Transformer 在交易策略中的應用
一句話理解
Transformer 就像一個「記憶力超強的分析師」，能同時看數百根 K 線的關係，找出隱藏的規律來做交易決策。
Transformer vs 基因演算法（GA）：根本差異
┌─────────────────────────────────────────────────────────┐
│ 基因演算法 (Genetic Algorithm) │
│ │
│ 第 1 代策略群 交叉/變異 第 N 代策略群 │
│ ┌───┐ ┌───┐ ┌───┐ 篩選適者 ┌───┐ │
│ │RSI│ │MA │ │VOL│ ──────────────► │最佳│ │
│ │>70│ │交叉│ │放大│ 淘汰劣者 │組合│ │
│ └───┘ └───┘ └───┘ └───┘ │
│ │
│ 白話：像抽籤試菜單，吃過幾百種組合後， │
│ 留下最好吃的那幾道。 │
│ 專業術語：參數空間搜索 (Parameter Space Search) │
│ 適應度函數 (Fitness Function) │
│ 交叉算子 (Crossover Operator) │
└─────────────────────────────────────────────────────────┘
┌─────────────────────────────────────────────────────────┐
│ Transformer │
│ │
│ 歷史數據 自注意力機制 預測/決策 │
│ ┌──┬──┬──┬──┐ (Self-Attention) ┌────────┐ │
│ │K1│K2│K3│K4│ ──► 每根 K 線都能 ──► │明天漲跌│ │
│ │ │ │ │ │ 「看到」所有其他 │買/賣/持│ │
│ └──┴──┴──┴──┘ K 線的資訊 └────────┘ │
│ │
│ 白話：像一個讀了十年盤的老手，看到現在的走勢 │
│ 就知道「這跟 2020/03 崩盤前好像」。 │
│ 專業術語：序列建模 (Sequence Modeling) │
│ 注意力權重 (Attention Weights) │
│ 表示學習 (Representation Learning) │
└─────────────────────────────────────────────────────────┘
關鍵差異表：
| 面向 | 基因演算法 (GA) | Transformer |
|---|---|---|
| 核心思路 | 暴力搜索最佳參數組合 | 學習數據中的模式 (Pattern) |
| 策略形式 | 規則型 (If-Then) | 黑箱型 (端對端預測) |
| 可解釋性 | 高（看得到規則） | 低（需要額外工具解釋） |
| 過擬合風險 | 中（靠驗證集控制） | 高（模型容量大，需正則化） |
| 適應新數據 | 需重新演化 | 可微調 (Fine-tune) |
| 白話比喻 | 用排列組合找最好的食譜 | 培養一個有經驗的廚師 |
四種主要應用場景
1. 時序預測 (Time Series Forecasting)
輸入序列 (Input Sequence)
┌─────┬─────┬─────┬─────┬─────┬─────┐
│Day 1│Day 2│Day 3│Day 4│Day 5│Day 6│ ← 每天的特徵向量
│OHLCV│OHLCV│OHLCV│OHLCV│OHLCV│OHLCV│ (開高低收量)
└──┬──┴──┬──┴──┬──┴──┬──┴──┬──┴──┬──┘
│ │ │ │ │ │
▼ ▼ ▼ ▼ ▼ ▼
┌──────────────────────────────────────┐
│ Positional Encoding (位置編碼) │ ← 告訴模型「誰在前誰在後」
├──────────────────────────────────────┤
│ Multi-Head Self-Attention │ ← Day1 可以直接關注 Day6
│ (多頭自注意力機制) │ 不需要像 RNN 一步步傳遞
├──────────────────────────────────────┤
│ Feed-Forward Network │
│ (前饋神經網路) │
├──────────────────────────────────────┤
│ Output: 預測 Day 7 的收盤價 │
└──────────────────────────────────────┘
白話舉例： 想像你在看一部 120 集的連續劇（120 天的股價）。RNN 像是從第 1 集看到第 120 集，到最後已經忘了第 1 集演什麼。Transformer 則像是能同時攤開所有集數的劇本，直接發現「第 3 集的伏筆在第 118 集回收了」。
專業用詞：
- OHLCV：Open/High/Low/Close/Volume（開盤價/最高價/最低價/收盤價/成交量）
- Positional Encoding（位置編碼）：因為 Transformer 天生不知道順序，需要額外注入時間資訊
- Long-range Dependency（長程依賴）：能捕捉相隔很遠的數據點之間的關係
