💰 quantitative finance

Quantformer: from attention to profit with a quantitative transformer trading strategy

Dit paper introduceert Quantformer, een op transformatoren gebaseerd neurale netwerk dat via transfer learning van sentimentanalyse en gebruik van marktinformatie uit meer dan 5 miljoen datapunten van de Chinese markt superieure winstgevende handelsstrategieën ontwikkelt die andere factormodellen overtreffen.

Oorspronkelijke auteurs: Zhaofeng Zhang, Banghao Chen, Shengxin Zhu, Nicolas Langrené

Gepubliceerd 2026-02-24

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Zhaofeng Zhang, Banghao Chen, Shengxin Zhu, Nicolas Langrené

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De "Quantformer": Hoe een AI-robot de beurskracht van een superheld krijgt

Stel je voor dat de beurs een enorme, chaotische stad is. Elke dag rijden er duizenden auto's (aandelen) doorheen. Sommige auto's rijden snel vooruit, andere blijven steken of keren zelfs om. De uitdaging voor beleggers is simpel: welke auto moet je kopen om winst te maken, en welke moet je laten staan?

Traditionele beleggers kijken naar statische kaarten (zoals oude financiële rapporten) of proberen patronen te zien met simpele regels. Maar de markt is dynamisch en vol verrassingen.

In dit artikel introduceren de auteurs Quantformer, een slimme computerprogramma dat de beurs probeert te "lezen" en voorspellen. Hier is hoe het werkt, vertaald in alledaags taal:

1. Het probleem: De verkeerde taal

De meeste moderne slimme computers (zoals de AI die ChatGPT aandrijft) zijn getraind om woorden te begrijpen. Ze kunnen een verhaal lezen en voorspellen wat er als volgende gebeurt.

Het probleem: Beursdata zijn geen woorden. Het zijn getallen: prijzen, omzetten, winstcijfers. Je kunt een prijs van €50 niet zomaar als een woord in een zin stoppen.
De oplossing: De auteurs hebben de "woordenboeken" uit de computer verwijderd en vervangen door een rekenmachine. Ze hebben de AI getraind om direct naar de cijfers te kijken, alsof het een nieuwe taal spreekt die specifiek voor geld is ontworpen.

2. De oplossing: De "Quantformer"

Stel je de Quantformer voor als een super-observator met een magisch vergrootglas.

Hoe het werkt: In plaats van te kijken naar één moment, kijkt deze AI naar een reeks van het verleden (bijvoorbeeld de afgelopen 20 dagen). Hij ziet niet alleen de prijs, maar ook hoe "enthousiast" de handelaren waren (de omzet).
De "Aandacht" (Attention): Net zoals je in een drukke kamer het gesprek van één persoon kunt volgen terwijl je de rest negeert, kijkt de Quantformer naar de belangrijkste momenten in de geschiedenis van een aandeel. Hij beslist zelf welke dagen belangrijk zijn voor de toekomst en welke niet.
Het doel: Hij probeert niet een verhaal te schrijven, maar een voorspelling te doen: "Zal dit aandeel de komende maand stijgen of dalen?"

3. De proef: Een race tegen 100 andere renners

Om te bewijzen dat hun nieuwe robot beter is, hebben de auteurs een enorme race georganiseerd:

Deelnemers: Ze hebben data van meer dan 4.600 Chinese aandelen over een periode van 14 jaar (2010-2023) gebruikt.
De tegenstanders: Ze lieten hun Quantformer strijden tegen 100 traditionele strategieën. Deze traditionele methoden zijn als oude, bewezen regels (bijvoorbeeld: "Koop als de prijs 20 dagen lang daalt").
De uitslag: De Quantformer won de race met glans.
- Terwijl de gemiddelde traditionele strategie zelfs verlies leed, boekte de Quantformer een jaarlijkse winst van bijna 17%.
- Hij deed het zelfs beter dan de grote index (CSI 300), die als maatstaf diende.
- Zelfs als ze de strategie aanpasten voor dagelijkse of wekelijkse handel, bleef hij stabiel en winstgevend.

