2026年深度学习系列之二：绝对收益视角下的技术形态专家模型——选股择时与多资产轮动的统一框架

绝对收益视角下的技术形态专家模型——选股择时与多资产轮 动的统一框架

技术分析作为资本市场投资决策的重要工具，在 A 股市场拥有深厚的实践基础与 广泛的投资者认同。从经典的 K 线形态识别到现代的量价关系研究，技术分析方法论历 经数十年发展，已形成相对完善的理论体系。然而，传统技术分析方法在实际应用中面 临两大核心困境：其一，人工定义的形态规则高度依赖经验总结，难以量化且泛化能力 有限；其二，单一时间周期的分析视角容易受到市场噪音干扰，信号稳定性不足。 近年来，深度学习技术在计算机视觉、自然语言处理等领域取得突破性进展，为金 融时序数据建模提供了全新思路。门控循环单元(GRU)作为循环神经网络的改进架构， 通过门控机制有效捕捉序列数据中的长期依赖关系，在时间序列预测任务中展现出优异 性能。本研究尝试将 GRU 神经网络引入技术分析领域，构建一套能够自动学习 K 线形 态特征、同时具备截面选股与时序择时双重能力的智能化模型体系。

相较于传统量化方法，本研究提出的技术形态专家模型具有以下创新优势： 突破截面与时序的能力边界。传统选股因子通常需要经过严格的截面标准化处理以 增强横向比较能力，但这一过程不可避免地损失了价格序列在时间维度上的绝对涨跌信 息。本模型通过保留原始收益率数值进行训练，使得单一模型同时具备“识别强势股票” 与“判断市场方向”的统一框架，这种能力的融合并非人为设计，而是通过 IC 损失函 数训练过程中的“智能涌现”自然形成。 实现形态特征的深度提取。传统技术分析依赖人工定义的形态规则(如头肩顶、双底 等)，这些规则往往基于经验总结，表征能力受限。GRU 模型通过多层门控单元的非线 性变换，能够自动学习并提取 K 线序列中的高阶形态特征，包括但不限于价格动量、波 动率变化、成交量价配合等复合信息，其表征能力远超传统技术指标的线性组合。 构建多周期信息融合机制。优秀的技术分析专家在实战中往往综合参考日 K 线、周 K 线等多个时间维度的形态特征，通过跨周期信息的交叉验证形成更为稳健的交易决策。 本研究通过独立 GRU 架构为不同周期数据配置专门化的特征提取模块，实证结果显示 日 K-GRU 与周 K-GRU 的参数相关性接近零，证明两个子模块确实演化出了高度差异化且互补的特征提取策略。

拓展应用场景的广度与深度。本模型不仅适用于传统的个股截面选股，更可直接应 用于指数择时、风格轮动、行业轮动、ETF 轮动等多元化投资场景。尤其值得关注的是， 模型在个股层面学习到的技术形态特征具备良好的跨标的泛化能力，能够迁移至从未见 过的指数数据上进行零样本推理，这一特性为量化投资提供了全新的技术路径。 本报告将系统阐述基于 GRU 的 K 线技术分析专家模型的构建方法、训练范式与实 证效果。第一部分介绍模型的核心架构设计，重点讨论数据构建、样本隔离机制以及损 失函数选择等关键技术细节；第二部分聚焦单周期(日频)模型的预测能力验证，从截面 选股、指数择时两个维度全面检验模型表现，并通过参数敏感性与标的敏感性测试评估 其稳健性；第三部分构建多周期技术形态专家系统，将模型应用于风格轮动、行业轮动 与 ETF 轮动等实战场景，探索其在资产配置领域的应用价值。

基于 GRU 的 K 线技术分析专家模型：从截面到时序能力的智 能涌现

传统的深度学习神经网络在量化投资中的应用，多以线性统计上已验证显著的选股 因子，或经过严密时序标准化后的量价数据为主要特征。这些特征往往会在截面标准化 后输入神经网络，旨在预测股票未来的截面相对收益，从而达到量化选股的目的。然而， 传统的因子截面处理方式可能会丢失原始 K 线在时间序列上连贯的形态信息与价格演 变轨迹。 技术分析在 A 股市场具有较为广泛的应用基础，本文尝试另辟蹊径，以带有记忆功 能的门控循环单元 GRU 为底座模型，构建一个能够提取 K 线形态特征的深度学习模型。 该模型的独特之处在于不再局限于截面排序，而是期望既能够通过横向比对数千只股票 的 K 线特征判断其超额收益潜力，同时也能够在时间序列上，通过单只股票的 K 线演 变特征评估其绝对收益的潜在方向。

