在COVID-19疫情冲击下，公共卫生相关股票的“优质与劣质投资”：基于变压器模型的证据

《Frontiers in Public Health》：“Good and bad investments” in public health stocks amid the COVID-19 shock: evidence from a transformer-based model

中国公共卫生相关企业股票在COVID-19疫情冲击下的市场表现及Transformer模型投资策略研究。选取2012-2025年CSI公共健康指数55只成分股，构建基于Transformer的深度学习预测模型，通过长-短投资组合在不同疫情阶段（2012-2019年常规期、2020-2021年疫情期、2022-2025年后疫情期）进行实证分析。研究发现：疫情初期（2020年）模型预测误差最低（MAE=0.020），年化收益达5.37%，Sharpe比3.66；中期（2021年）政策不确定性导致误差上升（MAE=0.028），收益转为-5.89%；后期（2022-2025年）市场趋于理性，误差波动收窄但收益未恢复正。对比SVM模型显示Transformer在趋势明确阶段（如2020年疫情爆发期）预测更优，但面对频繁政策调整（如2021年）时稳定性不足。研究揭示了公共卫生危机对资本市场的结构性冲击及机器学习模型的应用边界。

　　新冠疫情的爆发不仅对全球公共卫生系统产生了深远影响，也对资本市场结构和资源配置逻辑带来了重大变化。这一公共卫生危机在不同阶段对与之相关的企业的市场表现产生了显著的异质性，展现出既存在风险也蕴含机遇的双重特征。理解这一动态过程对于维持金融稳定和引导理性投资行为具有重要意义。本研究通过分析中国证券指数（CSI）公共卫生指数的55只成分股，采用基于Transformer架构的深度学习模型，构建长-短投资组合，探讨了疫情对市场投资行为的影响。

在疫情初期，资本市场经历了显著的结构性重塑，这使得与公共卫生相关的公司，如疫苗生产、生物医学检测和防护物资供应企业，展现出超额收益信号。然而，随着疫情的持续，市场波动性增强，政策不确定性上升，影响了模型的稳定性。进入后疫情时代，市场逐渐恢复理性，企业的表现更加依赖基本面，而不是政策因素，这显著提升了模型的预测准确性和筛选能力。

本研究的创新之处在于引入了Transformer模型，通过其注意力机制，实现了对复杂、非线性金融时间序列的高效建模。与传统的线性经济模型相比，Transformer能够更好地捕捉长期依赖关系，提升预测的准确性和稳定性。此外，通过构建长-短投资组合，研究揭示了不同阶段的市场表现和风险特征，为投资者和政策制定者提供了新的分析工具和策略指导。

研究结果表明，Transformer模型在预测股票回报和构建投资组合方面表现出色，尤其是在疫情初期，其预测误差较低，投资组合表现优异。然而，在疫情中期和后期，由于市场波动性增强和政策不确定性上升，模型的预测误差增加，投资回报也受到显著影响。这说明在疫情的不同阶段，企业市场表现的动态变化和复杂性对模型的预测能力提出了挑战。

此外，研究还引入了多种评估指标，如平均绝对误差（MAE）、均方误差（MSE）和均方根误差（RMSE），以全面评估模型的预测性能。通过比较不同阶段的预测误差和投资组合的表现，研究揭示了公共卫生事件对资本市场的影响路径和机制。同时，研究还探讨了投资组合的绩效指标，如年化回报率、夏普比率和索提诺比率，以衡量投资策略的风险调整收益和下行风险控制能力。

总体而言，本研究不仅提供了对公共卫生相关企业市场表现的深入理解，还为投资者和政策制定者在应对公共卫生危机时提供了理论支持和实证依据。通过引入深度学习模型，研究拓展了公共卫生事件与金融投资之间的研究边界，为构建更具韧性和前瞻性的投资和政策框架提供了新的思路和方法。然而，研究也指出了未来可以进一步改进的方向，如引入更多外部因素和宏观经济变量，以及将Transformer模型与其他方法（如图神经网络或强化学习）相结合，以提升其在复杂市场环境中的适应性和稳定性。