MODEL 100%
模型研究
- 当前状态
- P1 创新闭环通过 · B0-B4 统一比较完成
- 结果约束
- P1 权威结果已冻结，不按测试集追加调参
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 2026-07-23
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，在统一切分下比较五类模型。P1 已完成：直接拼接 B3 的 Rank IC 最高，条件 LayerNorm B4 未优于公平重跑的 B2/B3，当前进入 P2 展示闭环。
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 80% · P2 展示闭环 / P1 已通过
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 40%
研究展示
- 当前状态
- P1 报告与 dashboard 指标已同步
- 下一步
- 生成 P2 图表、Pre 并完成计时彩排
当前任务
P1 创新闭环已通过，当前推进 P2 展示。
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
完成 B0/B1/B2 基线实验与统一评估 实验
统一冻结 B2/B3/B4 训练预算并重跑 B2 实验
完成 B3 直接拼接与 B4 自适应机制消融 实验
生成 P1 图表、10-12 页 Pre 与讲稿 Pre
最小研究架构
三组基线、一个信息对照、一个机制创新。
公司特征固定 50 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
B0-B2 各完成 2,238,748 行测试预测、统一成本评估与 Wangwen 对账。
4
P1 创新闭环
B2-B4 公平预算重跑、统一评估、Wangwen 对账与市场状态消融均通过。
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；B0-B4 已完成统一样本外比较，P1 的 B2-B4 各有 2,238,748 行预测并通过对账。B3 Rank IC 最高，B4 未优于 B2/B3；单 seed 与五日收益重叠限制结论强度。