聚焦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。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。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。
聚焦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。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。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。
聚焦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。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。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。
本报告由东方证券发布,发布于 2026 年。
覆盖 2026 年,全文共 16 页。
本报告为付费报告,可在资料宝站内下单后获取完整内容。
适合投资人等读者参考。
重点分析了股票、量化、大学、量化研究参考系列之二一等议题。