DART: Domain Aware Relational Transformer for Stock Prediction

想象一下，你正试图预测天气，但你观察的不是云朵，而是股票市场。这就是量化金融的世界，科学家和投资者试图猜测哪些股票在明天会上涨或下跌。长期以来，人们认为市场就像一次完美的公平抛硬币，因为每个人都已经掌握了所有信息，所以没有人能真正预测未来。但随后，聪明的人意识到人类并不是完美的机器人；我们会感到恐惧、兴奋并随大流，这使得市场变得有些混乱，但实际上也是可以预测的。今天，我们使用强大的计算机和“深度学习”（一种从模式中学习的人工智能）来寻找这些隐藏在噪声中的信号。然而，大问题在于，存在着数以千计的股票，它们以复杂的方式相互影响。试图弄清楚每一只股票是如何与每一只其他股票进行交流的，就像试图同时聆听体育场内每一个人之间的对话一样——对于计算机来说，信息量太大，会导致其不堪重负。

这就是一个名为 DART（领域感知关系变换器，Domain-Aware Relational Transformer）的新研究所提出的巧妙解决方案。请把 DART 想象成一个解决问题的方案。过去，如果你想知道谁在和谁说话，你可能会尝试同时聆听所有正在进行的对话，但这太慢了，而且会让你头痛不已。DART 背后的研究人员意识到，人们主要是在自己的群体内进行交谈——比如零食桌旁的那些孩子，或者在果汁碗旁边的成年人。他们通常不会对着完全不同群体的某个人大声喊叫。因此，Dert 不再倾听所有人，它只倾听同一个“行业组”内的对话（例如，科技公司与其它科技公司之间的对话）。这使得计算机的工作效率大大提高。

论文指出，通过使用这种“分组聆听”策略，结合一种特殊的时间观察方式（同时检查短期趋势、中期趋势和长期趋势），该模型可以比旧方法更好地预测股票回报。在利用来自纳斯达克（NASDAQ）、纽约证券交易所（NYSE）和标准普尔 500 指数（S&P 500）的真实数据进行测试时，DART 模型显示出它能做出比其他顶尖模型更明智的投资选择，并能更好地处理风险。它还证明了，通过忽略无关股票的“噪声”，计算机可以比以前节省约 84% 的能量。虽然该模型并非保证利润的魔力水晶球，但作者认为，它是应对复杂且拥挤的股票市场的一个更实用且高效的工具。

DART 的故事：一种更聪明的市场聆听方式

问题所在：过多的噪声，过多的连接

想象你正在参加一场有数千人的大型音乐会。如果你想知道正在播放哪首歌，你可以尝试同时听取每个人的声音。但这几乎是不可能的；那只是一片嘈杂的噪音。这正是计算机在试图预测股票时面临的问题。存在着数以千计的股票，并且每一只股票都与其它所有股票相连。旧的计算机模型试图同时聆听“所有人”。这被称为“全注意力”（full attention）。从理论上讲它非常准确，但它太慢、太昂贵，以至于在处理拥有数千只股票的现实世界交易时几乎无法使用。这就像是通过逐一对比每一个拼图碎片来解决谜题；当谜题变得太大时，你的大脑（或计算机）就会崩溃。

解决方案：“行业邻里”规则

研究人员提出了一个简单而强大的想法：同一行业的股票是最好的朋友；不同行业的股票只是点头之交。

把股票市场想象成一座被划分为不同社区的大城市。有一个“科技社区”，一个“食品社区”，还有一个“汽车社区”。科技社区的人经常互相交流，因为他们共享相同的资讯和趋势。但是，科技社区的人很少与食品社区的人进行直接且紧迫的对话。

DART 模型使用了这一规则。它不再聆听整个城市，而是只聆听每个“社区”内部发生的对话。这被称为领域知识引导的稀疏注意力（Domain-Knowledge-Guided Sparse Attention, DSA）。

• 运作方式： 计算机观察一只股票，询问：“它属于哪个社区？”然后它只关注该社区内的其他股票。
• 结果： 它忽略了来自无关股票的无用噪声。论文显示，这减少了大约 84% 的计算机工作量（具体而言，在他们的测试中，从 0.23 GFLOPs 降至 0.04 GFLOPs）。这就像是从试图在飓风中捕捉耳语，转变为仅仅是在咖啡馆里听一场安静的聊天。

时间机器：分层观察过去

预测未来不仅仅关乎谁在和谁说话，还关乎事情发生的“时间”。股票在不同的时钟下运行。有些移动很快（分钟级），有些移动中速（每日趋势），有些移动缓慢（月度或年度趋势）。

旧的模型通常试图仅用一副眼镜来看待时间，这意味着它们要么错过了宏观大局，要么错过了微观细节。DART 使用了一个**多尺度时间融合（Multi-Scale Temporal Fusion, MSTF）**模块。

• 类比： 想象你在看电影。你有一个变焦镜头，可以让你看到演员脸部的微小细节（短期）；一个广角镜头，可以展示整个场景（中期）；以及一个无人机镜头，可以展示整个城市（长期）。DART 同时使用这三种镜头。
• 神奇之处： 然后它使用一个特殊的“渐进式时间融合”（Progressive Temporal Fusion）网络将这些视角堆叠在一起。这就像制作一个三明治，每一层都增加了更多的风味，帮助计算机理解今天的微小变化是如何累积成明天的巨大趋势的。

研究发现：更快且更聪明

研究人员使用来自美国股市（纳斯达克、纽约证券交易所和标准普尔 500 指数）2020 年至 2024 年的真实数据，将他们的新模型 DART 与几种著名的模型（如 LSTM、GCN 甚至更新的 MambaStock）进行了对比。

以下是数据所表明的结果：

1. 更高的回报： DART 不仅仅是预测得更好，它还帮助构建了一个更好的“投资组合”（一系列股票的集合）。在测试中，它在纳斯达克和标准普尔 500 指数上实现了最高的夏普比率（Sharpe Ratio，一个衡量收益与风险比值的指标）。例如，在纳斯达克上，DART 的夏普比率为 2.432，而排名第二的模型的得分是 1.827。
2. 顶级选股： 当模型挑选出它认为表现最好的前 10 只股票时，它的准确率比其他模型更高（这是一个被称为 Precision@10 的指标）。在纽约证券交易所，它对前 10 名选股的准确率达到了 58.7%，击败了竞争对手。
3. “禁区”： 研究明确显示，如果移除“社区”规则并让计算机聆听所有人（全注意力），模型的表现会变得混乱且大幅下降。这证明了忽略无关的连接实际上对模型是有利的。

总结

论文指出，DART 是未来投资领域的一个实用且高效的工具。它并不声称自己是保证你会发财的魔力棒，但它确实表明，通过使用智能规则（例如只聆听自己的社区）并分层观察时间，计算机可以更好地理解混乱的股票市场。它通过变得具有选择性，解决了“数据过多”的问题，使得在不耗尽资金或计算资源的情况下，对数千只股票使用强大的 AI 成为可能。

正如作者所言，仍有提升空间。目前，该模型仅基于静态的行业列表来观察“社区”。在未来，他们希望使这些社区变成动态的，以便模型能够观察到一家科技公司突然开始表现得像一家食品公司，或者突发新闻将两个完全不同的群体联系在一起。但就目前而言，DART 是教导计算机如何驾驭金融世界的强大且高效的一步。