《量化论文精读》MASTER市场状态与股票间关系如何帮助预测收益MASTER 值得借鉴的是一种组织预测信息的方式先按市场状态调整特征再结合单只股票的历史与其他股票的信息生成预测。它在两个 A 股股票池中取得了较好的样本外结果但这些实验仍不足以证明原方法可以直接成为实盘策略。这篇文章从研究问题、公式和实验入手解释模型怎样工作再讨论成本、复现与落地需要补齐的环节。论文信息原题MASTER: Market-Guided Stock Transformer for Stock Price Forecasting作者Tong Li、Zhaoyang Liu、Yanyan Shen、Xue Wang、Haokun Chen、Sen Huang。发表AAAI 2024Proceedings of the AAAI Conference on Artificial Intelligence38(1)162–170官网标注发表日期为 2024 年 3 月 25 日。预印本arXiv v12023 年 12 月 23 日。DOI10.1609/aaai.v38i1.27767。本文依据论文正文、官方补充材料及公开实现未执行模型训练或独立回测。正式发表信息见 [1]方法和主表结果按 arXiv v1 解读并核对了正式版对应页面。1 2目录一、研究问题一只股票的信息为什么不够二、数据与目标模型究竟预测什么三、方法精读五个环节怎样连接市场门控动态调整特征两步注意力传递跨时间、跨股票的信息汇总与训练输出相对收益评分四、实验精读收益数字怎样理解五、创新点新贡献发生在哪里六、局限性与对应改进七、最小复现路线八、用一个小例子重新走一遍九、对实际量化研究的判断参考文献一、研究问题一只股票的信息为什么不够假设你要预测一家下游公司的收益。除了它自己的价格和成交变化上游企业对同一事件的反应也可能提供信息而且不同公司反应的日期未必相同。论文讨论的困难有两层。第一股票之间的联系会变化固定行业关系不能充分描述每天的信息联系。第二如果先把一只股票过去多日的表现压缩成一个向量再与其他股票交换信息某一天的重要变化可能被压缩掉。作者因此提出保留每个历史时点的表示先在股票内部整合时间信息再在同一时点的不同股票之间交换信息。这样其他股票前几天的信号可以间接传到目标股票。2另一个问题是特征有效性随市场变化。模型需要有办法根据当前市场状态调整输入而非始终给予同一套特征相同处理。这里的“股票关系”是模型学习的信息汇总权重。它不等于收益率的 Pearson 相关系数也不能仅凭注意力图认定存在经济因果关系。二、数据与目标模型究竟预测什么论文使用 CSI300 和 CSI800 股票池的日频数据样本覆盖 2008—2022 年。时间划分为用途时间范围训练2008 年第一季度至 2020 年第一季度验证2020 年第二季度测试2020 年第三季度至 2022 年第四季度个股输入使用 Alpha158 特征回看窗口为 8 个交易日。市场状态有 63 个特征来自 CSI300、CSI500、CSI800 指数及 5、10、20、30、60 日窗口下的量价统计。2模型预测的是标准化后的未来相对收益。按论文定义将预测日记为t tt原始标签为r ~ u , t c u , t d − c u , t 1 c u , t 1 , d 5 \tilde r_{u,t}\frac{c_{u,td}-c_{u,t1}}{c_{u,t1}},\qquad d5r~u,t​cu,t1​cu,td​−cu,t1​​,d5其中u uu是股票c cc是收盘价。公式的起点是下一交易日收盘终点是第d dd个交易日收盘它与“今天收盘买入、持有五日”并不相同。复现时要核对数据里的实际标签表达式不能凭“预测五日收益”自行替换公式。随后在同一天的股票横截面上做 Z-score 标准化r u , t r ~ u , t − μ t σ t r_{u,t}\frac{\tilde r_{u,t}-\mu_t}{\sigma_t}ru,t​σt​r~u,t​−μt​​μ t \mu_tμt​和σ t \sigma_tσt​分别是当天股票池未来收益的均值和标准差。