1、DeepSeek、ChatGPT、Llama等，我们如今熟悉的AI模型，乃至文生图，文生视频等，都属于transformer模型。

2、Transfomer模型从2017年论文提出，也就7年。

Transformer模型首先被应用于NLP，也就是自然语言处理，然后2022年出现了ChatGPT。

ChatGPT至今也就3年。

3、像GPT这样的transformer模型，工作原理大概就是根据已有的单词（token），根据概率来预测下一个可能的单词(token)。

神奇就神奇在这里，由概率产生了句子语义的合理性，由概率产生复杂的推理逻辑。

4、这里涉及到两个关键词：预测和概率。

那么这不是巧了么，金融市场分析师交易员最喜欢说的就是预测和概率。

那么，transformer模型真的能预测金融市场？

5、理论上，Transformer模型可以应用于K线预测。这两种情境有相似之处：

• 都处理序列数据(词序列vs时间序列)
• 都需要理解上下文关系
• 都在寻找模式以预测未来
  6、那那些金融机构都在用什么机器学习技术，应用于金融预测呢？他们是否有应用transromer模型呢？

传统的金融机构大多还在用：

• LSTM/GRU等循环神经网络
• ARIMA、GARCH等统计模型
• XGBoost、随机森林等传统机器学习算法
  比如LSTM（长短期记忆），论文发表于1997年，二十多年了，很成熟了，金融机构都还在应用。

一些量化对冲基金也在探索Transformer模型：

• 使用Temporal Fusion Transformer专门处理时间序列
• 开发混合架构结合Transformer与传统模型
• 探索多模态Transformer同时处理价格、新闻和社交媒体数据

7、注意了，即便是那些积极拥抱新技术的金融机构，当前仅仅都是在探索阶段。

8、于是我也问Claude sonet 3.7 Reasoning mode，从技术应用层面，有没有可能用Transfomer完全替代LSTM等模型用来预测金融市场K线走势?

答案是很有潜力。

从纯技术角度看，Transformer确实有潜力替代LSTM来预测金融市场K线走势，但这是一个复杂的转变过程，有几个关键考量点：
技术优势对比
Transformer相对LSTM的优势：

• 并行计算能力：Transformer可并行处理整个序列，训练速度更快
• 长距离依赖捕捉：自注意力机制可直接建模任意时间点之间的关系
• 灵活的特征融合：更容易整合多源数据(价格、成交量、社交情绪等)
• 性能上限更高：在足够数据下，复杂性通常能带来更好表现

结论：

9、那说了这么多，关我什么事？

机会就在这里。

2025年1月，DeepSeek R1开源，满血版秒杀一众对手，大家抄来抄去的Llama模型甘拜下风。

智力的一丁点提升，拉开的差距都是很大的。

打个不恰当的比方，三个臭皮匠，不如一个诸葛亮。

从技术层面上，大家又重新站在了技术应用的同一起跑线上。

金融机构势必得用上DeepSeek R1满血版，探索其应用。

10、那怎么应用呢？

简而言之：1、数据准备，2、模型改造：需要设计专门的编码方式，将价格、成交量等数值特征转化为模型能理解的表示形式
3、微调训练。4、实际应用：输入最新的K线走势，输出可执行的信息。

所以，回到标题，如何用DeepSeek 炒股？不是简单打开DeepSeek APP问它今天涨跌，而是一个工程化的工作...

11、OK，这是一个技术重置的窗口期….技术落地虽有挑战，前景却大有可为，