跳转至

快速上手

在合成数据上、约一分钟内端到端跑完整条预训练-微调训练流水线——无需 CSMAR 数据、无需 GPU——最终得到四份资产嵌入 CSV（W2V-PT、W2V-FT、BERT-PT、BERT-FT）。这是论文估计流程的微缩版。

准备环境

git clone https://github.com/Initial-Singularity/AssetEmbeddingsInChina
cd AssetEmbeddingsInChina
uv sync --extra notebook

运行

uv run jupyter lab examples/quickstart.ipynb
# 或无界面运行：
uv run python examples/quickstart.py

该 notebook 使用 examples/data/ 中随附的合成数据集——每个数值都是生成的，因此无需任何外部数据。

它做了什么

notebook 跑的是 W2V-PT → W2V-FT → BERT-PT → BERT-FT 链路——与论文相同的训练阶段，只是用的是玩具数据：

  1. W2V-PT——在合成的组合“句子”上训练 Skip-gram Word2Vec。
  2. W2V-FT——在微调期数据上继续训练 W2V，从预训练向量出发（PT→FT）。
  3. BERT-PT（预训练）——在汇总的历史数据上训练 BERT，其嵌入层由 W2V-PT 矩阵热启动（W2V→BERT）。
  4. BERT-FT（微调）——按“季度”精修 BERT，编码器从预训练模型初始化（PT→FT），嵌入层由 W2V-FT 热启动（W2V→BERT）。

每个阶段都把其嵌入写成一份 (Token, Embed_1..Embed_d) CSV——这正是流水线的交付物。

你应当看到什么

运行结束时会打印四份嵌入 CSV 的汇总表（模型、训练数据、形状、路径），并快速展示它们编码了什么：某只探针股票在各嵌入空间中的 top-5 余弦近邻。合成 universe 带有潜在的簇结构，因此一只股票的近邻应当留在其所属簇内；两个微调模型会一同捕捉到微调期的漂移，而两处初始化（W2V→BERT、PT→FT）则让四份嵌入彼此可比。（具体近邻随合成种子而变，但簇结构是稳定的。）

下一步