标准化后标签描述的是相对表现并保留相对幅度它并不是简单的名次编号。因此模型输出 1不能解释成预期上涨 100%。它更适合用于横截面评分和选股。未来收益用于训练标签是正常监督学习真正需要防范的是让它参与预测输入、测试样本筛选或其他本应在预测时确定的操作。三、方法精读五个环节怎样连接完整流程是市场门控 → 股票内时间聚合 → 同时点股票间聚合 → 时间汇总 → 收益评分。保留时间轴上的表示是理解后面两步注意力的关键。21. 市场门控动态调整特征门控可以理解为给每个输入特征设置一个缩放系数。市场状态记为m t m_tmt​特征维数为F FF对应公式为α ( m t ) F ⋅ softmax ⁡ ( W α m t b α β ) \alpha(m_t)F\cdot\operatorname{softmax} \left(\frac{W_\alpha m_tb_\alpha}{\beta}\right)α(mt​)F⋅softmax(βWα​mt​bα​​)W α W_\alphaWα​和b α b_\alphabα​是训练得到的参数β \betaβ控制权重分布集中程度。较小的β \betaβ让少数特征获得更大权重较大的值使权重更均匀。为什么乘以F FF因为 Softmax 权重总和为 1。乘以特征数后缩放系数的平均值为 1大于 1 的特征被放大小于 1 的被缩小。处理后的输入为x ~ u , j α ( m t ) ⊙ x u , j \tilde x_{u,j}\alpha(m_t)\odot x_{u,j}x~u,j​α(mt​)⊙xu,j​j jj表示回看窗口内的日期⊙ \odot⊙表示逐项相乘。同一个预测日的门控权重由最新市场状态生成并应用于所有股票及其回看窗口。2 3它是连续的特征重加权并不把特征硬删除也不是直接调整投资组合仓位。门控权重很高也不意味着某个因子单独就有很强的收益预测能力后续网络仍可能放大、抵消或重新组合这些信息。2. 两步注意力传递跨时间、跨股票的信息第一步在每只股票自己的 8 日窗口里计算注意力。每一天的表示都能汇总窗口内其他日期的信息同时仍保留一个对应日期的位置。注意力的基本操作是将输入转换为查询、键和值计算查询与键的匹配程度再按匹配权重汇总值。多个注意力头允许并行学习不同的信息汇总方式但不能直接将某一个头命名为“动量头”或“资金头”。第二步在每个日期上把不同股票的上述表示放在一起计算股票间注意力。目标股票由此接收其他股票的信息。跨时间的联系怎样出现关键是中继路径股票 B 的第 j 日信息 → h B , i → z A , i \text{股票 B 的第 }j\text{ 日信息} \rightarrow h_{B,i} \rightarrow z_{A,i}股票B的第j日信息→hB,i​→zA,i​先由 B 的内部时间聚合把第j jj日信息带到第i ii日表示再由股票间聚合传给 A。这里的j jj可以不同于i ii。因此同日股票间聚合也能接收其他股票不同历史日期的信息。2与直接让全部“股票 × 日期”两两交互相比这种分解减少了注意力配对数量。只计配对数量、忽略隐藏维数和头数时前者约为N 2 T 2 N^2T^2N2T2两步方式约为N T 2 T N 2 NT^2TN^2NT2TN2。这解释了计算上的收益但不能据此宣称两种架构的表达能力完全等价。时间模块可以双向查看整个历史窗口这本身不构成未来信息泄漏这些日期都已位于预测时点之前。真正要核对的是窗口是否越过预测时点以及输入是否在当时已经可获得。3. 汇总与训练输出相对收益评分经过两步聚合每只股票仍有多个日期的表示z u , j z_{u,j}zu,j​。