4. Waarom is dit belangrijk?

Vroeger moesten beleggers zelf handmatig formules bedenken om te beslissen wat ze kochten. Het was als het proberen te vangen van een onzichtbare vis met een lepel.
Met de Quantformer hebben ze een net gebouwd dat automatisch leert welke patronen in de chaos van de beurs leiden tot winst.

Kortom:
De auteurs hebben een slimme AI-robot gebouwd die niet praat, maar rekent. Hij kijkt naar de geschiedenis van duizenden aandelen, leert van de patronen, en helpt beleggers om slimmer te investeren dan de gemiddelde mens of de oude methoden ooit konden. Het is alsof je een GPS hebt die niet alleen de weg wijst, maar ook voorspelt waar de files zijn voordat ze ontstaan.

De code om deze robot zelf te bouwen, is zelfs gratis beschikbaar gemaakt voor iedereen!

Titel: Quantformer: Van attentie naar winst met een kwantitatieve transformer-handelsstrategie

1. Probleemstelling

Traditionele kwantitatieve handelsstrategieën worstelen met de complexiteit en dynamiek van financiële markten. Bestaande methoden, zoals het Markowitz-portfolio of CAPM, richten zich vaak op statische fundamentele analyse. Zelfs geavanceerde machine learning-modellen (zoals SVM, LSTM en GRU) hebben moeite om:

Lange-termijn afhankelijkheden in financiële tijdreeksen effectief te vangen.
Direct numerieke data (zoals koersen en omzet) te verwerken zonder ze eerst te vertalen naar tekstuele representaties (zoals bij sentimentanalyse).
De specifieke aard van aandelenvoorspelling (het voorspellen van toekomstige rendementen over een periode) te combineren met de standaard sequence-to-sequence (seq2seq) architectuur van Transformers, die oorspronkelijk is ontworpen voor NLP-taken zoals vertaling.

De auteurs stellen dat er een kloof bestaat tussen de kracht van Transformer-modellen voor lange-termijn afhankelijkheden en de eisen van kwantitatieve financiën, waar de invoer puur numeriek is en de output een voorspelling van een toekomstige trend is in plaats van een sequentie van tokens.

2. Methodologie: Quantformer

Het paper introduceert Quantformer, een aangepaste Transformer-architectuur die specifiek is ontworpen voor kwantitatieve financiële data.

A. Data Voorbereiding en Input

Dataset: Meer dan 5.000.000 rollende datapunten van 4.601 aandelen op de Chinese markt (Shanghai en Shenzhen) van 2010 tot 2023.
Features: Voor elk aandeel worden twee features gebruikt over een tijdsvenster van 20 stappen (bijv. 20 dagen, weken of maanden):
1. De opgebouwde dagelijkse winst (rendement).
2. De opgebouwde dagelijkse omzet (turnover rate).
Normalisatie: De data wordt genormaliseerd met Z-score (nul-middelpunt, eenheid-variatie) om uitbijters te minimaliseren.

B. Architecturale Aanpassingen
De Quantformer maakt fundamentele wijzigingen aan de standaard Transformer-architectuur:

Vervanging van Word Embedding: In plaats van een woord-embeddingslaag (die tekst omzet naar vectoren), wordt een lineaire laag gebruikt. Dit maakt het mogelijk om directe numerieke invoer te verwerken.
Verwijdering van Positionele Encoding: Omdat tijdreeksdata inherent een volgorde heeft (tijdstip $t$ volgt op $t-1$ ), wordt de expliciete positionele encoding-module verwijderd. De tijdvolgorde is al ingebouwd in de structuur van de data.
Vereenvoudigde Decoder: De autoregressieve decoder (die tokens één voor één genereert) en de maskering-operaties worden verwijderd. Het doel is niet het genereren van een tekstsequentie, maar het voorspellen van de waarschijnlijkheid van toekomstige prijsbewegingen.
Output: Het model voorspelt een kansverdeling over gekwantileerde rendementen (bijv. top 20%, midden 20%, onder 20%).

