【西南证券】DAFAT：基于Transformer模型的自适应解决方案-250828（37页）.pdf

1、 请务必阅读正文后的重要声明部分 2025 年年 08 月月 28 日日 证券研究报告证券研究报告金融工程金融工程专题专题报告报告 机器学习应用系列机器学习应用系列 DAFAT：基于基于 Transformer 模型模型的的自适应解决方案自适应解决方案 摘要摘要 西南证券研究西南证券研究院院 传统传统 Transformer 模型局限性与模型局限性与 DATAT 模型概述模型概述：Transformer 模型在位置编码以及注意力机制方面均有一定的优化空间，同时大多数深度学习模型均以高频量价为主，基本面特征频次低且更新滞后难以应用。经回测，在仅选择量价特征的基础上，Transformer模型 2

2、019年 1月至 2025年 7月 IC均值 9.42%，多头组合年化收益率为 28.70%，月均单边换手率 0.88X，具备一定的提升空间。动态位置编码自适应动态位置编码自适应：针对 Transformer模型传统正余弦位置编码存在的周期性失配以及状态盲区等问题，本文提出了双通道门控动态位置编码（Double-Gate DPE），分别包括时间周期编码以及市场状态编码，代替原有正余弦位置编码。经回测 DPE_Transformer因子 2019年 1月至 2025年 7月IC 均值为 9.54%，多头组合年化收益率 30.60%，月均单边换手率0.86X。稀疏注意力机制自适应稀疏注意力机制自适

3、应：针对传统 Transformer全连接中存在的计算复杂度高以及噪声敏感等问题，本文提出了提出三重稀疏化注意力自适应机制，该机制可以在提升计算效率的同时，加大注意力机制的局部针对性聚焦模式，减少对噪声时段的关注。该稀疏注意力机制分别包括市场波动率门控、局部注意力窗口以及 TopK 稀疏选择。经回测，SA_Transformer 模型 2019 年 1 月至 2025年 7月 IC 9.98%，多头组合年化收益率为 29.64%，月均单边换手率 0.87X。多尺度时序信息融合自适应多尺度时序信息融合自适应：除量价特征以外，本文引入基本面特征以补全特征维度。但传统基本面特征季度发布，与日频量价特

4、征存在显著频次差异。根据常规量价特征与基本面特征处理存在的问题，本文设计了多尺度信息融合框架（微观、中观以及宏观）。经回测，MF_Transformer 因子 2019 年 1 月至2025年 7月 IC 10.09%，多头组合年化收益率29.63%，月均单边换手率0.82X。模型消融测试：模型消融测试：上述三个不同的自适应优化模块（上述三个不同的自适应优化模块（DPE、SA、MF）优化情况）优化情况下模型较基础下模型较基础 Transformer 模型均有所提升，但模型均有所提升，但两两组合的情况下，模型表现相较于传统 Transformer 模型具备一定的削弱效果。三个自适应模块组合下DA

5、FAT自 2019年 1月至 2025年 7月因子 IC均值 11.07%，多头组合年化收益率 32.30%，最大回撤率 33.00%，整体较其他模型表现提升相对明显。指数增强策略指数增强策略：DAFAT模型沪深 300指数增强策略年化超额收益率 12.65%，近一个月、三个月、一年、三年超额收益率分别为-0.25%、0.20%、14.76%以及 10.39%；DAFAT模型中证 1000指数增强策略年化超额收益率 14.57%，近一个月、三个月、一年、三年超额收益率分别为-0.60%、2.41%、20.85%以及 16.79%。风险提示：风险提示：报告对应的相关结论完全基于公开的历史数据进行

6、算法构建、统计以及计算，文中部分数据有一定滞后性，同时也存在第三方数据提供不准确或者缺失等风险；策略效果结论仅针对于回测区间得出，并不预示其未来表现，也不能保证未来的可持续性，亦不构成投资收益的保证或投资建议。分析师：郑琳琳 执业证号：S1250522110001 邮箱： 联系人：祝晨宇 邮箱： 相关研究相关研究 1.加权影线频率与K 线形态因子 (2025-08-28)2.可转债K线看跌信号与交易增强策略量化方法在债券研究中的应用四 (2025-06-09)3.基于历史K 线形态的因子选股研究 (2025-05-26)4.科技成长产业变革趋势下基金产品投资策略评价与优选 (2025-05-2