Quantformer：从注意力到利润的量化 Transformer 交易策略

在传统的量化交易实践中，驾驭复杂且动态的金融市场一直是一项持续的挑战。充分捕捉各种市场变量（包括长期信息）以及可能导致利润的基本信号，对于学习算法来说仍然是一项困难的任务。为了应对这一挑战，本文介绍了 quantformer，一种基于 transformer 的增强型神经网络架构，用于构建投资因子。通过从情感分析中进行迁移学习，quantformer 不仅利用了其在捕捉长程依赖和建模复杂数据关系方面原有的固有优势，而且能够处理数值输入任务，并准确预测给定时期内的未来收益。这项工作收集了 2010 年至 2023 年中国资本市场中 4,601 只股票的超过 5,000,000 条滚动数据。本研究的结果表明，与其他基于 100 因子的量化策略相比，该模型在预测股票趋势方面具有卓越的性能。值得注意的是，该模型创新性地使用类 transformer 模型建立因子，并结合市场情绪信息，已被证明能显著提高交易信号的准确性，从而为量化交易策略的未来提供了有希望的启示。