# transformer-quant

**Repository Path**: Sultan-ST/transformer-quant

## Basic Information

- **Project Name**: transformer-quant
- **Description**: 基于Transformer架构的量化金融预测研究
- **Primary Language**: Python
- **License**: GPL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 4
- **Created**: 2023-04-25
- **Last Updated**: 2023-04-25

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# transformer-quant

基于Transformer架构的量化金融预测研究 

## 因子

| 名称                                          | 介绍                                                                                           | 数量 | 备注                               |
| --------------------------------------------- | ---------------------------------------------------------------------------------------------- | ---- | ---------------------------------- |
| 开收高低                                      | 这分钟内的股价开收高低                                                                         | 4    | 使用过去1200条数据进行ZScore归一化 |
| 成交量、成交金额                              |                                                                                                | 2    | 使用过去1200条数据进行ZScore归一化 |
| 分钟末尾买一至十、卖一至十价格                |                                                                                                | 20   | 使用过去1200条数据进行ZScore归一化 |
| 分钟末尾买一至十、卖一至十数量                |                                                                                                | 20   | 使用过去1200条数据进行ZScore归一化 |
| 上行/下行波动占比                             | 过去n分钟内 $sum(上行r^2)/sum(r^2)$                                                            | 2    | 25-已实现波动分解                  |
| 高频偏度                                      | $N^{1/2} *sum(r^3)/(sum(r^2))^{3/2}$                                                           | 1    | 19-股票收益分布特征                |
| 主买占比                                      | 主动买入成交金额/总成交金额                                                                    | 1    | 57-基于主动买入行为的选股因子      |
| 平均单笔成交金额                              | amount/trade_num                                                                               | 0    | 不做因子，计算下面的因子需要用到   |
| 平均单笔流入/流出金额占比                     | total_inflow_amount/total_inflow_trade_num/AmtPerTrd                                           | 2    | 46-日内分时成交中的玄机            |
| 平均单笔流入流出金额之比                      | AmtPreTrd_inFlow_ratio/AmtPreTrd_outFlow_ratio                                                 | 1    | 46-日内分时成交中的玄机            |
| 量价相关性                                    | corr(close, vol)                                                                               | 1    | 69-高频因子的现实与幻想            |
| 大单资金净流入率 amt_netinflow_bigorder_ratio |                                                                                                | 1    | 46-日内分时成交中的玄机            |
| 大单驱动涨幅 mom_bigorder                     |                                                                                                | 1    | 46-日内分时成交中的玄机            |
| 大买/卖成交金额占比                           | 大买成交金额/总成交金额 （大买是指大单买入，大单指的是成交量大于均值+N倍标准差的买卖单）       | 2    | 56-买卖单数据中的alpha             |
| 大单成交金额占比、大买大卖成交金额占比差值    | 上面两个相加、相减                                                                             | 2    | 56-买卖单数据中的alpha             |
| 小买/卖主动成交度                             | 小买（卖）单中主动成交的金额/小买（卖）单成交金额 （小、中、大单按照均值、均值+1倍标准差为界） | 2    | 85-买卖单主动成交中的隐藏信息      |
| 买单/卖单集中度                               | sum(买单/卖单成交金额^2)/总成交金额^2                                                          | 2    | 56-买卖单数据中的alpha             |
| 买卖单集中度之和                              | 上面两个相加                                                                                   | 1    | 56-买卖单数据中的alpha             |
| 主买强度                                      | mean（主买金额）/std（主买金额）                                                               | 1    | 57-基于主动买入行为的选股因子      |
| 净主买强度                                    | mean（主买金额-主卖金额）/std（主买金额-主卖金额）                                             | 1    | 57-基于主动买入行为的选股因子      |

用到的分钟频因子：

| 名称                           | 数量 |
| ------------------------------ | ---- |
| 开收高低                       | 4    |
| 分钟成交量、成交金额           | 2    |
| 分钟末尾买一至十、卖一至十价格 | 20   |
| 分钟末尾买一至十、卖一至十数量 | 20   |
| 主买占比                       | 1    |
| 主买强度                       | 1    |
| 高频偏度                       | 1    |
| 上行/下行波动占比              | 2    |
| 量价相关性                     | 1    |
| 平均单笔流入/流出金额占比      | 2    |
| 大单资金净流入率               | 1    |
| 大单驱动涨幅                   | 1    |

日频因子：
| 名称                | 数量 |
| ------------------- | ---- |
| 大买/卖成交金额占比 | 2    |
| 小买/卖主动成交度   | 2    |
| 买单/卖单集中度     | 2    |


## TODO

```sh
## baseline
# BiLSTM 1*256 zz500 15epoch lr0.001
python main.py --save-path "0-LSTM" --model "LSTM"

## Model
# Transformer 2层256
python main.py --save-path "0-Trans" --model "Transformer"
# Transformer+Time2Vec
python main.py --save-path "0-base"

## Loss
# TimeTrans IC
python main.py --save-path "0-IC" --loss-fn "IC"
# TimeTrans CCC
python main.py --save-path "0-CCC" --loss-fn "CCC"
# LSTM IC
python main.py --save-path "0-LSTM-IC" --model "LSTM" --loss-fn "IC"
# LSTM CCC
python main.py --save-path "0-LSTM-CCC" --model "LSTM" --loss-fn "CCC"

## stock
# hs300
python main.py --save-path "0-hs300" --stock "hs300"
# zz1000
python main.py --save-path "0-zz1000" --stock "zz1000"
# zz1800
python main.py --save-path "0-zz1800" --stock "hs300" "zz500" "zz1000"
# LSTM hs300
python main.py --save-path "0-LSTM-hs300" --stock "hs300" --model "LSTM"

## minute_len
python main.py --save-path "0-seq480" --seq-len 480
python main.py --save-path "0-seq720" --seq-len 720
python main.py --save-path "0-seq1200" --seq-len 1200

## pred_time_points
python main.py --save-path "0-8points" --pred-time-points "10:00:00" "10:30:00" "11:00:00" "11:45:00" "13:30:00" "14:00:00" "14:30:00" "15:15:00"

## daily factor
python main.py --save-path "0-daily" --model "TimeTransformer+daily"

## final
python main.py --save-path "0-final" --model "TimeTransformer+daily" --loss-fn "CCC" --stock "hs300" "zz500" "zz1000" --seq-len 480 --epoch-num 30
```

最终模型：
IC、CCC
hs300,zz1000,zz1800
长度480、720、1200
每日预测8次
结合日频因子

最终实验：
zz1800+seq_len480或720+日频因子+CCC+30epoch +8points？