本文提出了Quantformer,一种基于改进Transformer架构的神经网络模型,用于构建投资因子以直接处理数值型时间序列数据。利用超5百万条涵盖4601只中国股票的滚动数据,结合市场情绪信息,Quantformer因子在不同交易频率下的预测准确性及回测表现显著优于传统100因子策略,表现出较高的年化收益率和风险调整能力,表明该模型对未来量化交易策略具有重要意义 。
标题:Quantformer: from attention to profit with a quantitative transformer trading strategy
作者:Zhaofeng Zhang 等
出处和关联机构:多所知名高校与研究机构,包括北京师范大学—香港浸会大学珠海研究院、美国密歇根大学、新加坡国立大学等
时间:报告内容涵盖2010年至2023年的数据
主题:基于Transformer架构设计的量化交易策略“Quantformer”,用于中国资本市场股票趋势预测与投资因子构建
核心论点:
传统的量化交易面对金融市场动态复杂、变量丰富等挑战,难以精准捕捉长期依赖关系及重要信号。该报告提出了一种基于Transformer经过改良的神经网络架构,即Quantformer,通过转移学习(源自情感分析领域),有效处理数值型金融数据,提升股票趋势预测能力。Quantformer 在涵盖4601只中国股票、超过500万个滚动数据集的实证测试中,优于超100个传统价格-成交量因子,验证其预测准确性与盈利能力。
目标:构造新型因子、改进量化策略,增强交易信号准确性,推动Transformer技术在量化金融领域的应用。
,1]
关键论点:
股票交易的核心是优化资本市场投资收益。市场复杂且波动剧烈,传统时间序列建模难以有效捕捉市场趋势。经典量化工具(如马科维茨组合理论、CAPM)偏重静态基本面分析,近年来因子模型(如Fama-French三因子和五因子模型)广泛应用,多因素组合策略引导股票选择和持仓管理。
交易结构:报告区分了两种基于因子的量化交易方法(见图1):
机器学习的应用:
机器学习(ML)已成为量化策略核心,通过复杂数据关系抽取有效信号。对市场情绪的捕捉尤其重要,但传统NLP模型多处理文本,金融数据多为数值及分类数据,处理路径不同。此外,Transformer本质为seq2seq结构,自动回归生成任务,而股票预测为固定周期未来收益预测,需适配改造。
,2,3]
传统ML模型:
Transformer及其改进:
Transformer因其并行计算和长距离依赖捕捉优势,在文本处理领域取得突破。为适应金融时间序列,研究提出多种改良模型(详见表1),包括:
部分研究表明Transformer在股指预测、价格波动分类等任务中效果优越,但也存在缺点,如全局注意力过分关注单点相似性,忽略上下文影响。
整体流程(图3简示):
输入数据定义:
Quantformer编码器细节:
损失与训练:
数据来源及范围:
基于中国沪深两市4601只股票,时间跨度2010年-2023年,数据经复权调整以反映真实价格变动
多频数据处理:
模型训练细节:
交易策略设计(算法1):
评价指标:
整体表现:
模型训练规模影响:
图表分析(图4):
附录:
,22,23,24,37,38]
本报告主要聚焦策略研究与回测,没有涉及传统的公司估值模型。
但从量化交易策略的角度,估值可理解为策略的收益与风险比(如夏普率)、超额收益(Alpha)和最大回撤(Max Drawdown)等指标的综合表现。通过大样本历史数据及交叉验证,Quantformer展示了优秀的风险调整收益特性,隐含策略在实际市场中的风险收益权衡优异。
报告中论述的风险主要包括:
模型过拟合风险:传统ML模型(如SVM)在金融数据中易出现拟合训练集而泛化差的情况。Quantformer通过大量数据训练(4601只股票,500万数据点)及归一化处理降低此风险,且采用了合理的正则化策略。
市场极端事件风险:尽管未剔除收益和换手率中的极端值,模型仍试图捕捉并预测异常变动,表明策略对极端风险有一定适应性,但在黑天鹅事件中可能仍存在不可控风险。
策略实施风险:手续费设置保守(0.3%)考虑了实际交易成本,且禁用卖空符合中国市场规则,确保模拟尽量贴合真实环境。但仍有滑点、执行延迟等现实因素未明示。
样本外表现风险:测试期(2020-2023)较长,模型在多种市场环境下测试,表现稳健。但未来市场结构变动可能影响模型有效性。
总体,报告对风险识别明确,但未深入探讨缓解机制,多依赖数据驱动和模型设计抵御风险。
,10,18,21]
模型结构简化带来的潜在影响:删去位置编码与解码器mask操作符合数值时间序列特点,但去除位置编码是否使模型忽略微小时间差异尚需深入验证,可能影响部分高频态势判断。
标签设计中的“Null标签”处理:报告中对中间区间收益标签进行了忽略或包含两种处理方式,影响样本平衡和模型学习效果,建议明确比较两种标签处理对模型收益波动的影响。
风险收益指标的解释:某些周期或策略回测中出现负Alpha或负夏普,暗示非所有情形下模型优于基准,需重点关注策略适用范围及越界表现。
缺乏交易执行细节:虽介绍手续费设定,但实际交易中的滑点、成交失败等未详述,对策略实盘表现可能有影响。
数据集特征单一:模型仅输入价格收益与换手率两维特征,未融合更多宏观、基本面或新闻情绪等信息,影响模型预测深度和多样性。
总体而言,报告展现了方法创新及良好实验结果,但在部分关键假设和实盘环境适应方面应进一步完善说明。
,16,18,21]
本报告系统详细地介绍并实现了Quantformer,一种基于Transformer改良设计的量化交易因子构建模型,专门适配数值时间序列预测未来股票收益分位。通过取消传统Transformer中的词嵌入与位置编码,改用线性层替代词嵌入,简化解码器结构以适应分类预测任务,解决了模型难以处理数值金融数据的问题。
通过覆盖4601只股、超过十年数据的丰富训练与严格的滚动回测,Quantformer因子表现超越100余个传统价格-成交量因子,在年化收益率、夏普比率、Alpha值和风险控制(VaR、回撤)等方面皆表现优异,显示出良好的投资价值和风险调整能力。其对月度数据的建模优于周度、日度,反映了不同频率对策略表现的影响。
模型在不同训练规模及分位数截断上均展示稳健性,支持Quantformer作为灵活且有效的量化工具,有助于改进因子构建和股票选取。
报告所述的架构和实证结果为机器学习尤其是Transformer结构在金融量化领域的落地应用提供了鲜活案例。虽然仍存在部分设计假设和现实交易环境限制,Quantformer为未来更深度融合异构数据、多维市场特征提供了重要基础。
总的来看,作者明确而有力地论证了Quantformer策略的创新意义与实用价值,展现了Transformer在金融时间序列预测与量化因子设计中的潜力,值得进一步推广和优化。
,21,22,23,24]
本报告充分展现了“Quantformer”模型在量化金融领域的创新性利用Transformer进行股票收益分位预测的优势。研究既结合理论模型改良,也实现了丰富的经验回测验证,展示了其高收益、高稳定性的双重价值。清晰的方法论与详实的实验数据为未来Transformer在量化交易中的深入应用奠定了坚实基础。
以上分析涵盖报告的所有关键论点、数据、实验设计、风险提示及图表,从模型创新到实证检验一应俱全,确保内容信息完整且便于理解。报告提供的开源代码进一步增强了可复制性与实践价值。相信这份研究对金融机器学习及投资策略设计领域均有较大启发意义。
2404.00424.pdf