2. 多因子選股 (Multi-Factor Stock Selection)
因子 = "單字"
股票 = "句子"
股票 A 的因子序列：
┌────────┬────────┬────────┬────────┬────────┐
│ ROE │ 營收 │ 本益比 │ 法人 │ 融資 │
│ 25% │ 成長20%│ PE=12 │ 買超 │ 減少 │
└───┬────┴───┬────┴───┬────┴───┬────┴───┬────┘
│ │ │ │ │
▼ ▼ ▼ ▼ ▼
┌──────────────────────────────────────────────┐
│ Transformer Encoder │
│ │
│ Self-Attention 發現： │
│ 「ROE 高 + 法人買超 + 融資減少」 │
│ 這三個因子一起出現時，特別重要！ │
│ (= 注意力權重高) │
│ │
│ 類似 NLP 中理解 │
│ 「銀行」在「河岸」vs「金融」語境的不同含義 │
└──────────────────┬───────────────────────────┘
▼
┌──────────────┐
│ 評分：0.87 │ ← 高分 = 值得買入
│ (買入信號) │
└──────────────┘
白話舉例： 傳統選股像是拿一張清單逐項打勾（ROE > 15% ? 勾！PE < 20 ? 勾！）。Transformer 選股則像是一個老手看完所有數據後說：「這幾個指標一起看才有意義，光看單一指標會被騙。」它學會了因子之間的交互作用 (Interaction Effect)。
專業用詞：
- Embedding（嵌入向量）：把每個因子轉成模型能理解的數字表示
- Cross-Attention（交叉注意力）：讓不同因子之間互相參照
- Alpha Factor（超額報酬因子）：能帶來超越大盤報酬的因子
3. 情緒分析 (Sentiment Analysis)
原始文本 Transformer 處理流程
───────── ──────────────────
「台積電法說會釋出 Tokenization (分詞)
正面展望，但外資 │
卻大量賣超」 ▼
┌──────────────────┐
│ [正面展望] [但] │
│ [外資] [大量賣超] │
└────────┬─────────┘
│
Self-Attention 發現：
「但」這個轉折詞讓
「正面展望」的影響力
被大幅削弱
│
▼
┌──────────────────┐
│ 情緒分數：-0.3 │
│ (偏空，因為行動 │
│ 比言語更重要) │
└──────────────────┘
│
▼
交易信號：減碼 / 觀望
白話舉例： 就像你跟朋友說「這家餐廳東西很好吃，但是好貴」。人類聽得出這是偏負面的評價。Transformer 也學會了「但是」後面的內容通常更重要，所以它不會被前半段的正面詞彙騙到。
專業用詞：
- NLP（Natural Language Processing）：自然語言處理
- Tokenization（分詞）：把文本切成模型能處理的最小單位
- Sentiment Score（情緒分數）：量化市場情緒的數值，通常 -1（極度悲觀）到 +1（極度樂觀）
- Alternative Data（替代數據）：新聞、社群媒體等非傳統金融數據
4. 強化學習結合 (Transformer + Reinforcement Learning)
這是最接近「自動產生交易策略」的做法
┌──────────────────────────────────────────────────────┐
│ 交易環境 (Environment) │
│ ┌────────────────────────────────────────────────┐ │
│ │ 市場狀態 (State) │ │
│ │ • 過去 N 天的 OHLCV │ │
│ │ • 當前持倉、資金 │ │
│ │ • 技術指標 (RSI, MACD, 布林通道...) │ │
│ └───────────────────┬────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌────────────────────────────────────────────────┐ │
│ │ Transformer (策略網路 / Policy Network) │ │
│ │ │ │
│ │ 用 Self-Attention 分析所有歷史狀態 │ │
│ │ 輸出動作機率分布： │ │
│ │ 買入 30% | 賣出 10% | 持有 60% │ │
│ └───────────────────┬────────────────────────────┘ │
│ │ │
│ ▼ │
│ ┌──────────────┐ │
│ │ 執行動作 │ │
│ │ (Action) │ │
│ └──────┬───────┘ │
│ │ │
│ ▼ │
│ ┌──────────────┐ │
│ │ 獲得獎勵 │ ← 賺錢 = 正獎勵 │
│ │ (Reward) │ 賠錢 = 負獎勵 │
│ └──────┬───────┘ (含交易成本) │
│ │ │
│ ▼ │
│ 反覆訓練數千回合 │
│ (Episodes) │
