机器学习系列之十：时间序列重采样与多尺度多窗口信息融合模型-250829-东北证券-32页.pdfVIP

[Table_Info1][Table_Date]

证券研究报告发布时间：2025-08-29

[Table_Title][Table_Invest]

证券研究报告/金融工程研究报告

时间序列重采样与多尺度多窗口信息融合模型

机器学习系列之十

报告摘要：

中证1000指数增强表现

[Table_Summary]

时间序列的采样方式在一定程度上影响特征的有效性。对于高频量价数

据流，常规方法为均匀时间采样。然而这种采样方式可能会导致信息分

布不均，比如早盘高成交量时段采样过少导致有效信息过载而被掩盖，

午盘低成交量时段有效信息不足但采样过多从而引入噪声。另外，均匀

时间采样的时间序列统计特性一般比较差。事件驱动型的采样方式旨在

让信息的分布更加均匀，例如基于成交笔数、成交量、成交额等维度进

行采样，而并非单一的时间维度。这种等信息量的采样方式在保留较高

精细度的同时，尽可能降低了噪声，能够在信息密集时段增加采样频率，

而在信息稀疏时段降低采样频率。

[Table_Report]

相关报告

不同的时间窗口具有不同的信息侧重，不同的采样频率或尺度选择体现《资产负债表财务附注质量因子》

精细度和噪声的权衡。随着回看窗口期的增加，数据含有的信息从日内

-

走势到短期波动，再到长期趋势信息。单一窗口输入通常难以使模型兼

《宏观因子组合及股债相关性再探索》

顾局部变化和全局趋势。多窗口数据特征的融合能够引导模型更好地提

取有效信息，从而增强模型的表现。另一方面，时间序列在不同尺度下-

呈现出的模式也不尽相同。不同尺度的时序采样能够实现不同程度的降《上月预期和流动性因子表现较优》

噪以及多样化的模式呈现，综合考虑多尺度下的时间序列特征能够在一-

定程度上带来增益。《上月预期、成长和技术因子表现较优》

-

多尺度多窗口信息融合模型对跨窗口共享信息与特异性信息进行解耦，

《公募量化发展的回首与展望》

对多尺度数据对应的模型进行集成，具有更优的选股能力。首先在数据

端应用事件驱动的采样方式，得到多种尺度的量价时间序列。对每一种-

尺度下的时间序列进行多窗口划分，模型对多窗口期的特征进行提取，

并将其解耦为共享特征与特异性特征，从而尽可能消除多窗口对应特征[Table_Author]

的冗余性，然后由预测模块进行多窗口特征的整合得到输出。最终对多

证券分析师：王琦

种尺度对应的模型进行集成。

执业证书编号：S0550521100001