2.1. 核心数据构建与防范“前视偏差”的样本隔离机制

特征与标签的定义：

特征 X：选取每只股票过去 40 个交易日的开盘价、收盘价、最高价、最低价、 VWAP、成交量以及成交额数据。为了尽可能保留 K 线走势的原始形态，我们 将价格类数据除以窗口期最后一个交易日的收盘价进行时序标准化；将成交量 与成交额数据除以最后一天的数据进行时序标准化。通过上述处理，模型能够 更好地识别形态特征而非受到绝对价格水平的干扰。此外，研究样本中剔除了 上市不满 1 个自然年的公司，以规避新股上市初期价格波动的异常干扰。

标签 Y：设定为个股自下一个交易日的 VWAP 起算，未来 5 个交易日的 VWAP 收益率。此处不对收益率进行截面标准化，而是保留原始绝对数值，旨在同时 训练模型的选股与择时能力。若当天股票停牌，则剔除该数据。

数据采样与滚动训练：采用日频采样，以 2018 年 1 月 2 日为首次预测基准点， 回看过去 5 个自然年的数据作为样本空间。数据集按照时间顺序划分，前 90% 的交易日为训练集（用于拟合模型），后 10%的交易日为验证集（防止过拟合）。 模型拟合完成后，将用于预测接下来 1 个自然年内所有股票的收益率。该模型 每年进行一次滚动重训练，以适应市场微观结构的变化。

严密的样本隔离机制：由于金融时序数据的特殊性，我们在将数据拆分为训练集、验证集与测试集后，必 须根据预测周期的长短进行进一步的数据隔离处理，以杜绝“前视偏差”： 我们将数据拆分为样本内训练集、样本内验证集与样本外测试集，之后我们仍需要 根据预测周期长短，进行数据集之间的进一步隔离处理。 1) 针对预测未来 N 个交易日均价收益率的目标，我们需要强制剔除样本内数据 集最后的 N+1 个交易日数据，从而确保样本内标签的计算绝对不会窥探到样 本外（测试集）的任何数据。 2) 为了防止训练集与验证集产生交叉污染，我们需要在两者交界处进一步剔除最 后（N-1）/2 个交易日的训练集数据，以及最早（N-1）/2 个交易日的验证集数 据，避免训练集未来收益率的计算区间与验证集的计算区间出现重合。（注： 若 N 为偶数，则训练集较验证集多剔除一个交易日的数据。）

2.2. 传统误差度量的局限性：以均方误差（MSE）为目标的尝试与反思

在基础模型结构上，我们以一个拥有 3 层、隐藏单元数为 32 的 GRU 神经网络为 例。该网络共计包含 17，697 个参数，利用 GRU 的门控机制有效捕捉中短期内价格序 列的动态依赖关系。

神经网络参数： Batch：严格按照单一交易日进行 Batch 拆分，即每个 Batch 的大小为当前截面 内的股票数量，确保模型在学习时能完整感知截面环境。 优化器：Adam；学习速率：0.001。 最大 Epoch：100；早停 Epoch：10（验证集 Loss 连续 10 轮没有创新低则停止 训练）。 随机种子：设为 42，以保证对比实验中模型初始化路径的稳定性与可复现性。 为了验证该模型是否兼具截面收益预测与时序收益预测的能力，我们最初采用均方 误差（MSE）作为损失函数，训练集 Loss 按每个 Batch（单个交易日）计算，而验证集 Loss 则在整个面板（Panel）上计算整体误差。同时，我们引入 Panel IC 作为核心监控指 标。 Panel IC 是指在包含时间跨度与截面跨度两个维度的整体面板数据（Panel Data）上，计算模型预测值序列与真实收益率序列之间的 Pearson 相关系数。相较于传统的每 日截面 IC 均值，Panel IC 既能反映模型在横断面上区分好坏股票的能力，也能在一定 程度上反映模型在时间序列上对涨跌幅度的预判能力。 在首次以 2013 年 1 月 4 日至 2017 年 12 月 29 日作为样本内数据拟合模型时，结果 并不理想。训练集与验证集的 Loss 几乎不收敛，训练集 Panel IC 在零轴附近无序波动， 验证集 Panel IC 更是在经过 4 个 Epoch 后变为缺失值（nan）。深入分析后发现，由于 MSE 等绝对距离度量函数对极端收益率极为敏感，且容易受到不同时期市场均值漂移 的影响，导致神经网络为了追求全局误差最小化，倾向于给出趋同的保守预测值，陷入 了局部最优解。

