A Learnable Wavelet Transformer for Long-Short Equity Trading and Risk-Adjusted Return Optimization

该论文提出了一种名为 WaveLSFormer 的可学习小波 Transformer 模型，通过端到端的多尺度分解与风险感知正则化直接优化市场中性投资组合，在长短期股票交易任务中显著超越了传统基线模型，实现了更高的累计收益和夏普比率。

要点

这篇论文介绍了一种名为 WaveLSFormer 的新型人工智能模型，它的任务是帮我们在股市里“低买高卖”，而且特别擅长在一天之内（高频交易）做决策。

为了让你更容易理解，我们可以把股市想象成一个巨大的、嘈杂的交响乐团，而我们的目标是找出乐团里那些真正有节奏的旋律，忽略那些刺耳的杂音。

以下是用通俗语言和创意比喻对这篇论文的解读：

1. 核心难题：在噪音中找旋律

现状：股市数据就像是一个极度嘈杂的菜市场。

• 噪音：价格每分每秒都在跳动，充满了随机的、无意义的波动（就像菜贩子的叫卖声、脚步声）。
• 非平稳性：市场规则随时在变，昨天的经验今天可能就不灵了（就像今天的菜价和昨天完全不同）。
• 关联性：同一个行业的股票（比如所有卖手机的）往往一起涨一起跌，不能孤立地看。

传统的 AI 模型（像以前的 LSTM 或普通 Transformer）就像是一个只会死记硬背的学生。它们试图预测下一秒的具体价格（比如“明天苹果股价是 150.5 元”），但这在嘈杂的市场里几乎是不可能的。而且，就算预测准了价格，也不代表能赚钱，因为交易还要考虑仓位大小、风险控制等。

2. WaveLSFormer 的三大绝招

为了解决这个问题，作者设计了一个“三合一”的超级策略家：

绝招一：智能“降噪耳机”（可学习的小波变换）

• 比喻：想象你戴着一副智能降噪耳机。普通的降噪耳机是出厂设定好的（固定小波变换），只能过滤掉固定的噪音。但 WaveLSFormer 的耳机是会自己学习的。
• 原理：它能自动把股市数据拆分成两部分：
  • 低频部分（慢节奏）：这是真正的趋势，比如“这个月科技股整体在涨”。
  • 高频部分（快节奏）：这是瞬间的杂音和剧烈波动。
• 创新点：它不是用固定的数学公式去拆分，而是像训练肌肉一样，让 AI 自己学会“怎么拆分”才能最有效地过滤噪音，保留最有价值的信号。

绝招二：聪明的“指挥家”（低频引导的高频注入）

• 比喻：想象一个交响乐团。
  • 低频信号是大提琴和低音鼓，它们决定了乐曲的基调和节奏（稳定、可靠）。
  • 高频信号是小提琴和长笛，它们演奏的是华丽的装饰音（变化快、容易出错）。
• 传统做法：以前是把所有乐器混在一起听，结果高音太刺耳，掩盖了低音。
• WaveLSFormer 的做法：它让低音部（低频）当指挥。指挥家（低频）先确定大方向，然后有选择地让高音部（高频）加入进来，作为点缀。
  • 如果指挥家觉得现在很稳，它就忽略那些刺耳的高音。
  • 如果指挥家觉得需要一点变化，它就允许高音部稍微介入。
  • 这种机制叫“低频引导的高频注入”，确保了决策既稳定，又能捕捉到稍纵即逝的机会。

绝招三：直接为了“赚钱”而训练（端到端优化）

• 比喻：以前的 AI 像是在做数学题，目标是“把答案算得最准”（预测误差最小）。但股市里，算得准不代表赚得多（比如你预测对了方向，但仓位下得太重，一次波动就爆仓了）。
• WaveLSFormer 的做法：它直接模拟真实交易。
  • 它的训练目标不是“预测价格准不准”，而是“这一波操作能不能赚到钱，且风险可控”。
  • 它直接输出买入（做多）或卖出（做空）的指令，并且会自动控制仓位，确保不会把身家性命都押上去（风险预算）。
  • 它甚至会在训练时加入“夏普比率”（Sharpe Ratio，衡量性价比的指标）作为奖励，强迫 AI 不仅要赚得多，还要赚得稳。