│ 直到學會穩定獲利 │
└──────────────────────────────────────────────────────┘
白話舉例： 想像訓練一個打電動的 AI。遊戲畫面就是「盤面」，按鍵就是「買/賣/持有」，得分就是「賺多少錢」。AI 一開始亂按（隨機交易），但玩了幾萬局後，它摸出了一套贏錢的操作手法。這個「大腦」就是 Transformer。
與基因演算法對比：
- GA 產生的策略：
如果 RSI > 70 且 MA5 > MA20 則買入→ 人看得懂 - Transformer + RL 產生的策略：一個神經網路權重矩陣 → 人看不懂，但可能更強
專業用詞：
- DRL（Deep Reinforcement Learning）：深度強化學習
- Policy Network（策略網路）：決定在每個狀態下該採取什麼動作的神經網路
- Reward Shaping（獎勵設計）：如何定義「好的交易行為」，例如考慮夏普比率而非單純報酬
- Episode（回合）：一次完整的模擬交易過程（如模擬一整年）
- Action Space（動作空間）：模型可以選擇的所有動作集合
常見疑惑 Q&A
Q1: Transformer 不是拿來做翻譯/ChatGPT 的嗎？怎麼能做交易？
NLP 領域 金融領域
──────── ────────
句子 = 一串文字 token K 線 = 一串時間點的特徵向量
理解上下文語意 理解價格走勢的前後關係
預測下一個字 預測下一個時間點的價格/動作
兩者的數學結構完全一樣！
都是「序列 → 序列」的問題
白話： Transformer 不在乎它處理的是文字還是數字，它只看到「一排東西」，然後學習這排東西之間的關係。股價序列對它來說，跟一段英文句子沒有本質區別。
Q2: 哪種方法比較適合散戶？
| 方法 | 難度 | 資料需求 | 算力需求 | 散戶可行性 |
|---|---|---|---|---|
| GA 暴力搜參數 | 中 | 低 | 低 | 高 - 用 Python 幾百行就能跑 |
| Transformer 預測 | 高 | 中 | 中 | 中 - 需要 GPU，但 Colab 免費可用 |
| Transformer + RL | 很高 | 高 | 高 | 低 - 需要大量調參和算力 |
| 情緒分析 | 中 | 需爬蟲 | 低 | 中 - 可用預訓練模型 |
Q3: Transformer 做交易真的能賺錢嗎？
誠實的答案： 不保證。主要挑戰：
- 過擬合 (Overfitting)：模型可能只是「背答案」，在歷史數據上表現很好，但實盤慘賠
- 市場非定態 (Non-stationary)：市場規則會變，2020 年有效的模式到 2025 年可能失效
- 交易成本 (Transaction Cost)：模型可能頻繁交易，手續費吃掉利潤
- 滑價 (Slippage)：回測假設你能以收盤價成交，但實際上不一定
回測績效
↑
│ ╱ 回測報酬（看起來很美）
│ ╱
│ ╱
│ ╱─────── 扣除交易成本
│╱
├──────── 加上滑價影響
│╲
│ ╲────── 考慮過擬合
│ ╲
│ ╲ 實際報酬（現實很骨感）
└──────────────────────► 時間
FinLab + Transformer 實戰整合
整體架構：資料流全景圖
┌─────────────────────────────────────────────────────────────────┐
│ FinLab 資料層 (Data Layer) │
│ │
│ finlab.data.get('price:收盤價') ← 日頻 OHLCV │
│ finlab.data.get('monthly_revenue:當月營收') ← 月頻基本面 │
│ finlab.data.get('price_earning_ratio:本益比') ← 估值指標 │
│ finlab.data.get('institutional_investors:外資買賣超') ← 籌碼面 │
│ finlab.data.get('etl:adj_close') ← 還原除權息收盤價 │
│ │
│ 輸出格式：FinlabDataFrame (index=日期, columns=股票代號) │
└───────────────────────────┬─────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────┐
│ 特徵工程層 (Feature Engineering) │
│ │
│ 1. 對齊頻率：月營收 → resample 到日頻（前向填充 ffill） │
│ 2. 計算衍生特徵：報酬率、波動率、技術指標 │
│ 3. 組裝特徵張量：(股票數 × 時間窗口 × 特徵數) │
│ 4. 標準化 (Normalization)：Z-score 或 Min-Max │
└───────────────────────────┬─────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────┐
│ Transformer 模型層 (Model Layer) │
│ │
│ 輸入：過去 60 天的多維特徵序列 │
│ 輸出：未來 5 天的預測報酬 / 漲跌機率 / 選股評分 │
