人工智能和機器學習系列專題研究：基于動量Transformer模型的日內和隔夜交易策略.pdf

人工智能和機器學習系列專題研究：基于動量Transformer模型的日內和隔夜交易策略。為應對傳統截面策略在極端市場環境下的失效問題，本文聚焦寬基指數組 合，構建了一類日內和隔夜的時序交易策略。通過引入并改進動量 Transformer 模型，策略在指數模擬和 ETF 實測中均實現了良好的收益增厚。 該時序策略與截面策略的相關性低，在截面策略大幅回撤時，時序策略通常 表現較好，可形成有效的互補和分散化。

【報告亮點】

1. 將動量 Transfomer 模型應用于 A 股時序策略，并根據 A 股實際環境， 針對性地改進模型結構。 2. 基于改進的動量 Transfomer 模型構建日內+隔夜時序交易策略，并相對 買入持有，實現了良好的收益增厚。 3. 時序策略的收益來源與傳統截面策略不一致，兩者可以形成有效互補。

【主要邏輯】

主要邏輯一、動量 Transfomer 模型以夏普比率為損失函數，直接輸出資產 倉位，可用于構建時序交易策略。 模型主體仍為多頭注意力機制，便于并行捕捉不同時間尺度上的動量特征。 其核心優勢在于，既解決了傳統動量策略（如，MACD）適應性不足的問題， 又克服了傳統 LSTM 模型長期記憶丟失的缺陷。

主要邏輯二、根據動量 Transfomer 模型輸出的倉位，于每日 11:00、14:30 和 15:00 調倉，構建 ETF 日內+隔夜交易策略。 在單邊萬 1 的費率假設下，日內+隔夜交易策略相對買入持有 50%基準，可 獲得 7.15%的超額收益率，且每年均能實現收益增厚。雖然風險指標（波動 率和最大回撤）有所放大，但收益風險比相較基準提升顯著。此外，該策略 對成交時點并不特別敏感，也能承受一定的滑點損失。

主要邏輯三、ETF 日內+隔夜交易策略的收益來源與傳統截面策略不一致， 兩者可以形成有效互補。 當截面策略日度超額收益率小于 0 時，時序策略獲得正超額收益率的可能性 較高。尤其是當截面策略日度超額收益率低于-30bp，時序策略有著更高的 正向超額收益。另一方面，兩個策略日度超額收益率序列的相關性僅為 12.18%。