人工智能和机器学习系列专题研究：基于动量Transformer模型的日内和隔夜交易策略.pdf

人工智能和机器学习系列专题研究：基于动量Transformer模型的日内和隔夜交易策略。为应对传统截面策略在极端市场环境下的失效问题，本文聚焦宽基指数组 合，构建了一类日内和隔夜的时序交易策略。通过引入并改进动量 Transformer 模型，策略在指数模拟和 ETF 实测中均实现了良好的收益增厚。 该时序策略与截面策略的相关性低，在截面策略大幅回撤时，时序策略通常 表现较好，可形成有效的互补和分散化。

【报告亮点】

1. 将动量 Transfomer 模型应用于 A 股时序策略，并根据 A 股实际环境， 针对性地改进模型结构。 2. 基于改进的动量 Transfomer 模型构建日内+隔夜时序交易策略，并相对 买入持有，实现了良好的收益增厚。 3. 时序策略的收益来源与传统截面策略不一致，两者可以形成有效互补。

【主要逻辑】

主要逻辑一、动量 Transfomer 模型以夏普比率为损失函数，直接输出资产 仓位，可用于构建时序交易策略。 模型主体仍为多头注意力机制，便于并行捕捉不同时间尺度上的动量特征。 其核心优势在于，既解决了传统动量策略（如，MACD）适应性不足的问题， 又克服了传统 LSTM 模型长期记忆丢失的缺陷。

主要逻辑二、根据动量 Transfomer 模型输出的仓位，于每日 11:00、14:30 和 15:00 调仓，构建 ETF 日内+隔夜交易策略。 在单边万 1 的费率假设下，日内+隔夜交易策略相对买入持有 50%基准，可 获得 7.15%的超额收益率，且每年均能实现收益增厚。虽然风险指标（波动 率和最大回撤）有所放大，但收益风险比相较基准提升显著。此外，该策略 对成交时点并不特别敏感，也能承受一定的滑点损失。

主要逻辑三、ETF 日内+隔夜交易策略的收益来源与传统截面策略不一致， 两者可以形成有效互补。 当截面策略日度超额收益率小于 0 时，时序策略获得正超额收益率的可能性 较高。尤其是当截面策略日度超额收益率低于-30bp，时序策略有着更高的 正向超额收益。另一方面，两个策略日度超额收益率序列的相关性仅为 12.18%。