模型以最新表示为查询给历史表示分配权重λ u , j \lambda_{u,j}λu,j​再加权汇总e u ∑ j λ u , j z u , j , ∑ j λ u , j 1 e_u\sum_j\lambda_{u,j}z_{u,j},\qquad \sum_j\lambda_{u,j}1eu​j∑​λu,j​zu,j​,j∑​λu,j​1最后用线性层生成预测。训练使用均方误差以平均形式写为L 1 N ∑ u ( r ^ u − r u ) 2 L\frac{1}{N}\sum_u(\hat r_u-r_u)^2LN1​u∑​(r^u​−ru​)2论文按同一预测日联合处理股票公开实现也使用按日期组织的批次。因为股票之间需要交换信息随机拆散成独立股票样本可能改变模型实际计算的关系。2 4另一个边界是目标函数模型训练时最小化预测误差没有直接最大化净收益或 Sharpe。预测、排序和交易表现之间仍隔着组合构建及执行条件。四、实验精读收益数字怎样理解论文比较了 XGBoost、LSTM、GRU、TCN、普通 Transformer、GAT 和 DTML。主要配置为隐藏维数 256、学习率10 − 5 10^{-5}10−5、时间注意力 4 个头、股票间注意力 2 个头实验重复 5 次最多训练 40 个 epoch。21. 预测质量以下摘录原文表 1保留三个有代表性的模型股票池模型ICRankICCSI300XGBoost0.051 ± 0.0010.050 ± 0.001CSI300DTML0.049 ± 0.0060.052 ± 0.005CSI300MASTER0.064 ± 0.0060.076 ± 0.005CSI800XGBoost0.040 ± 0.0000.047 ± 0.000CSI800DTML0.039 ± 0.0040.053 ± 0.008CSI800MASTER0.052 ± 0.0060.066 ± 0.007IC 是每日预测与标签的 Pearson 相关系数RankIC 衡量排序相关性表中为跨日平均。两者能够反映信号质量但不直接表示组合收益。0.000 是表格精度下的显示值不能理解为实际没有波动。2MASTER 并非所有指标都第一。例如 CSI800 的普通 TransformerICIR 为 0.43、RankICIR 为 0.51分别高于 MASTER 的 0.40 和 0.48。这提醒我们平均预测质量改善并不意味着预测稳定性在所有口径下都改善。2. 组合表现作者用选取预测排名前 30 只股票的日频交易框架评估投资表现。以下仍为原文表 1股票池模型年化超额收益 AR信息比率 IRCSI300XGBoost23% ± 3 个百分点1.9 ± 0.3CSI300DTML21% ± 3 个百分点1.7 ± 0.3CSI300MASTER27% ± 5 个百分点2.4 ± 0.4CSI800XGBoost8% ± 2 个百分点0.6 ± 0.2CSI800DTML16% ± 3 个百分点1.3 ± 0.2CSI800MASTER28% ± 2 个百分点2.3 ± 0.3数字为多次随机初始化实验的报告结果± 项不能当成实盘收益区间或直接当作置信区间。AR 是年化超额收益IR 是信息比率不能改写成总年化收益和 Sharpe。2主表没有给出最大回撤、胜率或完整交易成本参数也没有足够细节让读者仅凭表 1 重建同口径净收益。不能据此宣称“扣费后年化 28%”。作者并非完全忽略成本。补充材料图 (b) 提供 CSI300 的 top-30、drop-5 与 drop-10 策略成本前后对照显示加入成本会降低 AR但完整费用、冲击和成交规则仍需额外核验。这里不从柱状图估读精确收益。53. 消融说明什么原文表 2 中去掉市场门控的模型在 CSI300 上仍有 0.074 的 RankIC 和 25% 的 AR完整模型对应为 0.076 和 27%。这支持门控有增量价值也表明主要优势不能全部归于门控。去门控架构与直接做大范围注意力的 Naive 模型比较RankIC 为 0.074 对 0.046支持分解架构的有效性。