C. Trainingsdoel en Loss

Het model wordt getraind om de rangschikking (quantile) van het toekomstige rendement van een aandeel te voorspellen.
De Mean Squared Error (MSE) loss wordt gebruikt om het verschil tussen de voorspelde kansverdeling en de werkelijke rangschikking te minimaliseren.

3. Belangrijkste Bijdragen

Nieuwe Architectuur: Quantformer is de eerste toepassing van een Transformer-achtige structuur die specifiek is aangepast voor pure numerieke tijdreeksdata in de financiën, zonder afhankelijkheid van tekstuele embeddings.
Transfer Learning Concept: Het paper toont aan dat de principes van sentimentanalyse (het vangen van lange-termijn patronen) kunnen worden getransfereerd naar numerieke marktdata door de architectuur aan te passen.
Uitgebreide Validatie: Het model is getest op een zeer grote dataset (4.601 aandelen, 14 jaar data) met verschillende frequenties (dagelijks, wekelijks, maandelijks) en verschillende trainingsgroottes (top 1%, 5%, 10%, 20% van de aandelen).
Open Source: De implementatiecode is beschikbaar gesteld op GitHub.

4. Resultaten

De prestaties van Quantformer zijn getest via backtesting en vergeleken met een benchmark van 100 traditionele prijs-volume factoren en de CSI 300-index.

Superieure Rendementen: De beste strategie (maandelijkse frequentie, "Month 1") behaalde een jaarlijks rendement (AR) van 17,35% en een excess rendement (AER) van 19,43%, vergeleken met 1,77% voor de benchmark.
Risico-gecorrigeerde Prestaties: De Sharpe Ratio bedroeg 0,915, wat aanzienlijk hoger is dan de beste traditionele factor (0,243) en de benchmark (-0,015).
Stabiliteit: De strategie behaalde een Alpha van 0,162, wat aangeeft dat het model in staat is om boven het marktrendement uit te komen na correctie voor risico.
Risicobeheer: De 99% Value at Risk (VaR) was 2,81%, wat lager is dan de meeste traditionele factoren, wat wijst op een beperkt risico op extreme verliezen.
Vergelijking met Traditionele Factoren: Quantformer presteerde consistent beter dan 100 andere factoren op gebieden zoals jaarlijks rendement, volatiliteit en Sortino-ratio.
Schaalbaarheid: Het model bleef robuust presteren bij verschillende trainingsgroottes (van top 1% tot 20% van de aandelen), waarbij de "QF 1%" strategie zelfs een jaarlijks rendement van 24,71% behaalde (hoewel met iets hogere volatiliteit).

5. Betekenis en Conclusie

Dit onderzoek bewijst dat Transformer-architecturen, die oorspronkelijk voor Natural Language Processing (NLP) zijn ontworpen, krachtige hulpmiddelen kunnen zijn voor kwantitatieve trading als ze correct worden aangepast voor numerieke data.

Innovatie: Door de verwijdering van positionele encoding en het vervangen van embeddings door lineaire lagen, creëren de auteurs een model dat beter past bij de aard van financiële tijdreeksen.
Praktische Toepassing: De strategie levert bewezen winstgevende signalen op in een realistische handelsomgeving (inclusief transactiekosten), wat de haalbaarheid van deep learning in de kwantitatieve financiën onderstreept.
Toekomstperspectief: Het werk opent de deur voor verdere onderzoeken naar het gebruik van geavanceerde attention-mechanismen voor het bouwen van investeringsfactoren en het optimaliseren van portefeuilles, waarbij marktgevoeligheid en complexe patronen beter worden geïntegreerd dan met traditionele statistische methoden.

Kortom, Quantformer biedt een nieuwe, effectieve route om van ruwe marktdata naar winstgevende handelsstrategieën te gaan door de kracht van attention-mechanismen te benutten zonder de beperkingen van tekstuele verwerking.