近些年来,机器学习、神经网络等技术蓬勃发展,计算机硬件的算力也到达了一个新的高度,使得更大规模的神经网络的计算变得可能,而在新出现的模型中,Transformer无疑是其中耀眼的一个。将神经网络应用到量化交易领域一直以来都是一个火热的研究方向,传统情况下,一般采用LSTM等时序模型,但是这些模型普遍都是一些较小的模型,本文尝试将更为庞大的Transformer类模型应用到量化交易方向。本文的主要目的是构建一个通过历史数据预测未来收益,并根据预测结果采取一定的购买策略的一个完整的量化交易择股策略。具体贡献如下:（1）由于股票数据是多而庞杂的,直接使用原始数据对模型进行训练会耗费大量时间,且难以取得好的效果。本文采用LightGBM模型对原始数据进行训练,得出与股票收益相关性最高的前80%的因子。（2）股票的各种技术指标和各种因子均是时序信息,本文采用了在时序预测方面表现出色的Informer模型,该模型在Transformer基础上进行改进,使其应用在时序数据预测方面的能力提高。文章通过研究Informer模型的不足之处,在股票交易日期这种不连续的时间序列方面改进了时序编码,使用了LSTM对数据中的时序信息进行提取,提高了模型在时序方面的预测能力,并在模型的总体结构上添加了残差链接,增强模型的泛化能力。（3）在策略方面的改进是取得预测结果后截取对结果进行排序,截取top-N的股票进行买入。在收益计算方面采用了一个更为精细化的方法,将模型的收益分为买入收益,持有收益,卖出收益。与传统LSTM等模型在中证500等基准收益相比均获得了14.98%的超额收益,减小了19.91%的回撤。