编辑推荐：
研究人员设计了一种创新的技术分析（technical analysis）策略，结合了技术指标（technical indicators）和机器学习（ML）技术。其模型使用通过可视化个股在一定时期内的时序数据（time-series data）生成的图像表示（i
研究人员设计了一种创新的技术分析（technical analysis）策略，结合了技术指标（technical indicators）和机器学习（ML）技术。其模型使用通过可视化个股在一定时期内的时序数据（time-series data）生成的图像表示（image representations）来识别价格模式。为避免数据窥探（data snooping），研究人员谨慎地限制训练集规模并在模型之间打乱样本集。与包括动量（momentum）和反转（reversal）、传统技术交易规则、行业投资组合以及Fama–French五因子模型（Fama–French five-factor model）在内的多个基准相比，该方法在1992年1月至2022年12月的美国股票市场上产生了高度可靠且具有影响力的预测。利用GradCAM方法，研究人员可视化模型预测的注意力图（attention maps），从而为技术分析方法提供了强大的可解释性。
论文解读文章
研究背景、存在问题与研究动机
技术分析（technical analysis）是金融市场中一种基于历史价格和成交量数据预测未来走势的方法。尽管有效市场假说（Efficient Market Hypothesis）认为在有效市场中技术分析无法产生显著收益，但行为经济学理论和动量（momentum）与反转（reversal）效应表明，投资者情绪和认知偏差可能导致价格可预测的模式。近年来，机器学习（ML）方法被引入技术分析，以自动选择或构建技术指标，并识别价格趋势中的非线性特征。然而，现有ML方法面临两大挑战：一是数据窥探（data snooping）风险，即重复使用同一数据集进行模型选择可能导致虚假发现；二是模型缺乏可解释性，难以理解预测依据。部分研究尝试将时序数据转换为图像并利用卷积神经网络（CNN）进行分类，但未充分验证策略的盈利性，或未解决数据窥探问题。为此，本研究旨在探索可视化技术在技术分析中的潜力，通过结合先进的计算机视觉模型与多种技术指标，构建可靠且可解释的交易策略，并严格评估其经济可行性。
研究人员开展的研究与结论
研究人员提出一种将时序数据可视化为图像的技术分析框架，使用Swin transformer模型处理包含OHLC（开盘、最高、最低、收盘）图表及多种技术指标（移动平均线、布林带、MACD、RSI、成交量）的图像。为克服数据窥探，研究采用10个等长时间段随机划分训练、验证和测试集，并训练12组不同随机种子的模型（共216个），每个训练epoch仅使用500张图像以减少有毒样本影响。通过构建基于预测分数的多空投资组合，与动量/反转策略、传统技术规则（移动平均线、布林带、RSI、MACD）、行业投资组合及Fama–French五因子模型进行对比，并利用GradCAM方法可视化注意力图。研究发现，该方法能产生显著的超额收益，且在考虑交易成本后仍具稳健性；最佳模型基于5日移动平均线和成交量（5MA+Vol），在2019–2023年测试期夏普比率达3.53；模型在早期历史时段表现更优；注意力图证实模型学习了技术指标的关键区域（如价格突破均线）。该研究提供了支持结合计算机视觉与可视化技术指标开发技术分析模型的强有力证据，论文发表在《INTERNATIONAL JOURNAL OF FORECASTING》。
主要关键技术方法
本研究采用的核心技术方法包括：（1）Swin transformer模型（Liu et al., 2021），基于窗口自注意力机制（window-based multi-head self-attention, W-MSA）和移位窗口机制（shifted window, SW-MSA），用于图像分类并建立长距离依赖关系；（2）GradCAM方法（Gildenblat & contributors, 2021），用于可视化模型推理过程中的注意力热力图，增强可解释性；（3）数据预处理中，将OHLC数据和主图指标（移动平均线、布林带）归一化至[0,3/4H-2]范围，副图指标（成交量、MACD、RSI）独立归一化至[0,1/4H]，图像宽度为时间窗口长度×3像素，高度H=224。样本来源于纽约证券交易所（NYSE）和纳斯达克（NASDAQ）1992年6月至2022年12月的日度数据，包括OHLC和成交量。
研究结果
