核心创新（FTC时频融合、稀疏MoE、RevIN、点嵌入）**，针对A股量化场景做了轻量化适配（滚动训练、模型规模缩小、金融特征定制），核心逻辑是利用时频融合的优势捕捉微盘股短期收益率模式，同时通过ETF防御和风控机制控制风险，是将SOTA时序预测模型落地到量化交易的典型实践。 关于未来函数相关问题的回复： ### 一、核心结论：评论对“未来函数”的判断存在关键误区 策略**本身不存在真实的未来函数**，评论的核心错误是混淆了「监督学习的标签逻辑」和「实盘的未来数据使用」，以下分维度拆解： #### 1. 先明确：什么是“实盘级别的未来函数”？ 未来函数的本质是：**在实盘决策时点（如T日9:30开盘），使用了该时点之后才会产生的数据（如T日收盘价、T日成交量）做交易决策**。 而监督学习中，用「T-1日及之前的特征」预测「T日收益率」（标签）是完全合法的——因为训练时T日收益率已成为历史数据，并非“未来未发生的数据”。 #### 2. 策略的时间线拆解（证明无未来） 以「T日调仓」为例，策略的核心数据逻辑： | 时间节点 | 操作行为 | 数据范围 | 关键说明 | |----------|----------|----------|----------| | T日9:30 | 执行`trade`函数 | - | 调仓决策时点，无任何T日行情数据 | | T日 | `data_date = context.previous_date` | 赋值为T-1日（前一交易日） | 所有数据仅取到T-1日收盘，不碰T日数据 | | T日 | `get_price(..., end_date=data_date, count=21)` | 获取「T-1-20日 ~ T-1日」共21天数据 | 数据截止到T-1日，全是历史数据 | | T日 | 计算标签：`(T-1日收盘价 - T-2日收盘价)/T-2日收盘价` | 标签是T-1日的当日收益率 | 该收益率在T-1日收盘后已确定，无任何未来 | **结论**：评论误以为`future_close`是“未来收盘价”，但实际是T-1日收盘价（历史），`current_close`是T-2日收盘价（历史）——标签计算的是「T-1日的收益率」，而非“未来收益率”，完全无未来函数。 #### 3. 评论的具体错误点 | 评论错误认知 | 实际策略逻辑 | |--------------|--------------| | `future_close`是“未来收盘价” | `future_close`是T-1日收盘价（已收盘的历史数据） | | 标签是“向前看lag天的未来收益” | 标签是T-1日的当日收益（历史数据），用于训练“用T-20~T-2日特征预测T-1日收益” | | `count=21`获取了未来数据 | `end_date`限定为T-1日，21天数据全是历史，count仅控制数据长度 | ### 二、策略已做的防未来处理（代码级验证） 策略中明确包含多重防未来机制，彻底规避了未来数据风险： ```python # 1. 聚宽内置防未来开关（强制禁用未来数据） set_option("avoid_future_data", True) # 2. 数据截止日严格限定为前一交易日（T-1） data_date = context.previous_date # 而非context.current_dt（当日） price_data = get_price(..., end_date=data_date, ...) # 3. 跳过停牌数据，避免数据对齐导致的“隐性未来” price_data = get_price(..., skip_paused=True, ...) # 4. 禁用当日价格（仅用真实历史价格） set_option('use_real_price', True) ``` ### 三、“修复未来后收益差”的核心原因 你提到的“修复未来后收益差”是真实策略的常态（虚高收益来自未来数据，真实收益本就会回落），具体原因包括： #### 1. 微盘股策略的本质特性 微盘股的超额收益部分来自「流动性溢价+短期动量」，而未来数据会放大“虚假动量信号”（比如用T日收盘价预测T日收益）。但本策略并没有用T日收盘价预测T日收益实际没有未来信号，移除后信号强度自然下降——这是**真实收益**，而非策略失效。 #### 2. 模型与数据的匹配问题 - **过拟合**：MoFE-Time模型复杂度高（多头注意力+MoE专家），但微盘股样本量小（每次仅50只），滚动训练仅5轮，模型易拟合噪声而非真实规律； - **特征质量**：6维特征（收益率、波动率、动量等）窗口期太短（5/10日），微盘股股价波动大，特征噪声高，预测精度低； - **正则化不足**：模型仅用了梯度裁剪（`max_norm=1.0`），缺乏Dropout/早停等强正则化，过拟合进一步加剧。 #### 3. 交易规则的保守性 - **防御月份ETF配置**：1/4月清仓股票换ETF，若恰逢微盘股行情上涨，会错过核心收益； - **交易成本忽略**：策略设置`FixedSlippage(0)`（零滑点），但微盘股流动性差，实际滑点/冲击成本高，吞噬收益； - **仓位限制**：单票最大仓位15%，分散化降低收益（微盘股往往是少数票贡献大部分收益）。 ### 四、无未来前提下的收益优化建议 #### 1. 模型层面：降低复杂度，增强正则化 ```python # 1. 简化模型（MoFE-Time太复杂，替换为轻量版） class LightTimeModel(nn.Module): def __init__(self, seq_len, pred_len=1, input_dim=6, hidden_dim=64): super().