建模市場與人機(jī)共振：李天成超越價(jià)格預(yù)測的認(rèn)知框架

　　主講人：Leonhard 李天成

　　我們首先要達(dá)成一個(gè)共識：市場是不可被“精確預(yù)測”的。任何聲稱能預(yù)測明日確切漲跌幅的個(gè)體或系統(tǒng)，本質(zhì)上都游走在隨機(jī)性與欺詐的邊緣。我們的目標(biāo)，從來不是成為一個(gè)水晶球，而是構(gòu)建一個(gè)能夠以更高概率理解市場當(dāng)前狀態(tài)（State）并推斷其短期演化方向的認(rèn)知框架（Cognitive Framework）。

　　交易的本質(zhì)，是在一個(gè)非平穩(wěn)（non-stationary）、高噪音的隨機(jī)過程中，尋找期望收益為正的決策機(jī)會。傳統(tǒng)的技術(shù)分析，無論是形態(tài)學(xué)還是指標(biāo)，都是在嘗試對這個(gè)過程進(jìn)行降維觀測，但這種降維是粗暴且失真的。它忽略了驅(qū)動價(jià)格這個(gè)一維標(biāo)量背后，那個(gè)高維的、由無數(shù)因子構(gòu)成的潛在空間（Latent Space）。

　　一、從序列依賴到結(jié)構(gòu)依賴：模型的范式演進(jìn)

　　在深度學(xué)習(xí)的早期應(yīng)用中，我們嘗試用不同的模型去捕捉不同的數(shù)據(jù)依賴性。

　　CNN（卷積神經(jīng)網(wǎng)絡(luò)），其核心是卷積核，本質(zhì)上是一種 局部空間模式（local spatial pattern）的提取器。我們將時(shí)間序列數(shù)據(jù)轉(zhuǎn)化為圖像矩陣（例如，使用Gramian Angular Field），CNN可以高效地識別出其中反復(fù)出現(xiàn)的、類似“頭肩頂”或“杯柄”的形態(tài)。但它的局限性是致命的：它缺乏對時(shí)間序列的路徑依賴（path dependency） 的理解。它看到的是一張張孤立的“快照”，無法理解這些快照如何構(gòu)成一部連貫的“電影”。

　　LSTM（長短期記憶網(wǎng)絡(luò)）及其變體GRU，是對這一缺陷的重大修正。通過其精巧的門控機(jī)制（輸入門、遺忘門、輸出門），LSTM能夠理論上捕捉無限長的序列信息，建模時(shí)間上的前后關(guān)聯(lián)。這對于捕捉動量、均值回歸這類具有明顯時(shí)序特征的因子是有效的。然而，LSTM的結(jié)構(gòu)本質(zhì)上是線性的，它假設(shè)信息沿著單一的時(shí)間線流動。這與真實(shí)市場的網(wǎng)絡(luò)化、并發(fā)式信息沖擊結(jié)構(gòu)，存在根本性的矛盾。一只股票的價(jià)格波動，并非僅僅是其自身歷史的函數(shù)，它同時(shí)是其供應(yīng)鏈上下游、同行業(yè)競爭對手、宏觀政策、突發(fā)新聞等多重信息流沖擊下的綜合響應(yīng)。

　　因此，我們必須進(jìn)行下一個(gè)范式躍遷：從 序列依賴（Sequential Dependency）建模，轉(zhuǎn)向結(jié)構(gòu)與時(shí)間聯(lián)合依賴（Spatio-Temporal Structural Dependency） 的建模。

　　二、核心計(jì)算：將市場關(guān)系拓?fù)渫队爸量捎?jì)算的向量空間

　　我們工作的核心，是構(gòu)建一個(gè)動態(tài)的、多關(guān)系類型的時(shí)態(tài)知識圖譜（Temporal Knowledge Graph）。這個(gè)圖譜不是一個(gè)靜態(tài)的數(shù)據(jù)庫，而是一個(gè)活的、呼吸的有機(jī)體。其數(shù)學(xué)本質(zhì)，可以被描述為一個(gè)高階張量（Tensor）：G = (E, R, T)，其中E是實(shí)體集（股票、公司、宏觀指標(biāo)），R是關(guān)系集（供應(yīng)鏈、競爭、財(cái)報(bào)發(fā)布、新聞事件），T是時(shí)間戳。

　　這里的挑戰(zhàn)是，如何對這樣一個(gè)龐大、異構(gòu)、動態(tài)的圖結(jié)構(gòu)進(jìn)行有效的數(shù)學(xué)表達(dá)和計(jì)算？

　　我們的解決方案，是引入 異構(gòu)霍克斯過程（Heterogeneous Hawkes Process）來對圖中的事件流進(jìn)行建模。Hawkes過程是一種自激勵(lì)（self-exciting）且互激勵(lì)（mutually-exciting） 的點(diǎn)過程模型。其核心是強(qiáng)度函數(shù) λ(t)，它描述了在時(shí)間t瞬間，某個(gè)事件發(fā)生的瞬時(shí)概率。

　　λ_k(t) = μ_k + Σ ∫_0^t g_k,i(t-u) dN_i(u)

