研究结论
　　文献信息：本次分享的论文由爱丁堡大学（The University of Edinburgh）信息学院Mengyu Wang、Tiejun Ma、Shay B. Cohen联合撰写，于2025年8月发表于ACMSIGKDD国际会议（KDD 2025），标题为《Pre-training Time SeriesModels with Stock Data Customization》专为金融时序定制的预训练框架。
　　推荐理由：论文针对股票价格序列高噪声、非平稳、结构信息利用不足等问题，提出股票定制化预训练框架SSPT。通过股票代码分类（SCC）、行业分类（SSC）和移动均值预测（MAP）三类任务，从个股差异、行业结构和趋势信息三个维度提取价格序列中的潜在特征，在不增加复杂模型结构的前提下，有效提升选股模型的表征能力与泛化能力。
　　核心框架：SSPT基于标准Transformer架构，构建“定制化预训练→参数迁移→选股微调”的一体化股票选股体系。1）数据构建：以滑动窗口方式对多股票价格序列切片，形成统一时序输入；2）预训练任务设计：设计股票代码分类（SCC）、行业分类（SSC）与移动均值预测（MAP）三类任务，从个股差异、行业结构与价格趋势三个维度提取价格序列中的潜在信息；3）多任务联合训练：在同一Transformer框架下，通过多任务加权损失进行联合优化，使模型在统一结构中同时学习个股特征、行业共性与时间序列趋势；4）选股微调：替换任务头，新增收益预测层，在下游选股任务中完成收益预测与排序决策。
　　亮点分析：对比我们在前期报告中提出的DFQ-Diversify模型，SSPT体现出四点核心增量：1）建模目标：从剥离环境扰动，拓展到先提升价格表征质量；2）核心机制：从对抗解耦训练，拓展到任务驱动的表征学习；3）训练流程：从单阶段收益建模，拓展为“预训练+微调”两阶段框架；4）信息处理：从显式过滤无效信息，拓展为通过定制化任务隐式学习有效结构；5）体系价值：推动量化选股由“特征构造驱动”向“表征学习驱动”范式升级。
　　实证结果：论文在NASDAQ、NYSE、TOPIX-100、FTSE-100及NASDAQ-recent五个市场上进行系统验证。从预训练任务层面看，SCC与SSC组合表现最为稳健，MAP能提升收益上限但对参数更敏感；从最终选股表现看，SSPT在多个市场上均显著优于市场基准及主流方法，其中SSPT-ind（单任务预训练）与SSPTcomb（多任务预训练）均取得领先表现，体现出较强的跨市场与跨周期泛化能力。
　　优化方向：结合A股市场特性与现有量化研究体系，提出以下优化方向：1）输入特征：从基础价量数据扩展至多维度因子体系，增强信息覆盖；2）预训练任务：从个股识别、行业结构与趋势平滑，拓展至更贴近交易逻辑的市场状态建模；3）训练机制：从多任务简单加权，升级为更稳定的任务协同优化框架，以缓解任务冲突、提升模型鲁棒性。
　　风险提示
　　1.量化模型基于历史数据分析，未来存在失效风险，建议投资者紧密跟踪模型表现。
　　2.极端市场环境可能对模型效果造成剧烈冲击，导致收益亏损。