量化研究参考系列之二一：SSPT：股票时序定制化预训练选股框架

2026年04月13日 报告发布日期 SSPT：股票时序定制化预训练选股框架 ——量化研究参考系列之二一 刘静涵执业证书编号：S0860520080003香港证监会牌照：BSX840liujinghan@orientsec.com.cn021-63326320 研究结论 ⚫文献信息：本次分享的论文由爱丁堡大学（The University of Edinburgh）信息学院Mengyu Wang、Tiejun Ma、Shay B. Cohen联合撰写，于2025年8月发表于ACM SIGKDD国际会议（KDD 2025），标题为《Pre-training Time SeriesModels with Stock Data Customization》专为金融时序定制的预训练框架。 QuantaAlpha:用大模型做量化因子挖掘：——量化研究参考系列之一2026-04-07 ⚫推荐理由：论文针对股票价格序列高噪声、非平稳、结构信息利用不足等问题，提出股票定制化预训练框架SSPT。通过股票代码分类（SCC）、行业分类（SSC）和移动均值预测（MAP）三类任务，从个股差异、行业结构和趋势信息三个维度提取价格序列中的潜在特征，在不增加复杂模型结构的前提下，有效提升选股模型的表征能力与泛化能力。 ⚫核心框架：SSPT基于标准Transformer架构，构建“定制化预训练→参数迁移→选股微调”的一体化股票选股体系。1）数据构建：以滑动窗口方式对多股票价格序列切片，形成统一时序输入；2）预训练任务设计：设计股票代码分类（SCC）、行业分类（SSC）与移动均值预测（MAP）三类任务，从个股差异、行业结构与价格趋势三个维度提取价格序列中的潜在信息；3）多任务联合训练：在同一Transformer框架下，通过多任务加权损失进行联合优化，使模型在统一结构中同时学习个股特征、行业共性与时间序列趋势；4）选股微调：替换任务头，新增收益预测层，在下游选股任务中完成收益预测与排序决策。 ⚫亮点分析：对比我们在前期报告中提出的DFQ-Diversify模型，SSPT体现出四点核心增量：1）建模目标：从剥离环境扰动，拓展到先提升价格表征质量；2）核心机制：从对抗解耦训练，拓展到任务驱动的表征学习；3）训练流程：从单阶段收益建模，拓展为“预训练+微调”两阶段框架；4）信息处理：从显式过滤无效信息，拓展为通过定制化任务隐式学习有效结构；5）体系价值：推动量化选股由“特征构造驱动”向“表征学习驱动”范式升级。 ⚫实证结果：论文在NASDAQ、NYSE、TOPIX-100、FTSE-100及NASDAQ-recent五个市场上进行系统验证。从预训练任务层面看，SCC与SSC组合表现最为稳健，MAP能提升收益上限但对参数更敏感；从最终选股表现看，SSPT在多个市场上均显著优于市场基准及主流方法，其中SSPT-ind（单任务预训练）与SSPT-comb（多任务预训练）均取得领先表现，体现出较强的跨市场与跨周期泛化能力。 ⚫优化方向：结合A股市场特性与现有量化研究体系，提出以下优化方向：1）输入特征：从基础价量数据扩展至多维度因子体系，增强信息覆盖；2）预训练任务：从个股识别、行业结构与趋势平滑，拓展至更贴近交易逻辑的市场状态建模；3）训练机制：从多任务简单加权，升级为更稳定的任务协同优化框架，以缓解任务冲突、提升模型鲁棒性。 风险提示 1.量化模型基于历史数据分析，未来存在失效风险，建议投资者紧密跟踪模型表现。2.极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。 目录 1、文献信息：爱丁堡大学提出股票时序定制化预训练框架，发表于KDD 2025 2、推荐理由：股票定制化预训练框架，弥补金融时序结构挖掘不足.............4 3、核心框架：三类预训练任务驱动的一体化选股体系..................................5 3.1数据构建：滑动窗口切片构建统一时序输入.................................................................53.2预训练任务设计：三类任务协同提取股票时序多维特征...............................................53.3多任务联合训练：基于标准Transformer的多任务预训练，统一学习价格序列表征....73.4选股微调：在Transformer上增加收益预测头，实现从表征学习到选股决策的迁移....8 4、亮点分析：对比DFQ-Diversify，实现从“领域解耦”到“表征学习”的体系扩展 4.1建模目标：从“剥离环境扰动”到“提纯价格表征”............................................................94.2核心机制：从“对抗解耦训练”到“任务驱动表征学习”.....................................................94.3训练流程：从“直接建模收益”到“预训练+微调两阶段框架”..........................................94.4信息处理方式：从“显式剥离无效信息”到“隐式学习有效结构”.....................................104.5体系价值：从“特征构造驱动”到“表征学习驱动”的范式升级........................................10 5、实证结果：多市场验证预训练有效性，结构性任务显著提升选股表现....10 