人工智能和机器学习系列研究(4)：基于动量Transformer模型的日内和隔夜交易策略

1 | 请务必仔细阅读报告尾部的投资评级说明和声明 金工量化专题报告 基于动量 Transformer 模型的日内和隔夜交易策略 人工智能和机器学习系列研究（4）  核心结论 分析师 冯佳睿 S0800524040008 13564917688 fengjiarui@research.xbmail.com.cn 联系人 张逸飞 18916386581 zhangyifei@research.xbmail.com.cn 相关研究 《多模型、多数据、多跨度融合的深度学习GRU 因子——人工智能和机器学习系列研究（1）》 2024.07.02 《风险信息引入深度学习模型的若干尝试——人工智能和机器学习系列研究（2）》 2024.10.12 《3%跟踪误差、5%超额收益的 300 指增深度学习方案——人工智能和机器学习系列研究（3）》 2025.03.19 为应对传统截面策略在极端市场环境下的失效问题，本文聚焦宽基指数组合，构建了一类日内和隔夜的时序交易策略。通过引入并改进动量Transformer 模型，策略在指数模拟和 ETF 实测中均实现了良好的收益增厚。该时序策略与截面策略的相关性低，在截面策略大幅回撤时，时序策略通常表现较好，可形成有效的互补和分散化。 【报告亮点】 1. 将动量 Transfomer 模型应用于 A 股时序策略，并根据 A 股实际环境，针对性地改进模型结构。 2. 基于改进的动量 Transfomer 模型构建日内+隔夜时序交易策略，并相对买入持有，实现了良好的收益增厚。 3. 时序策略的收益来源与传统截面策略不一致，两者可以形成有效互补。 【主要逻辑】 主要逻辑一、动量 Transfomer 模型以夏普比率为损失函数，直接输出资产仓位，可用于构建时序交易策略。 模型主体仍为多头注意力机制，便于并行捕捉不同时间尺度上的动量特征。其核心优势在于，既解决了传统动量策略（如，MACD）适应性不足的问题，又克服了传统 LSTM 模型长期记忆丢失的缺陷。 主要逻辑二、根据动量 Transfomer 模型输出的仓位，于每日 11:00、14:30和 15:00 调仓，构建 ETF 日内+隔夜交易策略。 在单边万 1 的费率假设下，日内+隔夜交易策略相对买入持有 50%基准，可获得 7.15%的超额收益率，且每年均能实现收益增厚。虽然风险指标（波动率和最大回撤）有所放大，但收益风险比相较基准提升显著。此外，该策略对成交时点并不特别敏感，也能承受一定的滑点损失。 主要逻辑三、ETF 日内+隔夜交易策略的收益来源与传统截面策略不一致，两者可以形成有效互补。 当截面策略日度超额收益率小于 0 时，时序策略获得正超额收益率的可能性较高。尤其是当截面策略日度超额收益率低于-30bp，时序策略有着更高的正向超额收益。另一方面，两个策略日度超额收益率序列的相关性仅为12.18%。 风险提示：模型失效风险；数据测算误差风险；市场投资风格可能发生变化。 证券研究报告 2025 年 06 月 09 日 金工量化专题报告 西部证券 2025 年 06 月 09 日 2 | 请务必仔细阅读报告尾部的投资评级说明和声明 索引 内容目录 一、 引言 ................................................................................................................................ 4 二、 指数的日内特征 .............................................................................................................. 4 2.1 “神奇”2 点半 ............................................................................................................ 4 2.2 利用日内特征的简单交易策略 ..................................................................................... 5 三、 动量 Transformer 模型及其改进 ..................................................................................... 6 3.1 动量 Transformer 模型 ................................................................................................. 6 3.2 动量 Transformer 模型在美国市场的表现 .................................................................... 7 3.3 动量 Transformer 模型在 A 股上的运用与改进 ............................................................ 8 3.3.1 核心改进 1：改损失函数为信息比率 ................................................................... 8 3.3.2 核心改进 2：增加特征类别 ................................................................................. 8 3.3.3 核心改进 3：重设训练-验证划分机制.................................................................. 8 四、 动量 Transformer 在指数上的测试 .................................................................................. 9 4.1 模型与回测设置 ........................................................................................................... 9 4.2 情境 1：不做空 ............................................................................................................ 9 4.2.1 每日调仓三次，特征计算截止交易前 15 分钟 ......................................