Transformer架构下的量价选股策略：ChatGPT核心算法应用于量化投资

广发张超 2026-06-11 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 4 /5

核心内容

报告将自然语言处理领域的Transformer架构引入量化投资，通过编码器提取个股量价时序特征，解码器预测股票未来的涨跌概率。利用自注意力机制有效捕捉不同时间截面及个股间的非线性关系，从而进行选股分类预测。

经济逻辑

股票的量价数据（涨跌幅、换手率）蕴含了市场交易行为与资金流向的信息。Transformer通过多头自注意力机制能够并行且高效地挖掘长序列历史数据中的复杂时序依赖与周期性特征，克服了传统RNN模型长期记忆衰减和无法并行计算的缺点，进而更精准地预测股票未来走势。

超额收益逻辑

通过Transformer模型深入挖掘个股涨跌幅与换手率序列中隐含的非线性时序规律与长短期记忆特征，将涨跌预测概率作为选股信号，做多高概率股票，获取超越基准的Alpha收益。

构造细节 [model]

模型架构

采用Transformer架构，包含位置编码层（正余弦函数）、编码层和解码层。核心计算模块为自注意力机制（计算query向量与key向量的相关性来加权平均value矩阵）与多头注意力机制（并行计算和拆分矩阵为多个头以提高训练效率）。

输入

个股日频涨跌幅个股日频换手率

输出

股票未来涨跌概率（分类输出）

训练

以历史面板数据为输入，股票未来涨跌情况为标签，进行有监督分类训练。研报未详细披露具体的损失函数、优化器及超参数设置。

数据输入

: (日频): (日频)

组合方式

根据模型输出的未来涨跌概率进行分类排序，构建选股组合

绩效

基准: 中证500、沪深300、全市场

回测期: 2020年以来

基于Transformer架构的选股策略在月度调仓中，中证500、沪深300和全市场选股自2020年以来均获得良好的相对收益与较强的回撤控制能力。

收益归因

缺口: 研报未提及具体的收益归因分析。

稳健性

子样本稳定性: 研报称自2020年以来（涵盖多种市场环境）均表现良好，体现出一定的跨周期稳定性。

风格偏差: 研报未提及具体的风格偏移情况。

模型在大盘（沪深300）、中盘（中证500）及全市场均展现出良好的相对收益与回撤控制，表明其对不同市值风格的股票具有一定的普适性，但具体子样本及风格归因未详述。

数据依赖

所需数据: 全市场个股日频涨跌幅、日频换手率（面板数据）

可复现性: medium

输入特征为基础量价数据，极易获取。但报告未披露模型的具体代码、网络层数、超参数和训练细节，需结合标准Transformer框架自行调试，实现完全可复现存在一定门槛。

新颖性评估 [新方法]

将NLP领域的核心模型Transformer及自注意力机制创造性地应用于量化选股，通过面板数据的时序预测分类生成选股信号，区别于传统的线性多因子或浅层机器学习模型。

不足与缺陷

研报正文信息密度较低，缺乏对Transformer模型超参数、层数、头数、训练集/测试集划分等可复现级别的细节披露。
特征工程较为单薄，仅使用了涨跌幅和换手率两个基础量价指标，未引入更丰富的微观结构或基本面特征。
缺乏收益归因分析，无法明确超额收益是来源于动量、反转、流动性还是其他隐性风格因子的暴露。
未提及交易成本、冲击成本及组合权重分配方式，回测结果可能存在一定程度的优化偏误。

可复用元素

将个股多维量价指标构建为时间序列面板输入Transformer的思路
利用多头自注意力机制并行捕捉金融时序长期依赖的建模方法
将预测目标转化为涨跌概率分类任务的设计

启发

自注意力机制不仅能捕捉单只股票的时间序列内部依赖，也可扩展用于捕捉股票截面间的横向关联（如行业聚类效应）。
可利用Transformer处理变长序列的特性，构建非固定时间窗口的动态特征提取模型。

改进方向

引入Temporal Fusion Transformer(TFT)或引入相对位置编码，并结合更丰富的多频量价特征（如分钟级VWAP、波动率、订单簿不平衡度）。

基于: 标准Transformer计算复杂度高且位置编码对金融时序非平稳性适应力有限，单一日频特征信息量不足。预期收益: 丰富特征维度并增强对非平稳时序的适应力，降低过拟合风险，提升模型在交易拥挤情况下的泛化能力和超额收益稳定性。

采用“Transformer编码器 + 截面多因子IC损失”的架构，即将输出从分类概率改为直接预测未来收益率，并使用列表学习进行截面排序优化。

基于: 分类损失（如交叉熵）未直接优化组合的排名，而量化选股更看重因子的截面排序能力（IC）。预期收益: 通过直接优化Rank IC，使得模型输出的得分在截面上区分度更高，进一步提升多头组合的绝对收益与信息比率。

复现计划

1. 数据准备：提取全A股日频涨跌幅与换手率数据，对齐处理为面板数据；2. 模型构建：使用PyTorch搭建标准Transformer模型，包含正余弦位置编码、多层多头自注意力编码器与解码器；3. 训练设置：截取历史N天序列为一组样本，以未来T日涨跌（如二分类）为标签，划分训练集与验证集进行有监督训练；4. 策略回测：在每月末根据模型输出的涨跌概率对股票打分，在中证500、沪深300及全市场内选取得分最高的前K%构建多头组合，进行月度调仓，加入双边千二手续费测算相对收益与最大回撤。