金融市场海量高维度、非线性量价数据中蕴藏投资机会，传统分析方法却力不从心，而 CNN 与 Transformer 结合的模型成为破解数据密码的关键。

文中先追溯 CNN 的发展，从 1962 年 Hubel 和 Wiesel 的猫脑视觉研究奠定基础，到 1980 年福岛邦彦提出神经认知机，1989 年 LeCun 等人创建 LeNet-5，再到 21 世纪后借 GPU 和大规模数据集迎来爆发，AlexNet、VGG 等架构不断突破。还解析其卷积层、池化层核心结构，以及在金融领域的应用，如股票预测、时间序列识别等。

接着介绍 Transformer，2017 年 Vaswani 等人提出该模型，以自注意力机制突破 RNN 局限，在 NLP 领域掀起革命，后跨界金融，在市场预测、高频交易等方面发挥作用。

随后重点阐述东北证券研报提出的 CTTS 模型，因 CNN 擅提局部特征、Transformer 长于抓长期依赖，二者结合可兼顾短期波动与长期趋势。该模型含卷积层、Transformer 编码器层、MLP 层，实战中用 2019 年标普 500 指数成分股日内数据测试，预测准确率高于 ARIMA 等基准策略，高置信度预测表现更优。

最后提及 AI 金融模型未来探索方向，同时警示模型失效、数据质量、过度拟合等风险，为理解 AI 在金融领域的应用提供全面视角。

【在这里找到我们】

wechat：quantfan_100（咨询请加）

微信公众号：Quantide 量化风云

哔哩哔哩：Quantide

小红书：Quantide