主讲人：Leonhard 李天成
我们必须确立一个基本观点：市场的走向无法做到“精确预知”。那些宣称能够准确预测未来具体涨跌情况的个人或系统，实际上往往处于偶然性和欺诈行为的边缘。我们的追求并非成为预言未来的水晶球，而是致力于打造一个认知框架，这个框架能够以更高的概率把握市场当下的状况，并对其短期发展趋势进行合理推断。
交易的实质在于，在一种非平稳性、噪声水平较高的随机演变中，探寻那些预期收益为正的决策时机。传统技术分析，不论是形态学分析还是指标分析，都试图对这个演变过程进行降维观察，然而这种降维方法往往过于简单化，且容易导致信息的失真。它没有考虑到，在推动价格这一单一维度量度背后，存在着一个多维的、由众多因素交织而成的潜在领域。
一、从序列依赖到结构依赖：模型的范式演进
在深度学习技术初步应用于实践阶段，我们尝试运用多样化的模型来探索并捕捉各类数据之间的不同依赖关系。
卷积神经网络，简称CNN，其核心组件为卷积核，这一组件的主要功能是提取局部空间模式。具体来说，我们通过将时间序列数据转换成图像矩阵（例如，通过Gramian Angular Field方法），使得CNN能够高效地识别出诸如“头肩顶”或“杯柄”等反复出现的特定形态。然而，其致命的局限性在于未能深刻把握时间序列的路径依赖性；它仅观察到一系列独立的“快照”，却无法领悟这些“快照”是如何串联成一部完整的“电影”。
长短期记忆网络，简称LSTM，以及其变种GRU，对这一不足进行了显著改进。借助其巧妙设计的门控结构——包括输入门、遗忘门和输出门，LSTM在理论上具备了处理无限长序列信息的能力，并能够构建时间序列中的前后关系模型。这一特性在捕捉动量、均值回归等具有显著时间序列特征的变量时尤为有效。然而，LSTM的结构本质上是线性的，其基本假设是信息沿着一条单一线索进行流动。然而，这一假设与真实市场所呈现的网络化、并发式信息冲击结构存在根本性的差异。股票价格的波动并不仅仅取决于其历史走势，它还受到供应链上下游环节、同行业竞争对手的动态、宏观政策的导向以及突发新闻等多重信息流的综合影响。
所以，我们亟需实现一次模式的重大转变：即从对序列依赖性的建模，过渡到对时空结构依赖性的联合建模。
二、核心计算：将市场关系拓扑投影至可计算的向量空间
我们的工作重心在于打造一个动态的、具备多种关系类型的时态知识图谱。此图谱并非静态的数据库，而是一个充满活力、生机勃勃的有机整体。其数学核心，可表述为一种高级的数学结构——张量（Tensor）：G由三个要素构成，即实体集（包括股票、公司、宏观经济指标）、关系集（涵盖供应链、竞争关系、财报公布、新闻事件）以及时间戳T。
这里的难题在于，我们需探讨如何对这庞大、复杂且不断变化的图结构实施有效的数学建模与运算。
我们的策略是采用异构霍克斯过程（Heterogeneous Hawkes Process）对图内的事件序列进行模拟。这种Hawkes过程属于一种自激发和互激发的点过程模型。其核心在于强度函数λ(t)，该函数描绘了在特定时间t，某一事件发生的即时概率情况。
这里的μ_k代表的是基础强度，也就是事件自发产生的频率。其中，重点在于第二部分，即激励核函数g_k,i。这一部分衡量了历史事件i对当前事件k发生概率的提升作用。在我们的系统内，当涉及到“芯片法案”的新闻（事件i）出现，会明显增强与该主题相关的半导体公司（实体k）在市场中的讨论热度（事件k）。这种类似于“涟漪效应”或“余震”的传播现象，实际上是对市场情绪波动和题材轮动背后数学规律的一种描述。
通过极大化该复杂事件网络的对数似然值，我们能够逆向推导出各个实体的嵌入向量以及各类关系类型的嵌入向量。这一过程实际上涉及一种非线性的降维操作，它将整个知识图谱——一个由离散、多维度符号构成的系统——映射到一个低维且连续的向量空间，即我们所称的潜在空间。
在这个潜在空间中，数学展现出了一种迷人的魅力：原本在语义上的联系，转化为了几何上的接近。在供应链的上下游，各公司的向量会相互靠近；而那些受到相同事件影响的股票，它们的向量则会向同一方向变动。
三、人机共振的本质：认知作为贝叶斯先验
模型至此，已具备卓越的信息处理与表征功能。然而，它仍旧只是个在数据海洋中探寻关联的机械。真正的Alpha，源自对那些关联的深刻洞察与预见性判断。这便是人类策略师，亦或是“我”自身存在的价值所在。
在“人机共振”这一框架内，我的职责并非担任交易员，而是负责对模型架构进行先验设定。依据贝叶斯推断的理论，模型的输出结果表现为后验概率，这一概率是似然度与先验概率相乘的结果。
概率P(H|D)与P(D|H)乘以P(H)P(D|H)成正比，这代表的是似然度，是模型通过处理大量数据得出的结论。它试图解答：“在数据D被观察到之后，假设H成立的概率有多大？”这属于机器学习的范畴，它运作客观且持续不懈。P(H)，即先验概率，反映了我对市场的理解和分析。它试图回答：“在观察任何数据之前，我预估假设H成立的概率有多大？”这源于我十六年历经市场起伏的宝贵经验，以及我对产业变革和技术趋势变化的深刻洞察。
先验权重
我的职责在于持续地提出高水平的假设，精心构建新的因子维度，界定知识图谱中新增的“关系”类别，并将这些作为强有力的先验信息纳入模型。该模型凭借其卓越的计算能力，在庞大的市场数据中对该先验进行验证和调整，最终输出一个集人类智慧与机器智能于一体的、基于概率的最优决策分布。
我们并不执着于单次对抗的胜利，而是致力于确保整个决策体系的数学期望值在长期内保持正值。我们所获取的并非仅仅源于价格波动的收益，而是依托于我们精心构建的认知体系，通过与市场普遍认知水平的差异来赚取利润（认知差价）。这正是概率论在实践中的体现，也是量化交易追求的终极目标。