└───────────────────────────┬─────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────┐
│ FinLab 回測層 (Backtest Layer) │
│ │
│ Transformer 預測結果 → 轉換成 FinlabDataFrame 的選股條件 │
│ → finlab.backtest.sim() 回測 │
│ → 績效報告（CAGR、Sharpe、MaxDrawdown） │
└─────────────────────────────────────────────────────────────────┘
白話： FinLab 負責「搬食材」（抓資料）和「試吃評分」（回測），Transformer 負責「炒菜」（學規律做預測）。兩者各司其職。
場景 A：用 Transformer 預測股價，FinLab 回測
這是最直覺的結合方式：模型預測漲跌，FinLab 驗證能不能賺錢。
import finlab
from finlab import data
import pandas as pd
import numpy as np
import torch
import torch.nn as nn
finlab.login('YOUR_API_KEY')
# =========================================
# Step 1: 用 FinLab 取得乾淨的台股數據
# =========================================
close = data.get('price:收盤價') # FinlabDataFrame, shape: (日期, 股票代號)
high = data.get('price:最高價')
low = data.get('price:最低價')
vol = data.get('price:成交股數')
# FinLab 的好處：自動處理除權息、停牌、下市
adj_close = data.get('etl:adj_close') # 還原除權息後的收盤價
# =========================================
# Step 2: 特徵工程 — 把原始數據變成模型吃得下的格式
# =========================================
# 計算技術指標（用 FinlabDataFrame 的語法糖）
returns_1d = adj_close.pct_change(1) # 日報酬率
returns_5d = adj_close.pct_change(5) # 週報酬率
volatility = returns_1d.rolling(20).std() # 20 日波動率
ma_ratio = adj_close / adj_close.rolling(20).mean() # 股價 / 20MA 比值
# 加入基本面（FinLab 自動對齊不同頻率的數據！）
revenue = data.get('monthly_revenue:當月營收')
rev_yoy = revenue.pct_change(12) # 營收年增率（月頻，FinLab 自動 ffill 到日頻）
# 加入籌碼面
foreign_buy = data.get('institutional_investors:外資買賣超')
特徵組裝示意圖：把多張 FinlabDataFrame 堆疊成 3D 張量
股票 2330 的特徵矩陣（60天 × 6特徵）
┌─────────────────────────────────────────┐
│ 日期 │報酬率│波動率│MA比│營收YoY│外資│ │
├─────────┼──────┼──────┼────┼───────┼────┤ │
│ Day -60 │ 0.02 │ 0.15 │1.03│ 0.25 │ +5 │ │
│ Day -59 │-0.01 │ 0.14 │1.02│ 0.25 │ -2 │ │
│ ... │ ... │ ... │... │ ... │... │ │
│ Day -1 │ 0.03 │ 0.18 │0.98│ 0.30 │+10 │ │
└─────────────────────────────────────────┘
↑
這就是 Transformer 的輸入序列
序列長度 = 60（回看窗口）
每個 token 的維度 = 6（特徵數）
# =========================================
# Step 3: 組裝 PyTorch Dataset
# =========================================
def build_dataset(stock_id, lookback=60, horizon=5):
"""
為單一股票建立訓練資料
Args:
stock_id: 股票代號，如 '2330'
lookback: 回看天數（= Transformer 的序列長度）
horizon: 預測天數（未來幾天的報酬）
Returns:
X: shape (樣本數, lookback, 特徵數) — 模型輸入