不过这组结构比较只在 CSI300 上进行不能自动扩展为所有市场的结论。2五、创新点新贡献发生在哪里第一股票内部先汇总历史、但保留每个时点的表示再交换股票间信息使跨时间的信息联系有明确传递路径。它改进的是信息组织方式。第二市场状态通过输入门控作用于所有个股特征为模型提供随市场变化调整特征的机制。第三对股票与时间两个维度进行分解降低直接全量交互的计算需求。这是一种有明确金融任务动机的结构设计而非仅仅增加网络层数。2这些贡献支持进一步研究动态联系和特征有效性注意力可视化仍只是理解模型的线索不是机制已经被因果证明的证据。六、局限性与对应改进以下区分作者公开披露的问题和本文提出的分析性限制。改进方案尚未在本次工作中验证。1. 作者披露公开数据与原实验存在差异官方仓库说明早期导出的验证和测试数据误用了训练处理步骤导致每日期股票样本被删减作者已无法重新导出完整原始版本后来提供了新的开源数据。2025 年公告另指出验证处理流程存在问题作者认为采用训练损失阈值停止训练时不影响其结果。6这意味着公开代码和数据提高了可复现性但不保证能严格重现原表。改进与验证固定数据、代码与处理版本分别记录原论文结果和公开数据结果。检查每个日期的股票数量、缺失值与标签处理不能按未来收益筛除测试股票再把它称为无偏预测结果。2. 分析性限制未来标签可能跨越分割边界标签覆盖未来多个日期相邻样本会重叠。论文没有充分交代训练、验证边界的标签隔离细节不能据此直接认定存在泄漏也不应在复现中忽略它。改进与验证按每条标签覆盖的真实区间检查边界删除跨到下一分割区间的训练标签并比较隔离前后的 IC、RankIC 与组合结果。进一步使用滚动或扩展窗口评估多段样本外表现。3. 分析性限制预测优势与净交易收益仍有距离MSE 不包含换手、冲击、组合风险或成交失败。只持有排名前 30 只股票也使结果对排名最前端的误差较敏感。改进与验证保持预测模型不变先加入换手缓冲、权重上限、成交量参与约束与可成交性检查。报告不同成本、资金规模下的净收益、回撤和换手再决定是否修改训练目标。这样可以分辨优势来自预测还是来自组合规则。4. 分析性限制测试范围与基准仍可扩展主要测试截至 2022 年两个股票池存在交集。它不能验证 2023—2026 年或其他市场的适应性已有基准也不能代表每个团队维护的最强模型。**改进与验证**冻结研究选择后增加后续年份测试并在同一数据、特征可得时点和调参预算下比较正则线性模型、XGBoost、LightGBM。按年份和市场状态拆分结果避免仅展示全时期平均值。5. 分析性限制全局门控与计算规模有边界同日门控权重共享给所有股票可能难以刻画行业差异股票间注意力的配对数量仍随股票数平方增长。改进与验证把行业条件门控或稀疏股票间交互作为新方案先与原模型做消融。除预测指标外同时比较显存、延迟、换手和样本外净收益防止用更大成本换取微小提升。七、最小复现路线建议分成两个阶段先验证预测管线再验证可执行组合。第一阶段预测复现。固定官方仓库版本和数据来源核对日期、股票池、Alpha158 与 63 维市场信息。特征标准化参数只能从训练区间估计。检查训练与推断的股票筛选方式再运行多个随机种子逐日保存评分、IC 与 RankIC。公开实现对训练标签有极端值过滤及横截面标准化推断时则应先让完整股票集合参与股票间聚合仅在计算指标时屏蔽无效标签。因为删除一只股票也会改变其他股票接收的信息这种区分比独立股票模型更重要。4 6还要核对训练入口所查公开示例脚本以加载模型测试为主训练段被注释代码采用训练损失阈值停止而论文描述还涉及验证集调参。不能仅运行示例就声称完整重现论文训练协议。7第二阶段交易复现。明确信号生成时间、最早可成交时间、价格、持仓更新与收益计算不能把未来标签直接作为实际持仓利润。然后逐步加入费用、停牌、涨跌停、卖出可用数量及容量约束保留每一步相同口径的对照。完整原实验的业务代码没有公开仓库主要提供核心模型可执行组合与原表同口径回测仍需自行补齐。