为排除因模型参数量不足或 MSE 对极值过度敏感导致欠拟合的可能，我们保持 3 层 GRU 结构不变，将隐藏单元数扩展至 128（网络总参数扩大至 267，393），并将损失 函数替换为对异常值更为鲁棒的平均绝对误差（MAE）重新进行训练。从结果来看，尽 管更换了 MAE 并扩大了容量，模型依然难以建立有效的预测逻辑。

2.3. 排序逻辑的智能涌现：以 IC 为导向的学习范式

鉴于直接度量绝对误差难以取得成效，我们将损失函数调整为 Pearson 相关系数（IC） 的相反数，对前期 17，697 个参数的基础 GRU+MLP 模型重新拟合。实际上，在多因子 选股体系中，对收益率的绝对预测往往不如对相对强弱的排序预测重要。IC 对数值尺度 的缩放和绝对偏置不敏感这一统计特性，恰好能够在技术层面有效规避每个 Batch 由于 市场环境剧烈波动带来的均值和方差漂移问题，使模型专注于学习截面内部胜率的相对 关系。

实验中观察到了令人欣喜的“智能涌现”现象： 1) 从截面到时序的泛化：尽管模型在 Batch 层面接受的是截面排序训练，但随 Epoch 增加，Panel IC（跨越时空的总相关性）逐步稳健走高。这说明 GRU 模 块捕捉到了某种在不同标的、不同时间点上通用的“强势 K 线特征”。 2) 绝对收益预测能力的建立：在 45 个 Epoch 后，模型展现出的时序预测能力开 始超越纯粹的单日截面挑选能力。这在金融学上意味着模型初步洞察了价格动 量演进的内在逻辑。 这种“截面训练涌现时序能力”的现象，可以用一个生动的比喻来理解： 想象一个棋手在学习评估围棋局面的优劣。每天他会看到 100 个不同对局的当前盘面（棋子分布、厚薄、气数等），并被告知哪些局面在接下来更可能获胜。但关键的限制 是：他只知道这 100 个局面当天的横向排名（哪个最优、哪个最劣），却不知道每个局 面属于哪盘棋。第二天棋手再次看到 100 个局面，棋局已经各自走了几步。

在这种训练方式下，棋手被迫学习的是：什么样的盘面特征组合，预示着未来的胜 率优势。他无法依赖“记住某盘棋的演变轨迹”，只能提炼出普适性的规律——比如“实 地与外势平衡、棋形厚实、关键位置有先手”的局面，往往在后续对弈中更可能获胜。 神奇的是，当他学会了这种“横向比较优劣”的能力后，意外地获得了“纵向预测 变化”的能力：即使给他单独一盘棋连续多手的盘面记录，也能判断局势是在向好还是 恶化，最终胜负的天平在向哪方倾斜。 为什么会出现这种涌现？因为“当前盘面的相对优劣”本质上编码了"未来胜负的方 向信息"。那些在截面上被判定为"优势"的盘面特征组合（厚实的棋形、灵活的气数、关 键的先手权），本身就蕴含着“未来获胜”的前兆信号。模型通过大量截面样本的训练， 提炼出了这种"盘面特征→未来胜率"的映射规则，而这个规则天然地同时适用于横向比 较（今天哪个局面更优）和纵向预测（这盘棋的局势在改善还是恶化）。 回到股票市场，模型每天观察数千只股票的 K 线形态，学习“什么样的形态组合在 截面上排名靠前”。由于训练时无法追踪单只股票的时序轨迹（每个 Batch 是独立的截面 快照），模型被迫提取那些具有普适性的形态-收益映射规律。这些规律一旦习得，自然 同时具备了截面选股（横向比较哪只股票更强）和时序择时（纵向预测单只股票会涨还 是跌）的双重能力。这也解释了为什么 Panel IC 能够同步提升——模型学到的不是“记 忆某只股票的历史轨迹”，而是“识别预示未来收益的 K 线形态语法”。

然而，直接以 IC 为损失函数虽然能够有效拟合排序关系，但其对模型输出的尺度 和偏度无显性约束的特性，会导致在每年滚动重训练时，不同随机初始化状态下拟合出 的模型预测值缺乏时序绝对数值的连贯性。为了提升模型在时间维度上的平滑度与抗扰 动能力，本文引入了迁移学习的机制——在下一次（下一年）的模型滚动训练中，我们 不采用随机初始化，而是以当前年度收敛的模型参数作为初始化起点，并搭配更小的学 习速率进行微调拟合。这不仅大幅降低了训练成本，也让因子在跨年切换时保持了逻辑 和数值上的连贯性。