- Temporal Fusion Transformer：把多变量时序预测做成可解释黑盒
TFT（Temporal Fusion Transformer，Lim 等 2020）是少有的「既用 Transformer 注意力、又刻意追求可解释」的时序模型。它靠三道门控——变量选择网络(VSN)、时序注意力(TIA)、门控残差——把「哪几个变量重要、过去哪段历史重要、线性还是非线性重要」全部量化出来。本文用自洽合成模型从零复现这三步，给出变量选择 265× 信噪比、多变量融合 SMAPE 比单变量低 43.7% 的实算结果，并诚实指出注意力可解释性的边界，附完整 Python 与六类真实陷阱。
13 min Chinese - 注意力机制因子：让模型自己决定看哪些特征
把注意力机制从 NLP 搬进多因子选股：用特征级自注意力让模型自己决定看哪些因子，再门控加权出 1 维注意力因子。合成里门控因子 OOS R²=0.59 远超等权平均 0.15（高阶）。
15 min Chinese - 订单簿失衡 LSTM：用深度模型预测秒级价格方向
订单簿失衡(Order Flow Imbalance)是高频价格预测里最有信息量的特征之一。本文从零构造 LOB 失衡特征，用 LSTM 捕捉其时序依赖预测秒级价格方向，并用混淆矩阵、训练曲线与含成本回测检验它的真实价值。附完整 PyTorch 风格 Python 与六类真实陷阱（高频）。
16 min Chinese - 自编码器因子挖掘：用深度学习提取非线性 Alpha
传统因子是「人拍脑袋的线性组合」，自编码器(Autoencoder)能用无监督方式把几十维原始量价特征压缩成一小组「低相关、信息损失最小」的编码向量，当作新因子喂给选股模型。本文从数学定义、纯 numpy 手写自编码器、到「编码即新因子」的 IC 检验完整走通，并指出无监督≠可预测、容量有限、分布漂移三大真实陷阱。
9 min Chinese - Transformer模型股价预测：Attention机制在金融时序中的应用
深入探讨Transformer模型在股价预测中的应用，从Attention机制到时间序列建模，带你用PyTorch构建端到端的股价预测系统
24 min
返回