1. 课程导入
欢迎进入《Transformer金融多变量时序预测实战》。在正式动手写模型之前，我们需要先建立一张清晰的“认知地图”：这门课到底解决什么问题、用到哪些核心概念、整体框架长什么样、以及我们将沿着怎样的路线一步步从数据走向可用的预测系统。本章不涉及复杂推导，而是帮你把后续 29 章的知识点挂到同一棵树上，避免学到中途“只见树木不见森林”。
一、学习目标：从“会调包”到“会建模”
金融多变量时序预测的难点，不在于模型代码有多长，而在于数据噪声大、变量间关系动态变化、样本非平稳且信噪比极低。因此本课程的学习目标分为四个层次：
- 理解层：掌握 Transformer 处理多变量时序的核心机制，包括自注意力、位置编码、多变量嵌入与解码策略。
- 数据层：能够把行情、宏观、情绪等多源异构数据整理成模型可用的张量，并正确处理缺失值、对齐与标准化。
- 建模层：独立搭建编码器、预测头与损失函数，完成训练、验证与超参数调整。
- 评估层：用符合金融场景的指标（IC、RankIC、方向准确率、回测收益）判断模型是否真正有效，而非只看 MSE。
二、核心概念：先统一语言
在后续章节中，以下概念会反复出现，这里先给出统一、简洁的定义，便于你建立共同语言。
| 概念 | 含义 | 在金融场景中的对应 |
|---|---|---|
| 多变量时序 | 同一时间轴上多个相关变量构成的序列 | 开盘价、成交量、利率、汇率、情绪指标 |
| 时间窗口 | 模型一次观测的历史长度 | 过去 60 个交易日 |
| 预测步长 | 需要预测的未来长度 | 未来 1 日或 5 日收益 |
| 自注意力 | 让序列中每个位置关注其他位置并加权聚合 | 捕捉跨变量、跨时间的联动关系 |
| 位置编码 | 为序列注入顺序信息 | 区分“昨天”和“上个月” |
| 编码器-解码器 | 编码历史、解码未来的结构 | 多步预测与序列到序列任务 |
| IC / RankIC | 预测值与真实收益的相关性 | 衡量选股或择时信号质量 |
其中，自注意力是 Transformer 的灵魂。它通过 Query、Key、Value 三组投影，计算任意两个时间位置之间的相关性权重，再对 Value 加权求和。相比 RNN 的逐步递归，它能并行处理整段序列，并直接建模长距离依赖——这对“某宏观事件在数周后才影响股价”这类金融现象尤其重要。
三、整体框架：数据到决策的完整链路
本课程的整体框架可以概括为“一条主线、四个环节”：数据准备 → 特征工程 → Transformer 建模 → 评估与回测。下图展示了这条链路中数据形态与关键操作的对应关系。
需要特别强调的是数据形态：模型输入通常是一个三维张量 [Batch, Time, Variables]。Batch 是样本数，Time 是历史窗口长度，Variables 是变量个数。理解这个张量的维度变化，是后续调试模型的第一把钥匙。
四、实战路线图：30 章的推进节奏
整个课程按“由浅入深、边学边练”的节奏推进，可分为五个阶段：
- 基础篇（第 1–6 章）：课程导入、金融时序特性、环境搭建、数据获取与清洗、多变量对齐、可视化探索。
- 原理篇（第 7–13 章）：注意力机制、位置编码、编码器结构、多变量嵌入、损失函数与训练策略。
- 建模篇（第 14–21 章）：搭建完整模型、单步与多步预测、超参数调优、过拟合诊断、模型保存与加载。
- 评估篇（第 22–26 章）：IC/RankIC、方向准确率、滚动回测、与基线模型对比、结果归因。
- 进阶篇（第 27–30 章）：多任务学习、融合外部信号、实盘化注意事项与完整项目复盘。
五、常见误区与复盘提醒
在正式进入后续章节前，先列出初学者最容易踩的坑，这些误区会在课程中反复被提及：
- 误区一：用 MSE 作为唯一指标。金融预测中，预测值绝对误差小并不代表能赚钱，方向与排序能力更关键。
- 误区二：忽视数据泄漏。标准化、缺失值填充若使用全量数据统计量，会把未来信息带入训练。
- 误区三：把时序当普通表格。随机打乱样本会破坏时间顺序，导致验证结果虚高。
- 误区四：过度追求模型复杂度。在低信噪比数据上，复杂模型极易过拟合，简单基线往往更稳健。
现在，你已经拥有了本课程的全局视角：知道要学什么、核心概念是什么、整体框架如何运转、路线图怎样推进，以及哪些坑必须避开。接下来，我们将从金融时序数据本身的特性出发，正式进入实战的第一站。