3. 实验结果：真的管用吗？

作者用美国股市过去 5 年的每小时数据（非常密集的数据）在 6 个不同的行业（如生物技术、半导体、可再生能源等）进行了测试。

• 对比对象：普通的神经网络（MLP）、传统的循环神经网络（LSTM）、以及普通的 Transformer。
• 战绩：
  • WaveLSFormer 就像是一个经验丰富的老猎手，平均回报率（ROI）达到了 0.607（即 60.7%），夏普比率（风险调整后收益）高达 2.157。
  • 相比之下，普通的 Transformer 就像新手，回报率只有 0.225，夏普比率只有 1.024。
  • 即使在最差的随机种子（运气最差的情况）下，WaveLSFormer 的表现依然非常稳定，回撤（亏损幅度）更小。

4. 总结与启示

一句话总结：
WaveLSFormer 就像一个戴着智能降噪耳机、由低音部指挥、并且只为了赚钱而训练的超级交易员。它不再纠结于预测下一秒的价格，而是学会了如何从混乱的市场噪音中，提取出稳定的趋势，并聪明地利用瞬间的波动来获利，同时严格控制风险。

给普通人的启示：
在充满噪音的世界里（无论是股市还是生活），试图预测每一个细节往往是徒劳的。更好的策略是：

1. 学会过滤噪音（找到核心趋势）。
2. 分清主次（让稳定的因素主导，让变化的因素辅助）。
3. 目标导向（直接关注最终结果，而不是中间过程的完美）。

这篇论文证明了，将信号处理技术（小波变换）与现代深度学习（Transformer）结合，并针对实际业务目标（交易利润）进行优化，可以产生巨大的价值。

技术摘要

1. 研究背景与问题 (Problem)

在金融时间序列中学习盈利的日内交易策略面临三大核心挑战：

1. 高噪声与非平稳性：金融数据信噪比低，且分布随时间变化，导致传统模型难以捕捉稳定模式。
2. 目标函数错配 (Objective Mismatch)：现有的深度学习模型通常将交易问题建模为点预测问题（优化 MSE/MAE 等预测误差），而实际交易绩效取决于序列化的仓位决策及其累积的盈亏（P&L）。预测准确并不等同于交易盈利。
3. 多尺度与跨资产依赖：金融信号在不同时间尺度（趋势 vs. 波动）上具有不同特征，且同一行业内的资产存在强烈的共动性和领先滞后效应，单一模型难以同时处理多尺度分解和跨资产联合建模。

此外，现有的小波 -Transformer 混合模型通常使用固定的小波变换作为预处理，且侧重于预测精度而非直接优化交易目标，缺乏对高频噪声如何干扰低频决策的显式控制。

2. 方法论 (Methodology)

作者提出了 WaveLSFormer，这是一个端到端训练的可学习小波 Transformer 模型，旨在直接输出市场中性（Market-Neutral）的多空仓位。

2.1 核心架构

模型由三个主要部分组成：

1. 可学习小波前端 (Learnable Wavelet Front-end)：
   • 替代了传统的固定离散小波变换。
   • 使用参数化的 1D FIR（有限脉冲响应）卷积核 作为低通和高通滤波器。
   • 通过 rFFT (实数快速傅里叶变换) 在频域施加正则化，强制滤波器学习出稳定的、分离良好的频带（低通/高通），并满足紧框架（tight frame）性质，从而在端到端训练中自动提取适合交易任务的频率分量。
2. 低频引导的高频注入模块 (Low-Guided High-frequency Injection, LGHI)：
   • 为了解决多尺度信息融合中的不稳定性，提出了一种门控机制。
   • 机制：注意力图（Attention Map）仅由低频分支计算，然后利用该注意力权重从高频分支提取信息并注入到低频表示中。
   • 优势：利用低频的稳定性作为“引导”，有选择地融合高频的短期信号，同时通过门控残差（Gated Residual）控制注入强度，防止高频噪声主导训练。
3. Transformer 骨干网络：
   • 接收融合后的多尺度特征，利用自注意力机制捕捉长程依赖和跨资产（Cross-sectional）的相互作用。
   • 输出连续的交易日志信号，映射为多空仓位。

