a-share-transformer-quant

name	a-share-transformer-quant
description	A股Transformer量化/注意力机制因子。当用户说"Transformer"、"注意力机制"、"attention"、"自注意力"、"Transformer量化"、"GPT选股"时触发。基于 cn-stock-data 获取数据，构建Transformer量化模型。支持 formal/brief 两种输出风格。

Transformer量化/注意力因子助手

数据获取

通过 cn-stock-data skill 获取数据：

• K线数据: 日线序列+截面数据
• 因子数据: 多因子截面矩阵
• 关系数据: 行业/供应链关系

分析工作流

Step 1: 输入编码

• 时序编码：位置编码+时间特征嵌入
• 截面编码：股票特征向量化
• 多头注意力：不同head关注不同模式
• 跨股票注意力：捕获股票间的关联关系

Step 2: 模型架构

• Temporal Transformer：时序维度自注意力
• Cross-sectional Transformer：截面维度注意力
• Spatial-Temporal Transformer：时空联合建模
• 轻量化：Performer/Linformer降低计算复杂度

Step 3: 注意力因子提取

• 注意力权重可视化：模型关注哪些时间步/股票
• 注意力得分作为因子：高注意力=高信息量
• 动态因子权重：Transformer自动学习因子组合权重
• 跨股票注意力→行业/概念关联度因子

Step 4: 训练与评估

• 预训练+微调：先在大量股票数据上预训练
• 排序损失：ListMLE/ApproxNDCG优化排序
• 计算资源：GPU训练，推理可CPU
• 与传统模型对比：Transformer vs LightGBM

Step 5: 输出报告

输出格式

formal 风格（研报级）

# Transformer量化报告

## 一、模型架构
| 组件 | 配置 |
|------|------|

## 二、注意力分析
[注意力权重可视化、关键时间步]

## 三、信号表现
[IC/多空收益/与传统模型对比]

## 四、当期信号
[Top/Bottom股票列表]

brief 风格（快速分析）

## Transformer量化速览
- 6层Transformer，8头注意力
- IC=0.055，优于LightGBM(0.04)
- 注意力集中在近5日量价变化
- 本期Top信号：[股票列表]

参考 references/transformer-quant-guide.md 获取详细方法论与 A股实证研究。

使用示例

示例 1: 基本使用

# 调用 skill
result = run_skill({
    "param1": "value1",
    "param2": "value2"
})

示例 2: 命令行使用

python scripts/run_skill.py --input data.json