y: shape (樣本數,) — 未來 horizon 天的報酬率
"""
# 把各特徵 DataFrame 對齊、取出單一股票
features = pd.DataFrame({
'returns': returns_1d[stock_id],
'volatility': volatility[stock_id],
'ma_ratio': ma_ratio[stock_id],
'rev_yoy': rev_yoy[stock_id],
'foreign': foreign_buy[stock_id],
}).dropna()
# 標準化（重要！Transformer 對數值尺度敏感）
features = (features - features.rolling(252).mean()) / features.rolling(252).std()
features = features.dropna()
# 未來 horizon 天的報酬作為標籤
future_ret = adj_close[stock_id].pct_change(horizon).shift(-horizon)
X_list, y_list = [], []
for i in range(lookback, len(features) - horizon):
X_list.append(features.iloc[i-lookback:i].values)
y_list.append(future_ret.iloc[i])
return np.array(X_list), np.array(y_list)
X, y = build_dataset('2330', lookback=60, horizon=5)
# X.shape = (樣本數, 60, 5)
# y.shape = (樣本數,)
時間軸上的滑動窗口 (Sliding Window)：
Day: 1 2 3 ... 60 61 62 ... 120 121
├──── 樣本 1 ────┤►y1
├──── 樣本 2 ────┤►y2
├──── 樣本 3 ────┤►y3
...
├──── 樣本 N ────┤►yN
每個樣本 = 60 天的特徵矩陣
每個 y = 第 61~65 天的累積報酬率
# =========================================
# Step 4: Transformer 模型定義
# =========================================
class StockTransformer(nn.Module):
"""
用 Transformer Encoder 做股價預測
白話：就是把一段時間的行情數據丟進去，
模型自己學哪些天的哪些特徵最重要，
然後輸出一個預測值。
"""
def __init__(self, d_feature=5, d_model=64, nhead=4, num_layers=2, dropout=0.1):
super().__init__()
# 把原始特徵投影到模型維度
self.input_proj = nn.Linear(d_feature, d_model)
# 位置編碼：告訴模型「第幾天」
self.pos_encoding = nn.Parameter(torch.randn(1, 200, d_model) * 0.02)
# Transformer Encoder
encoder_layer = nn.TransformerEncoderLayer(
d_model=d_model,
nhead=nhead, # 多頭注意力的頭數
dim_feedforward=128, # FFN 隱藏層大小
dropout=dropout,
batch_first=True
)
self.transformer = nn.TransformerEncoder(encoder_layer, num_layers=num_layers)
# 輸出頭：預測未來報酬
self.output_head = nn.Sequential(
nn.Linear(d_model, 32),
nn.ReLU(),
nn.Linear(32, 1) # 輸出 1 個數字 = 預測報酬率
)
def forward(self, x):
# x shape: (batch, seq_len, d_feature)
x = self.input_proj(x) # → (batch, seq_len, d_model)
x = x + self.pos_encoding[:, :x.size(1), :] # 加上位置資訊
x = self.transformer(x) # Self-Attention 魔法發生處
x = x[:, -1, :] # 取最後一天的隱藏狀態
return self.output_head(x).squeeze(-1) # → (batch,) 預測報酬
模型內部資料流：
輸入: (batch=32, seq_len=60, features=5)
│
┌─────▼──────┐
│ Linear 5→64│ Input Projection (特徵投影)
└─────┬──────┘
│ + Positional Encoding