2.2 训练目标与损失函数设计

为了直接优化交易绩效，模型摒弃了传统的回归损失，采用了交易感知 (Trading-aware) 的损失函数组合：

• 软标签位置损失 (Soft-Label Position Loss)：将未来的收益率符号作为软标签（Soft Target），通过加权交叉熵优化方向预测，避免 Tanh 激活函数导致的梯度饱和问题。
• Sharpe 比率正则化 (Sharpe Regularizer)：直接在损失函数中加入 Sharpe 比率项，鼓励模型在追求高收益的同时控制波动率。
• 过拟合惩罚 (Overfitting Penalty)：对训练集上的 ROI 设置上限，防止模型学习极端的过拟合策略。
• 小波频域正则化：在频域约束滤波器的能量分布，确保低/高频分离的有效性。

2.3 仓位执行规则

• 模型输出经过 风险预算重缩放 (Risk-Budget Rescaling)，确保仓位满足固定的风险预算（如杠杆限制）。
• 引入“死区”（Dead Zone）过滤微小信号，减少噪声交易。

3. 关键贡献 (Key Contributions)

1. 端到端可学习的小波滤波器：首次将固定小波预处理替换为与交易目标联合优化的可学习 FIR 滤波器，使模型能自适应地学习最适合当前市场环境的频带划分。
2. 低频引导的高频融合策略 (LGHI)：提出了一种新颖的跨频融合机制，通过低频引导高频注入，有效解决了高频噪声干扰低频稳定决策的问题，提升了训练稳定性。
3. 直接优化风险调整后收益：构建了包含软标签、Sharpe 正则化和风险预算约束的端到端训练框架，直接以 ROI 和 Sharpe 比率为优化目标，而非预测误差。
4. 全面的实证研究：在 5 年（2020-2025）的小时级美国股票数据上，跨越 6 个行业组，进行了严格的基准测试和消融实验。

4. 实验结果 (Results)

实验在 6 个行业（包括生物技术、半导体、可再生能源等）的 5 年小时级数据上进行，使用 10 次随机种子取平均值。

• 性能对比：
  • WaveLSFormer 在所有指标上显著优于 MLP、LSTM 和标准 Transformer 基线（无论是否包含固定小波前端）。
  • 总体表现：平均累计回报率 (ROI) 达到 0.607 ± 0.045，Sharpe 比率达到 2.157 ± 0.166。
  • 对比最强基线：相比表现最好的 Plain Transformer（ROI 0.225, Sharpe 1.024），性能提升巨大；相比 Wavelet+LSTM（ROI 0.317, Sharpe 1.879），也有显著提升。
• 消融实验结论：
  • 可学习小波 vs 固定小波：可学习小波显著优于固定小波，证明自适应频带划分的重要性。
  • 多分支融合：同时使用低频和高频分支（Full Model）优于仅使用单一分支，且 LGHI 模块优于简单的特征拼接（Concatenation）。
  • 损失函数：使用软标签 + Sharpe 正则化的损失函数比传统的回归损失（MSE/MAE）或单纯的 Tanh 损失能带来更高的 ROI 和更低的回撤。
• 风险特征：引入 Sharpe 正则化后，模型的权益曲线更加平滑，最大回撤（MDD）显著降低（例如在可再生能源行业，MDD 从 10.5% 降至 6.5%）。

5. 意义与影响 (Significance)

1. 范式转变：该研究推动了量化交易建模从“预测价格/收益率”向“直接优化交易策略”的范式转变，解决了训练目标与部署目标不一致的长期痛点。
2. 可解释性与稳定性：通过可学习的小波分解，模型能够显式地分离趋势和噪声，LGHI 机制进一步保证了在噪声环境下的决策稳定性，为黑盒深度学习模型提供了一定的可解释性。
3. 工业界应用潜力：模型直接输出符合风险预算的多空仓位，且经过严格的风险控制（如死区、杠杆限制），更接近真实的量化对冲基金策略构建流程。
4. 新基准：确立了新的性能 - 复杂度帕累托前沿，证明了在参数量相当的情况下，通过引入正确的归纳偏置（Inductive Bias，如小波分解和跨频融合），可以大幅提升金融时间序列建模的效果。

局限性：当前研究未考虑交易成本、滑点和市场冲击，且仅针对特定行业的小时级数据。未来工作将引入可微分的成本模型和更广泛的资产类别。