A股市场信噪比极低，传统深度学习模型极易对短期波动过拟合。本文引入离散小波变换（DWT），将收益序列解耦为高频突发冲击和低频长期趋势，再结合图神经网络与多任务学习。在严格扣除千分之二双边交易成本后，Stockformer 在震荡市与单边市中均显著优于 LightGBM、ALSTM 和纯 Transformer。
【论文信息卡片】
Title: Stockformer: A Price-Volume Factor Stock Selection Model Based on Wavelet Transform and Multi-Task Self-Attention Networks
Authors: Bohan Ma, Yushan Xue, Yuan Lu, Jing Chen (中央财经大学)
Source: Expert Systems With Applications
Code: 已开源 (提供基于微软 Qlib 框架的 Python 完整代码)
🎯 模型/特征解耦创新：破除了将收益率直接塞进 Transformer 的暴力做法。利用离散小波变换（DWT）将收益率切分为高频分量与低频分量，高频走空洞因果卷积捕捉突发事件，低频走时间注意力捕捉长记忆，从物理意义上提升特征纯度。
📊 数据与回测严谨性：基于沪深300（CSI 300）成分股 2018-2024 年日频数据，采用滚动窗口划分训练、验证和测试集，输入特征为经典 Alpha360 量价因子库，并在策略回测中扣除双边千分之二交易成本。
💰 多维交叉验证超额：Rank IC 达到 0.0344，方向预测准确率达 57.46%。在 TopK-Dropout 每日轮动 Top5 多头策略下，模型在 2023 年横盘震荡市中依然斩获 44.48% 的年化绝对收益。
在量化多因子领域，传统树模型（如 XGBoost、LightGBM）虽然善于处理非线性截面，但对时序依赖（Temporal Dependency）的刻画较弱；直接使用 LSTM 或标准 Transformer，在面对 A股这种高波动、高噪音市场时，模型又容易被短期波动牵着走，学不到真正可迁移的 Alpha。
此外，单票时间序列模型往往忽略股票间的截面溢出效应（Spatial Correlations）。作者指出，要想在 A股中稳定选股，模型必须同时具备三种能力：过滤噪音并提取主升浪、感知板块联动，以及通过多任务学习降低单一预测目标带来的过拟合。
本文的 Stockformer 架构，是金融工程与信号处理、图网络和注意力机制融合的一次典型尝试：
数据构造：特征输入包含 360 个经过极端值处理、标准化和行业市值中性化的 Alpha360 量价因子，并叠加历史收益率序列；标签同时覆盖 T+1 日真实收益率和 T+1 日涨跌方向。
核心架构（三段式提纯）：
解耦流层（Decoupling Flow Layer）：先对收益率序列进行离散小波变换（DWT），拆分为低频长期趋势和高频短期波动，让模型在进入注意力网络前先完成频域降噪。
双频时空编码器（Spatiotemporal Encoder）：低频数据送入自注意力机制捕捉长逻辑，高频数据送入空洞因果卷积捕捉局部异动，同时利用 Struc2Vec 构建股票关联图谱，并用 GAT 提取截面联动特征。
多任务解码器（Multi-Supervision）：通过多任务学习让模型同时预测涨跌幅和涨跌方向，相当于为神经网络增加正则化约束，降低单一收益率回归目标导致的过拟合风险。
Stockformer 架构图：小波解耦 + 双频时空编码 + 多任务输出（此处保留母版图片位，后续可替换真实图表）
作者在 Qlib 框架下进行了详尽回测，多个维度的结果都指向同一个结论：频域解耦显著提升了深度模型在噪音市场中的稳定性。
预测指标全面碾压：
样本外测试中，Stockformer 的 Rank IC 达到 0.0344，Rank ICIR 达到 0.2669，方向准确率为 57.46%，整体超越 LightGBM、ALSTM 以及纯 Transformer 模型。
交易摩擦测试：
在实盘策略回测中，作者硬性扣除了双边千分之二（0.2%）的交易成本。考虑到日频调仓和 TopK-Dropout 的换仓机制，这是一组相对严苛的摩擦测试设定。
极端行情下的鲁棒性：
在 2020-2021 年单边上涨市中，模型斩获 239.7% 的年化收益，最大回撤仅 3.07%；在 2023 下半年横盘震荡市中，当多个基准模型录得负收益时，Stockformer 仍实现 44.48% 的正向年化，夏普比率高达 2.71。
模型预测性能对比与震荡市净值曲线（此处保留母版图片位，后续可替换真实图表）
🔥 落地价值评估（特征工程的降维打击）：
这篇文章最大的实盘启发是：不要把脏数据直接喂给神经网络。通过小波变换（Wavelet Transform）先对收益率和因子做频域滤波，是一种极具性价比的先验知识注入。对于国内量化团队做高频量价因子，尤其是分钟级数据去噪，这套“先过滤、再建模”的路径很有借鉴价值。
⚠️ 避坑与局限性（策略容量与多空检验）：
极端的持仓集中度：本文回测采用 TopK-Dropout (K=5) 策略，即每天从沪深300中只挑出打分最高的 5 只股票重仓。这在实盘中资金容量较小，也会承受较大的个股特质风险。高年化收益背后，必须同步关注容量和组合分散度。
多空与交易执行检验不足：作为一篇因子选股论文，仅展示纯多头且只有 5 只股票的净值并不充分。更理想的验证还应包括分组单调性、多空对冲组合，以及 TWAP/VWAP 执行后的滑点与市场冲击评估。
如果你正苦恼于 Transformer 在量价预测上始终跑不过树模型，是时候给模型加一点“信号处理”的先验知识了。小波变换并不神秘，但它提供了一种非常清晰的降噪入口。
本期论文原文 PDF 及基于微软 Qlib 框架的 Python 完整开源代码链接已打包完毕，可以直接 Clone 下来跑 A股数据。
获取方式：关注本公众号，后台回复【AI因子】，即可免费获取完整资料。
文案：Poem
编辑：孑孓乐