__init__() self.lstm = nn.LSTM(input_dim, hidden_dim, 2, batch_first=True, dropout=0.2) self.fc = nn.Sequential( nn.Linear(hidden_dim, 32), nn.LayerNorm(32), GELU(), nn.Dropout(0.2), nn.Linear(32, pred_len) ) def forward(self, x): out, _ = self.lstm(x) return self.fc(out[:, -1, :]), torch.tensor(0.0) # 移除MoE损失 # 2. 增加早停（滚动训练时） def mofe_time_rolling_train_predict(context, X_seq, valid_stocks, y_true): # ... 原有逻辑 ... best_loss = float('inf') patience = 2 # 早停耐心值 no_improve = 0 for epoch in range(10): # 增加训练轮次，但早停 epoch_loss = 0.0 # ... 训练逻辑 ... if epoch_loss/len(train_loader) < best_loss: best_loss = epoch_loss/len(train_loader) no_improve = 0 torch.save(model.state_dict(), 'best_model.pth') # 保存最优模型 else: no_improve += 1 if no_improve >= patience: break model.load_state_dict(torch.load('best_model.pth')) # 加载最优模型 # ... 预测逻辑 ... ``` #### 2. 特征层面：提升信号质量 ```python # 1. 增加有效特征（微盘股专属） def prepare_cograsp_data(stock_list, end_date, seq_len): # ... 原有特征 ... # 新增：流通市值占比、换手率（微盘股核心特征） turnover = price_data['volume'].values[:seq_len] / (mcap_df.loc[stock, 'circulating_cap'] / close_prices + 1e-8) mcap_ratio = close_prices[:seq_len] / (mcap_df.loc[stock, 'market_cap'] + 1e-8) # 新增：行业中性化收益率（消除行业波动） industry = get_industry(stock) industry_returns = get_industry_returns(industry, end_date, seq_len) neutral_returns = returns - industry_returns[:seq_len] # 合并特征（仍保留6维，选最优） stock_seq_features = np.column_stack([ neutral_returns, turnover, mcap_ratio, momentum_5, volatility, price_range ]) # ... 后续逻辑 ... ``` #### 3. 交易层面：贴近实盘，灵活调仓 ```python # 1. 加入真实滑点（微盘股滑点更高） set_slippage(PriceRelatedSlippage(0.002)) # 0.2%的价格相关滑点 # 2. 优化防御月份逻辑（不是清仓，而是降低仓位） def execute_etf_defense(context): # 原有逻辑：清仓股票 → 改为：股票仓位降至30% stock_value = sum([pos.value for pos in context.portfolio.positions.values() if pos.security not in g.defense_etf_pool]) target_stock_value = context.portfolio.total_value * 0.3 if stock_value > target_stock_value: # 按比例减仓，而非清仓 for stock in list(context.portfolio.positions.keys()): if stock not in g.defense_etf_pool: current_value = context.portfolio.positions[stock].value target_value = current_value * (target_stock_value / stock_value) order_target_value(stock, target_value) # 3. 微盘股选股优化（加入流动性筛选） def filter_stocks(context, stock_list): # ... 原有过滤 ... # 新增：剔除日均成交额< 500万的超微盘股（避免流动性不足） for stock in stock_list: trade_data = get_price(stock, end_date=context.previous_date, count=20, fields=['volume', 'close']) avg_amt = (trade_data['volume'] * trade_data['close']).mean() if avg_amt < 5e6: continue filtered.append(stock) ``` ### 四、总结 1. 策略**无真实未来函数**，评论的误区在于混淆了「监督学习标签」和「实盘未来数据」； 2. “修复未来后收益差”是真实策略的正常现象（虚高收益消失），而非策略本身的问题； 3. 优化方向需聚焦：简化模型、提升特征质量、贴近实盘交易规则——在无未来的前提下，通过更精准的信号和更合理的交易规则提升收益。