Alpha-Hunter
时序因子自编码器(TFA)用于股票收益预测
快速开始
训练模型
# TFA模型
python train_tfa.py --epochs 50
# 基准模型
python train.py --model ridge
python train.py --model transformer
实验跟踪
from src.experiment_tracker import ExperimentTracker
tracker = ExperimentTracker()
# 记录实验
exp_dir = tracker.start_experiment(
name='tfa_baseline',
description='TFA基准',
config={'d_model': 128},
tags=['tfa']
)
# 记录指标
tracker.log_metrics(exp_dir, {'IC_mean': 0.067})
tracker.finish_experiment(exp_dir)
# 对比和导出
df = tracker.compare_experiments()
latex = tracker.export_to_latex(df) # LaTeX表格
项目结构
src/
├── nn_utils.py # 共享组件
├── models.py # 基准模型
├── models_tfa.py # TFA模型
├── data_loader.py # 数据加载(向量化)
├── trainer.py # 训练框架(缓存)
├── evaluator.py # 评估
├── experiment_tracker.py # 实验跟踪
└── config.py # 配置
train_tfa.py # TFA训练
train.py # 基准训练
核心优化
- 向量化数据加载(10-50倍提升)
- 验证集缓存
- 实验自动跟踪
测试
python -m src.test_optimizations
团队
Lin Boyi, Qian Linyi, Yan Tingyu 香港中文大学(深圳)