迁移学习在量化选股中的实战应用 • halo 的技术博客

量化选股领域长期面临一个核心矛盾：我们拥有的标注数据永远不够。A股市场仅有三十余年历史，而深度学习模型通常需要海量数据才能发挥威力。迁移学习（Transfer Learning）的出现，正在从根本上改写这个游戏规则。

量化模型的”冷启动”困境#

传统的量化选股流程是这样的：研究员提出因子想法 → 用历史数据回测 → 如果表现好就上线。深度学习模型的引入让这个流程变了：我们需要训练一个神经网络来从原始数据中学习模式，但A股的数据量对于训练一个从零开始的深度模型来说实在太小。

以沪深300成分股为例，就算用日频数据回溯10年，总样本量也不过几十万条。而一个中等规模的Transformer模型动辄需要数百万甚至上亿条训练样本。这就是量化领域著名的”冷启动”问题——模型还没来得及学到东西，数据就已经用完了。

迁移学习流程图

迁移学习的核心思路#

迁移学习的本质是”借力”：先在数据丰富的大规模语料上预训练一个基础模型，让它学会通用的特征表示能力，然后再在目标任务的小数据集上微调。

打个比方，这就像一个已经在NBA打了十年球的老将转战CBA——他不需要从头学投篮和运球，只需要适应新的队友、新的战术体系和新的对手风格。预训练模型已经学会了”什么是好的公司”、“什么是市场趋势”，它只需要把这种理解适配到A股的具体环境。

从金融大模型到选股模型：三层迁移#

在量化选股实践中，迁移学习通常分三个层次进行：

第一层：通用语言预训练。 以BERT、GPT为代表的大语言模型在万亿级文本语料上训练，学会了语言的深层结构和逻辑推理能力。这些模型对”利好”、“利空”、“增长”、“衰退”等概念已经有了基本理解。

第二层：金融领域适配。 像FinBERT、FinGPT、BloombergGPT这样的金融专用模型，在年报、财报、新闻、研报等金融文本上做了进一步预训练。它们已经能够理解”归母净利润”、“扣非后ROE”、“经营活动现金流”等专业术语的含义。

第三层：A股选股任务微调。 这是最关键的一步。我们将金融预训练模型在A股的历史数据上做监督微调——输入是某个时间截面的所有可用信息（基本面数据、技术指标、资金流向、新闻情绪等），输出是未来一段时间的超额收益预测。

# 迁移学习微调的核心代码框架
from transformers import AutoModel, Trainer

# 加载金融预训练模型
model = AutoModel.from_pretrained("finbert-pretrained")

# 冻结底层，仅微调顶层
for param in model.base_model.parameters():
    param.requires_grad = False

# 在A股数据上训练
trainer = Trainer(
    model=model,
    train_dataset=a_share_dataset,
    args=training_args
)
trainer.train()

python

实战的关键技巧#

在实战中，有几个关键点决定了迁移学习的效果：

特征对齐是最大挑战。 金融预训练模型的输入通常是文本，而量化因子往往是数值型的。如何将PE、PB、动量、波动率这些数字特征与文本模型的特征空间对齐，是一个工程难题。常见的做法是通过一个投影层（Projection Layer）将数值特征映射到与文本token相同的嵌入维度，然后拼接输入。

时序数据的分层处理。 金融数据天然的时序结构要求我们不能简单地随机切分训练/测试集。必须按时间顺序切分，训练集在前、验证集居中、测试集在后，才能模拟真实的实盘环境。同时要警惕前视偏差（Look-ahead Bias）——模型绝不能用到未来信息。

类别不平衡的处理。 如果我们预测”下月涨幅前20%的股票”，正负样本比例是1:4，这还好。但如果预测”下月涨停的股票”，正负样本比例可能高达1:100。需要用Focal Loss、样本加权或过采样等技术来应对。

模型效果对比

实际效果与局限#

从实战经验来看，迁移学习在A股选股中确实有明显的正向效果。相比从头训练的模型，迁移学习模型通常在以下指标上表现更好：

IC（信息系数）提升约15-25%：模型预测与实际收益的相关性显著提高
回撤控制更好：预训练模型在大盘系统性下跌时的表现更稳健
样本外衰减更慢：传统因子模型上线3-6个月后因子效力往往急剧下降，而迁移学习模型的有效期通常更长

但迁移学习并非万能。当市场结构发生根本性变化时——比如注册制改革、涨跌幅限制调整、融券规则改变——预训练模型学到的”旧规律”反而可能成为拖累。这种情况下，重新训练或持续学习（Continual Learning）是更合适的选择。

未来的方向#

迁移学习在量化选股中的应用才刚刚开始。几个值得关注的方向包括：

多模态迁移学习——同时利用K线图（视觉）、财报文本（语言）和行情数据（数值）进行联合预训练和迁移。

跨市场迁移——在美股这个更成熟、数据更丰富的市场上预训练，然后将知识迁移到A股。不同市场的底层规律有相当的共通性。

大模型的思维链推理——利用大模型的推理能力，让它”解释”为什么某只股票可能上涨，然后将这种推理能力通过迁移学习固化到选股模型中。

迁移学习正在让”小而美”的量化团队也能用上需要海量数据才能训练的深度模型。这或许是量化投资民主化的关键一步。