1. 课程导入

欢迎进入《TFT多变量金融预测与可解释性实战》。在正式动手写模型之前，我们需要先建立一张“全局地图”：这门课到底解决什么问题、TFT（Temporal Fusion Transformer）在金融场景中扮演什么角色、可解释性为什么不是附加功能，以及我们将沿着怎样的路线从数据走到可解释的预测结果。本章不涉及复杂公式推导，而是帮助你在脑中搭建一个清晰、可复用的知识骨架。

一、学习目标：从“能预测”到“能解释、能落地”

金融预测与一般时间序列预测最大的区别在于：市场存在低信噪比、非平稳、多因子耦合和强监管约束。一个只追求误差指标的“黑箱”模型，很难通过风控、投研或合规评审。因此，本课程设定四个递进目标：

• 理解TFT结构：掌握变量选择网络、门控残差网络、静态协变量编码器、时序融合解码器与分位数输出之间的协作关系。
• 构建多变量预测管线：能够把价格、成交量、宏观指标、情绪因子等异构输入组织成TFT可消费的数据集。
• 掌握可解释性工具：读懂注意力权重、变量重要性、时序显著性，并能把解释结果翻译成业务语言。
• 完成端到端实战：从数据清洗、特征工程、训练调参到回测评估与解释报告，形成可复现的工程闭环。

二、核心概念：TFT为什么适合金融多变量预测

TFT最初由Google在2019年提出，用于多步时间序列预测。它的核心价值在于同时处理三类输入：静态协变量（如行业、板块）、已知未来输入（如日历、财报日期）和仅历史可观测输入（如历史收益率、成交量）。金融预测恰好需要这种“混合信息”能力。

与LSTM、Transformer或XGBoost相比，TFT的差异化能力体现在三点：第一，变量选择网络为每个输入特征学习权重，自动抑制噪声因子；第二，门控机制让模型在不同市场状态下动态调节信息流；第三，分位数输出直接给出预测区间，而不是单点估计。这三点共同支撑了金融场景对鲁棒性和可解释性的要求。

三、方法流程：一条可复现的实战主线

为了让课程内容可落地，我们把整个项目拆成六个阶段。每个阶段都有明确的输入、输出和验收标准，避免“训练完却不知道结果是否可信”。

在工程实现上，我们推荐使用PyTorch Forecasting或直接基于PyTorch Lightning构建训练循环。下面是一个最小化的配置片段，用于说明TFT的关键参数如何组织：

tft_config = {
    "hidden_size": 64,
    "lstm_layers": 2,
    "dropout": 0.1,
    "attention_head_size": 4,
    "max_encoder_length": 60,
    "max_prediction_length": 5,
    "quantiles": [0.1, 0.5, 0.9],
    "learning_rate": 1e-3,
    "batch_size": 128,
    "max_epochs": 50
}

四、案例场景：用TFT预测多因子股票收益

假设我们要预测某只股票未来5个交易日的收益率区间。输入包括：过去60天的开高低收、成交量、换手率，同期的大盘指数收益率、行业指数收益率、利率与汇率，以及静态的行业分类和市值分组。模型输出0.1、0.5、0.9三个分位数。

训练完成后，我们不仅得到预测区间，还能回答三个业务问题：第一，过去60天中哪些交易日对当前预测影响最大；第二，在全部输入因子中，哪些因子的变量选择权重最高；第三，当市场波动率上升时，模型是否自动降低了对情绪因子的依赖。这些答案正是可解释性层要交付的内容。

五、误区与复盘：初学者最容易踩的五个坑

1. 把TFT当成万能黑箱：不配置静态协变量和已知未来输入，模型退化为普通序列模型，解释性也大打折扣。
2. 忽略数据泄露：在滚动窗口中使用未来信息构造标签，导致回测虚高。
3. 只看点预测：金融决策更关心区间和尾部风险，分位数输出必须纳入评估。
4. 过度解读注意力：注意力权重反映模型内部信息流，不等同于因果效应。
5. 解释与预测分离：解释结果没有回写到特征迭代或风控规则中，导致课程结束后无法复用。

本章建立了课程的整体认知框架：以多变量金融数据为输入，以TFT为核心模型，以可解释性为交付标准，以六阶段实战路线为推进节奏。接下来，你将逐步进入数据、模型与解释的具体环节，把这张地图变成可运行的代码与可评审的结论。