5.1论文实验设计与核心结论...........................................................................................105.2结果说明与可复现性...................................................................................................12 6、优化方向：从“定制化预训练”走向“更贴近实盘的表征学习体系”.............13 6.1输入特征：从基础价量数据扩展至多维度因子体系....................................................136.2预训练任务：从三类任务扩展至更贴近交易逻辑的状态建模......................................146.3多任务训练：从多任务简单加权走向更稳定的任务协同机制......................................14 7、风险提示...............................................................................................14 图表目录 图1：SSPT全流程解析：从股票定制化预训练到选股微调........................................................5图2：SCC任务示例：价格切片可用于识别个股身份，验证个股层面存在可学习的行为特征......6图3：SCC/SSC分类效果对比：价格序列中存在可识别的个股与行业特征.................................6图4：三类预训练任务的学习率敏感性分析：SCC/SSC偏好较高学习率，MAP偏好较低学习率7图5：不同微调策略下的选股表现对比：预训练任务有效，但最优迁移方式存在差异..................8图6：不同预训练任务组合的效果对比：多任务联合训练存在目标冲突，SCC+SSC更稳健.....11图7：不同预训练任务组合对应的Sharpe Ratio：SCC+SSC更稳健，MAP稳定性不足..........11图8：主基准市场选股结果对比：SSPT框架整体优于市场基准及主流方法..............................12图9：扩展市场结果对比：SSPT在FTSE-100与recent NASDAQ上仍能稳定跑赢市场.........12图10：模拟实验结果：SCC/SSC能够识别价格序列背后的统计属性差异................................13 量化投资行业前沿理论与技术迭代提速，海外顶尖量化研究成果中蕴藏着诸多可借鉴的新思路、新框架，为A股量化因子挖掘与策略研发提供重要参考。为此，我们推出量化研究参考系列报告，聚焦海外顶刊、预印本平台发布的量化领域前沿文献，通过深度拆解核心逻辑、实证结果与创新价值，结合A股市场特性及本土投研实践开展适配性分析，提炼可落地的优化方向与应用思路，为投资者提供专业、前沿的研究参考。本期为系列第二篇，重点解析专为金融时序定制的预训练框架，探讨定制化预训练在量化选股中的应用价值与实现路径。 1、文献信息：爱丁堡大学提出股票时序定制化预训练框架，发表于KDD 2025 本次分享的论文由爱丁堡大学（The University of Edinburgh）信息学院Mengyu Wang、Tiejun Ma、Shay B. Cohen联合撰写，于2025年8月发表于ACM SIGKDD国际会议（KDD2025），标题为《Pre-training Time Series Models with Stock Data Customization》专为金融时序定制的预训练框架。 2、推荐理由：股票定制化预训练框架，弥补金融时序结构挖掘不足 论文提出了一套面向股票价格序列的定制化预训练框架——SSPT（Stock SpecializedPre-trained Transformer）。通过设计股票代码分类、股票行业分类和移动均值预测三类预训练任务，从“个股属性—行业结构—价格趋势”三个维度系统性挖掘价格序列中的潜在统计特征，并结合标准Transformer架构完成预训练与选股微调的统一建模，实现了股票时序特征学习的结构化提升。该框架在多个主流市场数据集（NASDAQ、NYSE、TOPIX-100等）上取得显著效果：在NASDAQ数据集上，模型累计收益率（IRR）最高达0.82，Sharpe Ratio达2.25–2.32，显著优于市场基准（IRR 0.15，SR 1.53）及多类现有方法，在收益能力与风险调整收益指标上均表现领先。 当前基于深度学习的股票预测选股方法虽已取得一定进展，但在预训练层面仍存在明显不足，主流方法普遍存在以下痛点： 1.对比学习方法：通常依赖高频数据（如分钟级或秒级价格）构建多粒度对比视角，对数据要求较高，在实际应用中可获取性有限，难以推广至常规日频数据场景。2.掩码值预测方法：直接预测被遮蔽的价格点，但由于股票价格具有显著的非平稳性与高噪声特征，单点价格本身随机性较强，导致预测目标不稳定，从而限制模型对有效特征的提取能力。3.通用时间序列预训练方法迁移问题：现有方法多直接借鉴NLP或CV领域的预训练策略，缺乏对股票数据中个股差异、行业联动及市场结构信息的刻画，导致潜在统计信息利用不足。 针对上述问题，论文实现了针对股票数据特性的系统性改进：通过引入股票代码与行业分类任务，显式建模个股与板块层面的结构信息；通过移动均值预测替代单点值预测，降低噪声干扰、增强趋势特征提取能力；通过多任务预训练与下游选股任务的结合，使模型能够在保留通用时间序列建模能力的同时，更充分挖掘金融市场中的可预测结构。整体来看，该框架在不增加复杂模型结构的前提下，实现了对股票序列预训练范式的有效拓展，为基于表示学习的量化选股研究提供了新的技术路径。 3、核心框架：三类预训