6八、用一个小例子重新走一遍以下全部是教学示意不是论文实验也不是已验证的交易规律。假设预测池有 A、B、C、D 四只股票每只股票提供最近 8 日的三个示意特征动量、短期反转、成交变化。B 是与 A 业务相关的公司。第一步市场门控输出[2.0, 0.7, 0.3]。三个权重之和为 3对应平均缩放系数 1。A 的某日输入若为[0.4, -0.2, 0.6]处理后就是[0.8, -0.14, 0.18]。模型本轮更强调第一个特征但还没有产生买卖指令。第二步B 的股票内时间注意力发现它前几天的某段成交变化有帮助于是把这段信息带到窗口中的其他日期表示。A、C、D 也各自进行同样操作。第三步在相同日期进行股票间聚合时A 从 B 的表示中接收信息。由于 B 的表示已经包含前几天的内容A 就间接接收了 B 的历史信号。这是跨时间信息联系的形成方式。第四步模型汇总每只股票的历史表示得到示意评分股票模型评分A0.8B0.3C-0.1D-0.6这代表 A 被排在最前面不代表 A 必然上涨也不代表预期收益为 80%。如果四只股票都下跌A 只是相对表现较好模型仍可能具有不错的排序能力而多头组合仍可能亏损。最后交易层才决定买几只、买多少、什么时候成交。预测模型产生评分成交、成本与风险决定评分能否转化为可保留的收益。九、对实际量化研究的判断MASTER 适合作为有研究价值的候选信号模型尤其适合已经具备日频股票数据和可靠基准的研究者。最值得借鉴的是保留时间细节的股票间信息交换以及由市场状态驱动的特征重加权。现有证据支持它在论文设定下改善预测和组合指标但公开数据差异、交易口径缺口和测试范围限制仍要求独立验证。实际开发时优先把这两个机制与自己的简单基准比较再评估扣费后的稳定性与容量。参考文献[1] Li, T., Liu, Z., Shen, Y., Wang, X., Chen, H., Huang, S. (2024).MASTER: Market-Guided Stock Transformer for Stock Price Forecasting. Proceedings of the AAAI Conference on Artificial Intelligence, 38(1), 162–170. DOI: 10.1609/aaai.v38i1.27767. 正式论文页面。[2] Li, T., et al. (2023).MASTER: Market-Guided Stock Transformer for Stock Price Forecasting. arXiv:2312.15235v12023-12-23AAAI 2024 论文的预印本版本。HTML 全文 · PDF。本文的主要方法与数值定位Methodology、Experiments、表 1、表 2。[3] SJTU-DMTai.MASTER 官方实现master.py。模型源码。访问日期2026-09-30。[4] SJTU-DMTai.MASTER 官方实现base_model.py。训练与评价源码。访问日期2026-09-30。[5] MASTER 作者团队.MASTER Supplementary Materials。官方补充材料。本文使用了基准配置说明与图 (b) 的成本实验。访问日期2026-09-30。[6] SJTU-DMTai.MASTER 官方仓库与数据处理说明。GitHub。包括 Dataset、Preprocessing 与 2025-06-26 公告。公开数据下载链接见仓库 Dataset 小节。访问日期2026-09-30。[7] SJTU-DMTai.MASTER 官方示例入口main.py。示例脚本。访问日期2026-09-30。代码与仓库说明引用的是本次访问时可见的 master 分支内容未锁定提交号正式复现应固定代码、数据和运行环境版本。本文提出的改进属于研究建议未宣称已取得实验收益。