┌─────▼──────────────────────────┐
│ Transformer Encoder Layer × 2 │
│ │
│ ┌──────────────────────┐ │
│ │ Multi-Head Attention │ │ ← Day 1 可以直接看 Day 60
│ │ (4 heads × 16 dim) │ │
│ └──────────┬───────────┘ │
│ ┌──────────▼───────────┐ │
│ │ Feed-Forward Network │ │
│ │ 64 → 128 → 64 │ │
│ └──────────┬───────────┘ │
└─────────────┼──────────────────┘
┌───────▼────────┐
│ 取最後一天的輸出 │ ← 濃縮了 60 天所有資訊
└───────┬────────┘
┌───────▼────────┐
│ Linear 64→32→1 │ Output Head
└───────┬────────┘
▼
預測報酬: 0.023 (= 預計漲 2.3%)
# =========================================
# Step 5: 訓練 → 預測 → 轉回 FinLab 格式回測
# =========================================
# --- 訓練（簡化版）---
model = StockTransformer(d_feature=5)
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)
loss_fn = nn.MSELoss()
# 時間序列切割（不能隨機切！要用時間前後切）
split = int(len(X) * 0.7)
X_train, X_test = X[:split], X[split:]
y_train, y_test = y[:split], y[split:]
# 訓練迴圈（實際需要更多 epoch 和 early stopping）
for epoch in range(50):
pred = model(torch.FloatTensor(X_train))
loss = loss_fn(pred, torch.FloatTensor(y_train))
optimizer.zero_grad()
loss.backward()
optimizer.step()
# --- 對所有股票做預測，組裝成 FinlabDataFrame ---
stock_list = ['2330', '2317', '2454', '2881', '2882'] # 示例
predictions = {}
for sid in stock_list:
X_s, _ = build_dataset(sid)
with torch.no_grad():
pred = model(torch.FloatTensor(X_s[-1:])) # 用最新數據預測
predictions[sid] = pred.item()
# 轉成 FinLab 能用的選股條件
# 核心技巧：Transformer 的預測結果 → FinlabDataFrame → backtest.sim()
場景 B：Transformer 多因子選股 + FinLab 回測
這是最適合 FinLab 生態的用法：
Transformer 當「智慧選股器」，FinLab 當「回測引擎」
┌──────────────── 每月月底 ──────────────────┐
│ │
│ FinLab 取數據 │
│ ├─ 基本面：ROE、營收成長、毛利率 │
│ ├─ 估值面：本益比、股價淨值比 │
│ ├─ 技術面：月報酬率、波動率、RSI │
│ └─ 籌碼面：外資買賣超、融資餘額 │
│ │ │
│ ▼ │
│ 組裝成特徵向量（每檔股票一個向量） │
│ ┌────────────────────────────────┐ │
│ │ 2330: [0.25, 0.15, 12, ...] │ │
│ │ 2317: [0.18, 0.08, 15, ...] │ │
│ │ 2454: [0.30, 0.22, 28, ...] │ │
│ │ ... │ │
│ └────────────┬───────────────────┘ │
│ ▼ │
│ Transformer 打分 │
│ ┌────────────────────────────────┐ │
│ │ 2330: 0.82 分 ★ │ │
│ │ 2317: 0.45 分 │ │
│ │ 2454: 0.91 分 ★★ │ │ ← 分數 = 預期報酬
│ │ ... │ │
│ └────────────┬───────────────────┘ │
│ ▼ │
│ 選前 N 名 → 產生 FinLab position │
│ position['2454'] = True │
│ position['2330'] = True │
│ │ │
└───────────────┼────────────────────────────┘
▼
finlab.backtest.sim(position, ...)
