From attention to profit: quantitative trading strategy based on transformer

本文介绍了一种增强的Transformer架构，并设计了一个基于该模型的新因子，以解决在传统量化交易实践中遇到的复杂和动态的金融市场导航问题。以往的机器学习方法难以完全捕捉各种市场变量，往往忽略长期信息并未能捕捉到可能导致利润的重要信号。该模型通过从情感分析中进行迁移学习，不仅利用其原有的捕捉长程依赖和建模复杂数据关系的优势，而且能够处理数值输入并准确预测未来一段时间的回报。本研究从2010年到2019年收集了中国资本市场4,601只股票的超过5,000,000个滚动数据。研究结果表明，与其他100种基于因子的量化策略相比，该模型在预测股票趋势方面表现出更高的性能，且换手率更低、半衰期更稳健。值得注意的是，该模型创新地使用Transformer建立因子，并结合市场情感信息，显著提高了交易信号的准确性，从而为未来量化交易策略的发展提供了有前途的启示。

本论文旨在通过引入增强型Transformer架构和设计一种新的因子来解决传统量化交易中的挑战，即难以捕捉各种市场变量、忽略长期信息和无法捕捉可能导致利润的重要信号。

本论文提出了一种基于情感分析的迁移学习方法，利用Transformer架构来建立因子，以及结合市场情绪信息来提高交易信号的准确性。

本论文使用了超过500万个滚动数据，涵盖了2010年至2019年中国资本市场的4601只股票。实验结果表明，相比其他100种基于因子的量化策略，本论文提出的模型在预测股票趋势方面表现出更好的性能，具有更低的换手率和更强的半衰期。该模型的创新之处在于利用Transformer架构来建立因子，并结合市场情绪信息，从而显著提高了交易信号的准确性。

近年来在这个领域中，还有一些相关的研究，例如：“A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem”和“Deep Learning in Finance: A Review of the Latest Trends and Applications”。