机器学习与因子（二）：Transformer 特征工程算法测评
创建于 更新于
摘要
本报告探讨了Transformer算法在股票特征工程中的应用，通过设置月频调仓场景，采用带时间步长的多维因子输入，训练预测股票次月回报。经多股票池（中证1000、500、沪深300及全市场）实证检验，Transformer模型能实现有效的股票特征筛选，形成组合稳定超额收益，IC均值0.047，IR为0.69。模型通过位置编码、时间步长、Encoder层数等超参数调优，最终确定单Encoder层、时间步长3的架构最优。然而，横向比较多种机器学习模型，Transformer未表现显著优势，可能因月频样本量限制及数据特征差异。后续建议增加样本频率及创新符合Transformer特征的金融数据探索 [pidx::0][pidx::3][pidx::6][pidx::8][pidx::12][pidx::18][pidx::19]
