【量化交易】时间序列深度学习：TCN、Transformer 在量化的实践与陷阱

时序深度学习在量化金融中的应用面临挑战，包括标签和窗口口径错误、训练与推理统计分布不对齐、模型对随机种子的敏感性等。

有效使用时序深度学习的方法包括关注TCN和Transformer的适配问题，以及通过集成方法降低过拟合风险。

在工程实践中，需要关注模型的训练、推理延迟和监控指标，以确保模型的稳定性和有效性。

深度学习在量化系统中的位置是嵌入在因子和信号两层里，承担传统模型做得不够好的具体任务。

时序深度学习在高频微结构特征、日内择时的非线性时序模式、另类数据的时序对齐和延迟预测、宏观/利率/期限结构的多变量时序联合建模等场景中表现优于传统方法。

在日频选股和单只资产收益率预测等场景中，时序深度学习的效果通常不如传统方法。

工程上的判据包括任务是否有显著的时序结构、样本量是否足够、是否有充分的算力和工程预算。

TCN被认为是当前最被低估的工程选择，适合于分钟级行情、订单簿等金融场景。

Transformer在金融数据上的应用需要对位置编码、注意力稀疏化等进行适配，且训练稳定性较差。

损失函数的选择对模型质量至关重要，IC loss在金融场景中特别有效。

过拟合风险在时序深度学习中显著高于GBDT，需通过集成和监控等方法进行控制。

与传统因子的融合应作为补充，而非替代，常见的融合方式包括残差学习、Stacking和模型蒸馏。

上线工程中需关注模型导出、推理延迟和模型监控等关键环节。