研究結(jié)論 文獻(xiàn)信息：本次分享的論文由愛(ài)丁堡大學(xué)（The University of Edinburgh）信息學(xué)院Mengyu Wang、Tiejun Ma、Shay B. Cohen聯(lián)合撰寫，于2025年8月發(fā)表于ACMSIGKDD國(guó)際會(huì)議（KDD 2025），標(biāo)題為《Pre-training Time SeriesModels with Stock Data Customization》專為金融時(shí)序定制的預(yù)訓(xùn)練框架。 推薦理由：論文針對(duì)股票價(jià)格序列高噪聲、非平穩(wěn)、結(jié)構(gòu)信息利用不足等問(wèn)題，提出股票定制化預(yù)訓(xùn)練框架SSPT。通過(guò)股票代碼分類（SCC）、行業(yè)分類（SSC）和移動(dòng)均值預(yù)測(cè)（MAP）三類任務(wù)，從個(gè)股差異、行業(yè)結(jié)構(gòu)和趨勢(shì)信息三個(gè)維度提取價(jià)格序列中的潛在特征，在不增加復(fù)雜模型結(jié)構(gòu)的前提下，有效提升選股模型的表征能力與泛化能力。 核心框架：SSPT基于標(biāo)準(zhǔn)Transformer架構(gòu)，構(gòu)建“定制化預(yù)訓(xùn)練→參數(shù)遷移→選股微調(diào)”的一體化股票選股體系。1）數(shù)據(jù)構(gòu)建：以滑動(dòng)窗口方式對(duì)多股票價(jià)格序列切片，形成統(tǒng)一時(shí)序輸入；2）預(yù)訓(xùn)練任務(wù)設(shè)計(jì)：設(shè)計(jì)股票代碼分類（SCC）、行業(yè)分類（SSC）與移動(dòng)均值預(yù)測(cè)（MAP）三類任務(wù)，從個(gè)股差異、行業(yè)結(jié)構(gòu)與價(jià)格趨勢(shì)三個(gè)維度提取價(jià)格序列中的潛在信息；3）多任務(wù)聯(lián)合訓(xùn)練：在同一Transformer框架下，通過(guò)多任務(wù)加權(quán)損失進(jìn)行聯(lián)合優(yōu)化，使模型在統(tǒng)一結(jié)構(gòu)中同時(shí)學(xué)習(xí)個(gè)股特征、行業(yè)共性與時(shí)間序列趨勢(shì)；4）選股微調(diào)：替換任務(wù)頭，新增收益預(yù)測(cè)層，在下游選股任務(wù)中完成收益預(yù)測(cè)與排序決策。 亮點(diǎn)分析：對(duì)比我們?cè)谇捌趫?bào)告中提出的DFQ-Diversify模型，SSPT體現(xiàn)出四點(diǎn)核心增量：1）建模目標(biāo)：從剝離環(huán)境擾動(dòng)，拓展到先提升價(jià)格表征質(zhì)量；2）核心機(jī)制：從對(duì)抗解耦訓(xùn)練，拓展到任務(wù)驅(qū)動(dòng)的表征學(xué)習(xí)；3）訓(xùn)練流程：從單階段收益建模，拓展為“預(yù)訓(xùn)練+微調(diào)”兩階段框架；4）信息處理：從顯式過(guò)濾無(wú)效信息，拓展為通過(guò)定制化任務(wù)隱式學(xué)習(xí)有效結(jié)構(gòu)；5）體系價(jià)值：推動(dòng)量化選股由“特征構(gòu)造驅(qū)動(dòng)”向“表征學(xué)習(xí)驅(qū)動(dòng)”范式升級(jí)。 實(shí)證結(jié)果：論文在NASDAQ、NYSE、TOPIX-100、FTSE-100及NASDAQ-recent五個(gè)市場(chǎng)上進(jìn)行系統(tǒng)驗(yàn)證。從預(yù)訓(xùn)練任務(wù)層面看，SCC與SSC組合表現(xiàn)最為穩(wěn)健，MAP能提升收益上限但對(duì)參數(shù)更敏感；從最終選股表現(xiàn)看，SSPT在多個(gè)市場(chǎng)上均顯著優(yōu)于市場(chǎng)基準(zhǔn)及主流方法，其中SSPT-ind（單任務(wù)預(yù)訓(xùn)練）與SSPTcomb（多任務(wù)預(yù)訓(xùn)練）均取得領(lǐng)先表現(xiàn)，體現(xiàn)出較強(qiáng)的跨市場(chǎng)與跨周期泛化能力。 優(yōu)化方向：結(jié)合A股市場(chǎng)特性與現(xiàn)有量化研究體系，提出以下優(yōu)化方向：1）輸入特征：從基礎(chǔ)價(jià)量數(shù)據(jù)擴(kuò)展至多維度因子體系，增強(qiáng)信息覆蓋；2）預(yù)訓(xùn)練任務(wù)：從個(gè)股識(shí)別、行業(yè)結(jié)構(gòu)與趨勢(shì)平滑，拓展至更貼近交易邏輯的市場(chǎng)狀態(tài)建模；3）訓(xùn)練機(jī)制：從多任務(wù)簡(jiǎn)單加權(quán)，升級(jí)為更穩(wěn)定的任務(wù)協(xié)同優(yōu)化框架，以緩解任務(wù)沖突、提升模型魯棒性。 風(fēng)險(xiǎn)提示 1.量化模型基于歷史數(shù)據(jù)分析，未來(lái)存在失效風(fēng)險(xiǎn)，建議投資者緊密跟蹤模型表現(xiàn)。 2.極端市場(chǎng)環(huán)境可能對(duì)模型效果造成劇烈沖擊，導(dǎo)致收益虧損。
