实验结果与论文阅读

策略思想

预测未来两天：

当预测明天的价格低于后天的价格时，就以明天的价格买入所有股票。

当预测明天的价格高于后天的价格时，就以明天的价格卖出所有股票。

再根据最终资产和股票数量计算策略的总收益率，并与市场涨幅进行对比。

实验设置

在CSI300.csv数据集上进行实验

实验效果

市场总收益率：-5.3441%

模型-5	MSE	MAE	策略年化收益率	超额年化收益率	ACC
Autoformer	0.018522	0.112252	5.1505%	10.4946%	52.0833
Transformer	0.009597	0.078120	0.0000%	5.3441%	51.0417
Informer	0.018246	0.098491	-14.7044%	-9.3603%	47.9167
Dlinear	0.010904	0.080731	0.7264%	6.0705%	51.0417
FEDformer	0.748335	0.595919	-6.9510%	-1.6069%	50.0000

论文阅读

Adaptive Long-Short Pattern Transformer for Stock Investment Selection

阅读时的问题及回答整理：

文中所提出的自适应长短模式Transformer (ALSP-TF)与传统的股票投资选择价格分类和回归方法相比如何?

​ 所提出的自适应长短模式Transformer (ALSP-TF)相较于传统的股票投资选择价格分类和回归方法表现更优。实验表明ALSP-TF相较于传统方法在股票投资收益方面表现更好，达到了8.57%的平均相对性能提升和18.54%的累积利润，而且在3个全球市场的数据集中表现最好。这说明ALSP-TF能够更好地处理大量候选股票的投资组合选择问题。

使用基于rnn的模型进行股票投资选择有什么局限性?基于transformer的编码器如何克服这些局限性?

​ 基于RNN的模型在进行股票投资选择时存在一些局限性，例如难以捕获细粒度波动模式之间的交互信息，以及对于长时间间隔内的不连续时态的依赖建模存在困难。基于Transformer的编码器通过多头自注意力机制可以逐层递进地收集短期和长期转移特征，并在自注意力的过程中考虑不同时间间隔的依赖关系，从而克服了这些局限性。此外，基于图的自监督正则化方法还可以自动吸收股票的协同关系，提高整体模型的泛化能力。因此，相较于基于RNN的方法，基于Transformer的编码器可以更好地进行股票预测，且具有更广阔的应用前景。

利用股票间关系如何有助于投资预测，在新场景中推广这些方法有什么困难?

​ 股票间关系可以为投资预测提供重要的参考和指导，能够有效提升预测精度。早期的研究已经探讨了基于数据的相关性、相关行业和供应链等多个角度，建立关系图谱，以图神经网络为基础利用股票间的关联性进行预测，取得了不错的效果。然而，这些方法通常需要依靠领域专业知识和大量数据探索来确定关系结构、确定关系强度等信息，因此难以更好地适用于新场景中的投资预测问题。未来的研究需要寻求更多灵活的方法，更好地利用现有的数据资源，发掘出股票间更深层次、更复杂的关联性，为投资决策提供更全面、更准确的参考。

ALSP-TF如何改进Transformer的典型自注意力来建模股票走势，引入图自监督正则化的好处是什么?

​ ALSP-TF针对股票的非平稳动态和复杂的市场相互依赖关系，提出了一种新的股票排名模型，该模型能够捕获细粒度波动模式之间的交互信息。该模型包括两个附加容量：细粒度模式蒸馏器和时间自适应调制器。堆叠层中的注意头逐渐收集短期和长期的转换特征，并提高库存表示的多样性。此外，该模型设计了一种图形自监督正则化，可以自动吸收股票的集体协同作用，并提高整体模型的泛化能力。在三个交易市场数据集上的实验表明，ALSP-TF相对于最先进的股票预测方法具有更优越的性能。除了改进现有的股票走势建模方法，该模型还为开发金融预测模型提供了新的方向和思路。

与其他Transformer基线和最先进的股票预测方法相比，ALSP-TF的性能如何?在所提出的模型中引入数据驱动的关系嵌入通道有什么好处?

​ ALSP-TF在与其他Transformer基线和最先进的股票预测方法的比较中表现出更好的性能。ALSP-TF通过引入数据驱动的关系嵌入通道，可以自动学习股票拓扑结构，并利用这些相似性进行自我监督信号指导模型的表示学习，从而提高了整体模型的泛化能力。这种方法的优势是可以减少对领域知识的依赖，同时也可以探索金融预测模型的新发展方向。

下周工作

熟悉实验代码，尝试多种股票数据集，继续阅读股票预测相关论文。