MODEL 32%
模型研究
- 当前状态
- P0.1 全量硬门与小样本对齐通过
- 下一步
- 启动 B0 Elastic Net 与 B1 LightGBM
AI-Fin Camp / Project Dashboard
市场状态自适应 FT-Transformer
A 股横截面收益预测研究。检验机器学习能否从 50 个公司特征中识别非线性关系，并评估市场状态条件化能否改善样本外收益排序。
更新于 2026-07-22
项目介绍
让模型根据市场状态，动态调整因子表示
项目使用历史时点沪深北全 A、50 个量价/估值/财务/流动性公司特征和 t+1 至 t+6 五日收益，在统一切分下比较 Elastic Net、LightGBM、原始 FT-Transformer、市场变量直接拼接与市场状态自适应模型。当前只完成数据闭环，尚无正式模型结果。
查看完整研究设计- 研究对象
- A 股横截面收益排序
- 核心方法
- FT-Transformer + Adaptive LayerNorm
- 检验标准
- Rank IC / 分组收益 / 消融对照
整体进度 38% · P0.2 基线闭环 / B0-B2 待启动
答辩时间 2026-07-25 上午 · 分组答辩
ENGINE 100%
Wangwen
- 当前状态
- main 2e2c200 · 项目五日收益对账通过
- 下一步
- 跟踪换手率与交易成本 issue
PRE 8%
研究展示
- 当前状态
- 展示素材准备中
- 下一步
- 完成论文阅读卡与统一模板
当前任务
先完成数据闭环，再推进模型创新。
固定全 A 股票池、复权与 2010-2025 数据范围 数据
FT-Transformer 一页阅读卡与结构图 文献
建立 50 特征字典和未来信息检查表 数据
Wangwen 包名迁移回归测试 Wangwen
沪深北各 10 只 SQL 对齐及 Wangwen 对账 Wangwen
启动 B0/B1/B2 基线实验 实验
确定 Pre 模板与结果展示规范 Pre
最小研究架构
一个复现、一个创新、四组对照。
量价因子15 - 30 个
Feature Tokenizer每个因子一个 token
FT-Transformer因子交互
Adaptive LN市场状态条件化
收益排序IC / Rank IC
唯一结构创新
由市场收益、波动与流动性生成 LayerNorm 的缩放与偏置参数，并与“直接拼接市场变量”进行消融比较。
里程碑
按闭环推进，不按模块数量推进。
1
P0.0 回测工具闭环
固定 Wangwen main 2e2c200、统一预测契约与显式五日收益接口。
2
P0.1 数据闭环
全 A、50 特征、五日标签、切分、硬门、SQL 对齐和 Wangwen 对账均通过。
3
P0.2 基线闭环
跑通 Elastic Net、LightGBM 与原始 FT-Transformer。
4
P1 创新闭环
完成直接拼接与自适应 LayerNorm 的消融比较。
5
P2 展示闭环
输出回测图表、结论、局限与答辩材料。
WANGWEN WORKSTREAM
查看固定版本 回测工具与项目五日收益接口已对账
当前固定 Wangwen main commit 2e2c200；2025 年 1,122,222 行显式预测、五日收益与 benchmark 已完成接口对账。这只证明 P0.1 数据链路一致，尚无 B0-B4 正式模型结果。