→ 績效報告
# =========================================
# 完整範例：Transformer 多因子月頻選股
# =========================================
import finlab
from finlab import data
from finlab.backtest import sim
finlab.login('YOUR_API_KEY')
# --- 取 FinLab 數據 ---
close = data.get('price:收盤價')
roe = data.get('fundamental_features:ROA稅後息前') # 季頻，FinLab 自動對齊
rev = data.get('monthly_revenue:當月營收')
rev_yoy = rev.pct_change(12) # 營收年增率
pe = data.get('price_earning_ratio:本益比')
foreign = data.get('institutional_investors:外資買賣超')
# --- 月底取樣，組裝特徵 ---
features_monthly = {
'roe': roe.resample('M').last(),
'rev_yoy': rev_yoy.resample('M').last(),
'pe': pe.resample('M').last(),
'momentum': close.pct_change(20).resample('M').last(),
'foreign_cum': foreign.rolling(20).sum().resample('M').last(),
}
# --- 對每個月、每檔股票，用 Transformer 打分 ---
# （這裡用 Cross-Sectional Transformer：同一時間點，
# 比較所有股票之間的相對關係）
class CrossSectionalTransformer(nn.Module):
"""
橫截面 Transformer：
不是看一檔股票的時間序列，
而是看同一時間點所有股票的因子，
學習「哪些因子組合代表會漲的股票」
白話：像老師改考卷，
看完全班的答案後給每個人排名，
而不是只看一個人的答案。
"""
def __init__(self, d_feature=5, d_model=32, nhead=4, num_layers=1):
super().__init__()
self.proj = nn.Linear(d_feature, d_model)
encoder_layer = nn.TransformerEncoderLayer(
d_model=d_model, nhead=nhead,
dim_feedforward=64, batch_first=True
)
self.transformer = nn.TransformerEncoder(encoder_layer, num_layers)
self.head = nn.Linear(d_model, 1)
def forward(self, x):
# x: (1, num_stocks, d_feature) — 一個月所有股票的因子
x = self.proj(x)
x = self.transformer(x) # 股票之間互相 attend
return self.head(x).squeeze(-1) # (1, num_stocks) 分數
# --- 預測結果 → FinLab position ---
# 每月選分數最高的 10 檔股票
# position 是一個 FinlabDataFrame (bool)，True = 持有
position = close > 0 # 初始化為全 False 的同型 DataFrame
position[:] = False
for month_end in features_monthly['roe'].index:
# 組裝該月的特徵矩陣
feat_matrix = pd.DataFrame({
k: v.loc[month_end] for k, v in features_monthly.items()
}).dropna()
if len(feat_matrix) < 20:
continue
# Transformer 打分
with torch.no_grad():
scores = model(torch.FloatTensor(feat_matrix.values).unsqueeze(0))
# 選前 10 名
top_stocks = feat_matrix.index[scores.squeeze().argsort(descending=True)[:10]]
if month_end in position.index:
position.loc[month_end, top_stocks] = True
# --- FinLab 回測！---
report = sim(
position,
resample='M', # 月頻換股
position_limit=0.1, # 單檔上限 10%
fee_ratio=1.425/1000, # 手續費
stop_loss=0.08, # 停損 8%
trade_at_price='open', # 隔日開盤價成交
name='Transformer 多因子選股'
)
場景 C：Transformer 情緒分析 + FinLab 訊號融合
新聞/社群 Transformer (NLP) FinLab 數據
───────── ────────────────── ──────────
「台積電法說 ┌──────────────────┐
展望樂觀」 ─────►│ 情緒分數: +0.7 │
└────────┬─────────┘
│