　　這里的 μ_k 是基礎(chǔ)強(qiáng)度（background intensity），即事件的自發(fā)產(chǎn)生率。而關(guān)鍵在于第二項(xiàng)，即激勵(lì)核函數(shù)（excitation kernel）g_k,i。它量化了歷史上的一個(gè)事件i，對當(dāng)前事件k發(fā)生概率的增強(qiáng)效應(yīng)。在我們的系統(tǒng)中，一條關(guān)于“芯片法案”的新聞（事件i）會顯著提升相關(guān)半導(dǎo)體公司（實(shí)體k）被市場討論（事件k）的強(qiáng)度。這種“漣漪效應(yīng)”或“余震”般的傳播，正是市場情緒和題材輪動的底層數(shù)學(xué)描述。

　　通過最大化這個(gè)復(fù)雜事件網(wǎng)絡(luò)的對數(shù)似然函數(shù)（Log-Likelihood Function），我們可以反解出每個(gè)實(shí)體、每種關(guān)系類型的嵌入向量（Embedding Vector）。這個(gè)過程，本質(zhì)上是一種非線性降維，它將整個(gè)知識圖譜這個(gè)離散、高維的符號系統(tǒng)， 投影（project） 到一個(gè)低維、連續(xù)的向量空間，即我們所說的Latent Space。

　　在這個(gè)Latent Space里，數(shù)學(xué)變得美妙起來：語義上的關(guān)聯(lián)性，被轉(zhuǎn)化為了幾何上的鄰近性。供應(yīng)鏈上下游的公司，它們的向量會更接近；受到同一事件沖擊的股票，它們的向量會朝相似的方向移動。

　　三、人機(jī)共振的本質(zhì)：認(rèn)知作為貝葉斯先驗(yàn)

　　模型至此，已經(jīng)擁有了強(qiáng)大的信息處理和表征能力。但它依然是一個(gè)在數(shù)據(jù)中尋找關(guān)聯(lián)性的機(jī)器。真正的Alpha，源于對這些關(guān)聯(lián)性的深刻理解和前瞻性判斷。這就是人類策略師，或者說“我”，存在的意義。

　　在我們的“人機(jī)共振”框架中，我的角色并非交易員，而是模型架構(gòu)的先驗(yàn)設(shè)定者（Prior Definer）。在貝葉斯推斷的框架下，模型的輸出是后驗(yàn)概率（Posterior Probability），它等于似然度（Likelihood）乘以先驗(yàn)概率（Prior Probability）。

　　P(H|D) ∝ P(D|H) * P(H)

　　P(D|H)，即似然度，是模型基于海量數(shù)據(jù)計(jì)算出的結(jié)果。它回答：“在觀察到數(shù)據(jù)D的情況下，假設(shè)H成立的概率有多大？”這是機(jī)器的領(lǐng)域，它客觀、不知疲倦。

　　P(H)，即先驗(yàn)概率，是我對市場的認(rèn)知和洞察。它回答：“在看到任何數(shù)據(jù)之前，我認(rèn)為假設(shè)H成立的概率有多大？”這來自于我16年穿越牛熊的經(jīng)驗(yàn)，對產(chǎn)業(yè)變遷、技術(shù)范式轉(zhuǎn)移的理解。例如，我相信在當(dāng)前宏觀環(huán)境下，某些特定類型的科技創(chuàng)新具備更高的長期價(jià)值，我會將這種認(rèn)知轉(zhuǎn)化為對模型中相關(guān)因子的先驗(yàn)權(quán)重。

　　我的工作，是不斷地提出高質(zhì)量的假設(shè)（Hypothesis），設(shè)計(jì)新的因子維度，定義知識圖譜中新的“關(guān)系”類型，并將其作為 強(qiáng)先驗(yàn)（Strong Prior）注入模型。模型則利用其強(qiáng)大的計(jì)算能力，在全市場數(shù)據(jù)中驗(yàn)證、修正這個(gè)先驗(yàn)，并最終輸出一個(gè)融合了人類智慧與機(jī)器智能的、概率最優(yōu)的決策分布。

　　我們不追求單次博弈的勝利，我們追求的是整個(gè)決策框架的數(shù)學(xué)期望長期為正。我們賺取的不是價(jià)格波動的錢，而是我們構(gòu)建的這套認(rèn)知系統(tǒng)，與市場平均認(rèn)知水平之間的差價(jià)（Cognitive Spread）。這，就是概率的藝術(shù)，也是量化交易的最終歸宿

　　免責(zé)聲明：本文為廠商供稿，版權(quán)歸其所有。刊發(fā)此文旨在信息傳遞，不代表本網(wǎng)觀點(diǎn)和立場。若涉及內(nèi)容、版權(quán)等事宜，請聯(lián)系供稿方。本網(wǎng)對內(nèi)容準(zhǔn)確性、真實(shí)性等不作保證，請讀者自行核實(shí)。對于因使用或依賴本文內(nèi)容所產(chǎn)生的任何直接或間接損失，本網(wǎng)不承擔(dān)責(zé)任。