跳转至

AssetEmbeddingsInChina

从中国 A 股市场的部分机构持仓中学习资产嵌入（asset embeddings）。 配套工作论文 "Do Asset Embeddings Need Complete Holdings? Lessons from China"（2026）的训练代码。

沿用 Gabaix et al. (2025) 的思路，我们把每个投资者的投资组合视为一个句子，把每只股票视为一个词元（token）：持仓的排序携带经济含义（最大的仓位即首要敞口），正如语言中词序携带语义一样。由此即可用 NLP 技术学习资产表示，用于资产定价与投资者建模。

Portfolio-sentence isomorphism

论文的两处不同

在估计上，我们与 Gabaix et al. 有两处不同，而两者回答的是同一个问题：当持仓只能被部分观测时，如何估计潜在的需求因子？中国的混合披露规则相当于对真实持仓加了一层删失（censoring）过滤。

其一，用预训练-微调替代逐季度独立拟合：逐季度独立拟合出的嵌入只能识别到一个旋转变换，因而在时间上不可直接比较。先在前 80% 的持仓观测上做一次预训练（按时间顺序切分，截点为 2023Q1：前 73 个季度用于预训练，其后 6 个季度用于逐季度微调），再令每个季度的估计都从这个基础出发，就使各季度的旋转更可能一致——预训练学到跨季度共同、稳定的持仓结构，微调捕捉各季度特有的变化。其二，用训练好的 Word2Vec 嵌入热启动（warm-start）BERT 的嵌入层而非随机初始化，这恰好为删失披露下观测稀疏的资产提供了一个合理的先验。参见 方法：论文 ↔ 代码。

Pretrain-finetune pipeline

本仓库交付什么

一套覆盖完整嵌入流水线的训练框架：三个模型（推荐系统、Word2Vec、BERT）、预训练-微调估计流程，以及配套的数据工具。产出是一个逐季度的 embedding CSV 序列——每只股票每季度一个向量，且在时间上可比。配套论文研究这些嵌入对公司估值与收益相关性的解释力。

快速上手

git clone https://github.com/Initial-Singularity/AssetEmbeddingsInChina
cd AssetEmbeddingsInChina
uv sync --extra notebook                      # notebook 与 ipykernel 仅为演示用的可选依赖
uv run jupyter lab examples/quickstart.ipynb  # 或：uv run python examples/quickstart.py

该 notebook 在 examples/data/ 中随附的合成数据集上跑完整的 W2V-PT → W2V-FT → BERT-PT → BERT-FT 链路（CPU，约 1 分钟），最终产出四份 embedding CSV。真实的生产运行需要 CSMAR 数据——参见 准备数据。完整走查：快速上手教程。

该往哪儿看

引用

@unpublished{cheng2026asset,
  title  = {Do Asset Embeddings Need Complete Holdings? Lessons from China},
  author = {Cheng, Zitong and Huang, Dashan and Liu, Xiaobin and Zeng, Tao},
  year   = {2026},
  note   = {Working paper},
}

训练好的 embedding 已在 Zenodo 存档（CC-BY-4.0）： 10.5281/zenodo.20640781。