20250828-西南证券-DAFAT_基于Transformer模型的自适应解决方案_37页_5mb

报告摘要

DAFAT模型分析与总结

一、DAFAT模型概述

DAFAT是西南证券研究院针对Transformer模型在金融股票量化选股中的应用提出的一种自适应深度学习模型。它通过从位置编码、注意力机制以及信息融合三个方向对传统Transformer模型进行优化，以提高模型在金融序列数据上的表现。

二、核心优化模块

动态位置编码 (DPE)：
- 解决传统正余弦编码的周期性失配与状态忽略问题。
- 引入时间周期编码（季度、月度、周度）和市场状态编码（波动率、行业轮动速度、流动性），并通过门控网络合成。
稀疏注意力机制 (SA)：
- 引入波动率门控、局部注意力窗口和Top-k稀疏选择，减少噪声和提高计算效率。
- 提升模型对突发市场变化的响应能力。
多尺度信息融合 (MF)：
- 接入基本面数据（如EPS同比、市盈率等），构建微（日频）、中（周频）、宏观（月频）层次数据框架。
- 利用跨尺度注意力机制与残差连接整合不同时间频率的信息，缓解高频与低频数据融合问题。

三、模型回测结果

因子IC与单因子策略表现：
- 基础Transformer的IC均值为9.42%；
- DAFAT模型（融合三大模块）IC均值高达11.07%，多头组合年化收益率32.30%，最大回撤33.00%，显著提升收益-风险比。
消融实验：
- 单独采用DPE或SA/MF模块时，模型表现均有显著提升；
- 两两组合效果复杂，MF+DPE效果最佳，而SA+DPE在年化收益上表现强于单模块，MF+SA组合效果一般；
- 三模块共用的DAFAT表现最优，在所有回测区间均优于基准。
指数增强策略（沪深300、中证1000）：
- DAFAT策略较基准年化超额收益分别为12.65%（沪深300）与14.57%（中证1000）；
- 超额表现以年维度略具波动，回撤出现在2021年2月和2024年初，但整体超额收益理想。

四、总结

DAFAT模型通过自适应机制解决了Transformer模型在股票选择上的若干固有限制，包括位置编码的有效期性、计算复杂性和全局序列依赖捕捉不足的问题，提升了在股票因子和指数增强策略中的表现。此项研究展示了Transformer架构在股票量化应用的良好前景，但需注意回测数据具有滞后性，策略未来表现存在不确定性。

风险提示：