**4.1 总体表现**
在216个训练模型中，仅22个超过51%验证准确率阈值进入测试。三个模型（20BOLL+MACD、5BOLL+RSI、5MA+Vol）产生统计显著（p<0.05）的收益，其中5MA+Vol和5BOLL+RSI实现了有意义的夏普比率（SR）。5MA+Vol年化收益7.79%，标准差1.87%，夏普比率2.82（1%显著）；5BOLL+RSI年化收益5.66%，标准差1.51%，夏普比率2.08（5%显著）。该结果通过多空投资组合在不同分位数上的表现得出。
**4.2 基准比较**
**4.2.1 动量与反转策略比较**
三个ML模型在所有测试期均产生正夏普比率，而动量策略（mom5）在2007年后表现转为负值。在1992–1995年测试期，5MA+Vol的H-L（高减低）组合夏普比率为4.83；在2019–2023年，5MA+Vol的夏普比率达3.53（1%显著），显著优于其他策略。该结果表明ML策略的收益具有时间稳定性。
**4.2.2 与传统技术策略比较**
基于移动平均线、布林带、RSI、MACD的传统规则构建的多空组合在所有时期均表现不佳（年化收益负值），而ML策略在所有测试期均显著优于这些规则。例如，在1992–1995年，ML策略H-L组合年化收益8.45%–14.39%，传统规则收益为-98.46%至-93.24%。该直接对比通过等权重分配资金于触发信号的资产实现。
**4.2.3 与行业投资组合比较**
将ML组合的日收益对10个行业投资组合（来自Kenneth R. French数据库）进行回归，常数项α（年化）分别为5.13%、7.79%、10.51%，均统计显著（p<0.01）。模型与多数行业收益相关性极低（R2<0.005），仅5BOLL+RSI与电信和公用事业行业有显著正相关。该结果说明ML策略捕获了行业因子无法解释的异常收益。
**4.2.4 Fama–French五因子模型分析**
对Fama–French五因子模型（市场溢价RMRF、规模SMB、价值HML、盈利能力RMW、投资CMA）回归，三个组合的α均显著为正（p<0.01），年化异常收益分别为5.13%、7.79%、10.51%。所有模型与RMW因子呈显著负相关（系数-0.008至-0.010），表明模型偏好低盈利公司。该回归分析揭示了策略与已知风险因子无关的独特预测能力。
**4.3 交易成本**
基于VIX指数划分市场波动期（低≤15、中≤20、高≤25、极>25），计算盈亏平衡交易成本。5MA+Vol在低波动期成本容忍度高达0.00175，在极端波动期为0.00143，仅在中波动期（0.00046）较为敏感。20BOLL+MACD和5BOLL+RSI在极端和低波动期表现稳健。该分析验证了策略在不同市场环境下的经济可行性。
**4.4 注意力图可视化**
利用GradCAM方法生成注意力热力图叠加于原始图像。示例显示，成功预测的5MA+Vol图像中，模型关注了第1、2、4天OHLC柱突破多条移动平均线的区域（经典买入信号）；20BOLL+MACD图像中注意力集中于布林带中线上方及MACD柱状图正值区域；5BOLL+RSI图像中注意力集中在OHLC柱突破布林带中线的位置。该可视化直接证明了模型学习了技术分析中的关键模式。
总结讨论
论文结论部分翻译如下：“我们提出了一种新颖的技术分析方法，利用OHLC图表和各种技术指标的可视化，扩展了Jiang等人（2023）提出的研究议程。我们的框架通过利用前沿计算机视觉模型处理图像输入，提供了可视化OHLC数据和技术指标的可靠方法。我们打乱训练、验证和测试样本以防止数据窥探，并基于模型预测全面评估了投资组合的表现。为建立基准，我们采用了多种动量与反转策略、传统技术交易规则、行业投资组合以及Fama–French五因子模型。此外，还进行了交易成本敏感性分析，以研究模型在不同市场波动条件下的稳健性。最后，我们利用GradCAM方法通过可视化注意力图来解释模型的预测。我们的发现展示了几个关键点。第一，我们的方法表明基于以各种可视化技术指标作为输入的模型来构建投资组合是可能的。第二，我们强调了高质量训练集的重要性，因为它能显著影响训练模型的有效性。第三，我们观察到仅依赖历史价格趋势信息的策略在近年表现不如早年。表现最佳的模型基于多个移动平均线和成交量的技术指标。最后，注意力图的可视化证实了我们的模型能够从价格图表中学习并提取有价值信息。几个未解决的局限性仍然存在。第一，有毒样本背后的机制需要进一步分析：训练样本如何影响模型性能，以及如何找到最有效的样本，应仔细研究。第二，我们仅测试了六种技术指标，但技术指标的领域要广泛得多。因此，用这种方法考察更多指标将是有趣的。第三，在未来研究中，有可能构建一个同时以技术指标和公司财务报表作为输入的模型，以做出更全面的预测。第四，我们验证过程中的阈值设定没有考虑市场回报的不对称性。未来研究可以讨论解决这一属性的模型训练框架。鉴于人工智能取代人类决策的潜力，我们相信开发基于ML的技术交易代理是可能的且可行的。通过精心选择的训练集和稳健的模型，它能为寻求强大技术分析模型的投资者带来可观回报。”
