| 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
result = run_skill({
"param1": "value1",
"param2": "value2"
})
示例 2: 命令行使用
python scripts/run_skill.py --input data.json