「外資連續 ┌──────────▼─────────────────────────┐
賣超三天」 │ 訊號融合層 │
│ │
FinLab 籌碼面 ──────►│ 情緒 +0.7 × 權重 0.3 │
外資買賣超 │ + 籌碼面 -0.5 × 權重 0.3 │
│ + 技術面 +0.2 × 權重 0.2 │
FinLab 技術面 ──────►│ + 基本面 +0.8 × 權重 0.2 │
RSI / MACD │ = 綜合分數 +0.25 │
│ │
FinLab 基本面 ──────►│ +0.25 > 閾值 0.1 → 買入 │
營收 / ROE └────────────┬───────────────────────┘
│
▼
finlab.backtest.sim()
實務注意事項
FinLab 數據頻率對齊（最容易踩的坑）
問題：不同數據的更新頻率不同！
日頻 ──── 收盤價、成交量、外資買賣超
月頻 ──── 月營收（每月 10 號公布上月）
季頻 ──── ROE、EPS（財報公布後才有）
1/1 1/10 1/15 2/1 2/10 2/15 3/1
收盤價 ✓ ✓ ✓ ✓ ✓ ✓ ✓ ← 每天都有
月營收 × ✓12月 × × ✓1月 × × ← 每月才更新
ROE × × × × × × × ← 季報才更新
FinLab 的解法：自動前向填充 (Forward Fill, ffill)
月營收在 1/10 公布後，1/11~2/9 都沿用這個值
→ 這就是 FinlabDataFrame 自動對齊的好處！
但要注意：
⚠️ 前瞻偏差 (Look-ahead Bias)：
月營收 1/10 才公布，你的模型不能在 1/5 就用到！
FinLab 已經處理了這個問題，但自己處理數據時要小心。
Transformer 超參數建議（台股適用）
┌─────────────────────────────────────────────────────┐
│ 推薦超參數配置 │
│ │
│ 序列長度 (Sequence Length): │
│ 日頻預測 → 60 天（約 3 個月的交易日） │
│ 月頻選股 → 12 個月 │
│ │
│ 模型大小: │
│ d_model = 32~64 （台股樣本少，別太大） │
│ nhead = 4 （注意力頭數） │
│ num_layers = 1~2 （層數少 = 不容易過擬合） │
│ dropout = 0.1~0.3 （台股數據少，dropout 要高） │
│ │
│ 訓練: │
│ batch_size = 32 │
│ lr = 1e-3 ~ 1e-4 │
│ 早停 (Early Stopping) = 必須用！ │
│ 驗證集 = 用時間切割，不能隨機切！ │
│ │
│ ⚠️ 台股 vs 美股的差異： │
│ 台股：~1700 檔，成交量集中在大型股 │
│ 美股：~5000 檔，數據更豐富 │
│ → 台股用更小的模型 + 更強的正則化 │
└─────────────────────────────────────────────────────┘
訓練/驗證/測試集的正確切法
❌ 錯誤切法（隨機切割）
┌──┬──┬──┬──┬──┬──┬──┬──┬──┬──┐
│訓│測│訓│驗│訓│測│訓│驗│訓│測│ ← 未來數據混入訓練集！
└──┴──┴──┴──┴──┴──┴──┴──┴──┴──┘
✅ 正確切法（時間序列切割）
┌──────────────┬────────┬──────┐
│ 訓練集 │ 驗證集 │測試集│
│ 2015~2020 │ 2021 │ 2022│
└──────────────┴────────┴──────┘
✅✅ 更好的切法（Walk-Forward Validation, 滾動驗證）
第1輪: ├─訓練 2015~2018─┤驗證 2019┤
第2輪: ├─訓練 2015~2019──┤驗證 2020┤
第3輪: ├─訓練 2015~2020───┤驗證 2021┤
第4輪: ├─訓練 2015~2021────┤驗證 2022┤
最終用所有驗證結果的平均來評估模型
專業用詞：
- Walk-Forward Validation（滾動前進驗證）：模擬真實交易場景的驗證方式
- Look-ahead Bias（前瞻偏差）：不小心用到未來資訊，導致回測績效虛高
- Survivorship Bias（倖存者偏差）：只用現在還在的股票訓練，忽略已下市的股票
- Feature Leakage（特徵洩漏）：標籤資訊不小心混進特徵中
三種場景的比較
| 面向 | 場景 A：預測股價 | 場景 B：多因子選股 | 場景 C：情緒分析 |
|---|---|---|---|
| FinLab 角色 | 取 OHLCV + 回測 | 取多維因子 + 回測 | 取量化數據做融合 |
| Transformer 輸入 | 時間序列 (60天×特徵) | 橫截面 (全部股票×因子) | 文本 + 數據 |
| 輸出 | 預測報酬率 | 股票評分/排名 | 情緒分數 |
| 換股頻率 | 日頻/週頻 | 月頻 | 事件驅動 |
| 難度 | 中 | 中高 | 高（需 NLP） |
| 推薦先做 | ★★★ 最容易入門 | ★★ 最適合 FinLab 生態 | ★ 進階玩法 |
延伸閱讀方向
| 方向 | 說明 | 關鍵字搜尋 |
|---|---|---|
| 從頭訓練預測模型 | 用 PyTorch 建一個簡單的 Transformer 預測股價 | Temporal Fusion Transformer, TFT stock |
| 用現成框架回測 | 用 GA 或 ML 產生策略後回測 | Backtrader, Zipline, FinRL |
| 論文入門 | 了解學術界怎麼做 | Transformer for financial time series |
| 實作 RL 交易 | 端對端強化學習交易 | FinRL, Stable-Baselines3 |