一、引言：为什么我们还在预测股价？股票价格预测是量化投资领域最古老也最富有挑战性的课题之一。有效市场假说（EMH）认为，在强有效市场中，所有公开信息都已反映在股价中，任何技术分析或基本面分析都无法获得超额收益。然而，行为金融学的大量实证研究表明，市场并非完全有效——投资者的非理性行为、信息传递的时滞、流动性冲击等因素，使得股价呈现出某种程度的可预测性。传统的时间序列预测方法，如ARIMA、GARCH等线性模型，在处理金融数据的非线性、高噪声、非平稳特性时力不从心。机器学习方法的引入（如SVM、随机森林、XGBoost）在一定程度上提升了预测精度，但这类方法通常需要手工设计特征，且难以捕捉时间序列中的长程依赖关系。2017年Transformer架构的提出，彻底改变了自然语言处理领域，并迅速向计算机视觉、语音识别等方向扩散。2020年，Informer模型专门针对长序列时间序列预测问题进行了架构优化；2023年，PatchTST模型进一步提出了"分块"（patching）策略，将Transformer的计算效率与预测精度推向新的高度。这些模型是否能为股价预测带来真正的突破？本文将对此进行系统性的实验与探讨。目录一、引言：为什么我们还在预测股价？二、理论基础：从自注意力到稀疏注意力2.1 Transformer的核心机制2.2 Informer的稀疏自注意力2.3 PatchTST的分块革命2.4 为什么金融数据需要这些模型？三、数据工程：A股市场的特征工程实践3.1 数据源与预处理3.2 TA-Lib技术指标构建3.3 标签构造与预测目标3.4 数据划分与滑窗策略四、模型架构详解与PyTorch实现4.1 Informer实现4.2 PatchTST实现4.3 融合Prophet的混合架构五、实验设计与结果分析5.1 对比模型设置5.2 评价指标5.3 实验结果5.4 结果讨论六、模型可解释性分析6.1 注意力权重可视化6.2 特征重要性分析七、部署与实时推演架构7.1 系统架构7.2 模型更新策略7.3 推理延迟优化八、风险提示与局限性8.1 过拟合风险8.2 交易成本与滑点8.3 极端事件8.4 未来改进方向九、结论与展望二、理论基础：从自注意力到稀疏注意力2.1 Transformer的核心机制Transformer的核心是自注意力（Self-Attention）机制。对于输入序列X∈RL×dX∈RL×d（LL为序列长度，dd为特征维度），通过线性变换得到查询矩阵QQ、键矩阵KK、值矩阵VV：Attention(Q,K,V)=softmax(QKTdk)VAttention(Q,K,V)=softmax(dkQKT)V其中dkdk是缩放因子，防止点积过大导致softmax梯度消失。自注意力的时间复杂度为O(L2)O(L2)，这成为处理长序列时的瓶颈。 股票价格预测（Transformer + 时序）（⭐⭐）—— 使用Informer/ PatchTST预测未来5日收盘价。技术栈：PyTorch、Prophet、TA-Lib
一、引言：为什么我们还在预测股价？股票价格预测是量化投资领域最古老也最富有挑战性的课题之一。有效市场假说（EMH）认为，在强有效市场中，所有公开信息都已反映在股价中，任何技术分析或基本面分析都无法获得超额收益。然而，行为金融学的大量实证研究表明，市场并非完全有效——投资者的非理性行为、信息传递的时滞、流动性冲击等因素，使得股价呈现出某种程度的可预测性。传统的时间序列预测方法，如ARIMA、GARCH等线性模型，在处理金融数据的非线性、高噪声、非平稳特性时力不从心。机器学习方法的引入（如SVM、随机森林、XGBoost）在一定程度上提升了预测精度，但这类方法通常需要手工设计特征，且难以捕捉时间序列中的长程依赖关系。2017年Transformer架构的提出，彻底改变了自然语言处理领域，并迅速向计算机视觉、语音识别等方向扩散。2020年，Informer模型专门针对长序列时间序列预测问题进行了架构优化；2023年，PatchTST模型进一步提出了"分块"（patching）策略，将Transformer的计算效率与预测精度推向新的高度。这些模型是否能为股价预测带来真正的突破？本文将对此进行系统性的实验与探讨。目录一、引言：为什么我们还在预测股价？二、理论基础：从自注意力到稀疏注意力2.1 Transformer的核心机制2.2 Informer的稀疏自注意力2.3 PatchTST的分块革命2.4 为什么金融数据需要这些模型？三、数据工程：A股市场的特征工程实践3.1 数据源与预处理3.2 TA-Lib技术指标构建3.3 标签构造与预测目标3.4 数据划分与滑窗策略四、模型架构详解与PyTorch实现4.1 Informer实现4.2 PatchTST实现4.3 融合Prophet的混合架构五、实验设计与结果分析5.1 对比模型设置5.2 评价指标5.3 实验结果5.4 结果讨论六、模型可解释性分析6.1 注意力权重可视化6.2 特征重要性分析七、部署与实时推演架构7.1 系统架构7.2 模型更新策略7.3 推理延迟优化八、风险提示与局限性8.1 过拟合风险8.2 交易成本与滑点8.3 极端事件8.4 未来改进方向九、结论与展望二、理论基础：从自注意力到稀疏注意力2.1 Transformer的核心机制Transformer的核心是自注意力（Self-Attention）机制。对于输入序列X∈RL×dX∈RL×d（LL为序列长度，dd为特征维度），通过线性变换得到查询矩阵QQ、键矩阵KK、值矩阵VV：Attention(Q,K,V)=softmax(QKTdk)VAttention(Q,K,V)=softmax(dkQKT)V其中dkdk是缩放因子，防止点积过大导致softmax梯度消失。自注意力的时间复杂度为O(L2)O(L2)，这成为处理长序列时的瓶颈。