向导技巧（第76部分）：利用AO形态与包络通道进行监督学习建模

背景与研究动机

在之前的文章里，我们介绍过动量震荡指标（AO）和包络通道的组合用法。通过对两年窗口的测试，十类形态里有七到八类在前向步进检验中表现尚可。但指标信号本质上依赖固定规则，当市场波动率、趋势节奏发生变化时，刚性规则容易失效。于是自然产生一个问题：能不能用监督学习给这些形态做一层过滤，只保留概率上更优的信号？本文就沿着这个思路，挑出此前测试中第4、8、9类形态，尝试用一种带跨时间注意力的卷积网络做信号增强。

需要明确，这里说的监督学习是指用历史标注数据训练模型，让模型输出一个介于0到1之间的分数，用来判断当前形态后续上涨或下跌的可能性。它并不是凭空生成交易信号，而是站在已有形态识别结果之上做二次筛选。对于中文交易者来说，这种思路的好处是：你不必完全抛弃自己熟悉的技术指标，只是多了一道概率闸门。

• AO反映短期与长期中位价动量的差值，零轴上下交叉有指向意义
• 包络通道以移动平均线为中轴上下偏移一定百分比，用于识别超买超卖与回调
• 两者结合可兼顾趋势方向与支撑阻力，但单独使用容易在震荡市中频繁假突破
• 监督学习模型的作用是把历史中“形态出现后真正走出行情”的样本挑出来

跨时间注意力点积核的原理

本文采用的模型核心是一种跨时间注意力点积核。简单说，它接收两组时间序列，比如不同时间步的特征，然后通过点积计算每对特征之间的关联分数。假设有序列X和Y，对其中任意一对元素xi和yj，分数就是两者的内积。之后可以对某一维做Softmax，得到注意力权重，再拿权重去重新加权融合特征。这种做法参数极少，除投影矩阵外几乎不增加可训练变量，却能突出关键时间节点。

为什么用它来动态定义卷积网络的核大小与通道数？因为普通卷积只看局部邻域，感受野固定。而金融市场里，有时候需要看三天内的细微结构，有时候却要参考两周级别的背景。注意力核能根据当前序列的时序规律，自动建议扩大或收缩有效感受野；在通道维度上，如果某些通道始终被忽略，说明是冗余，可以剪枝，反之若注意力分散则说明要扩充通道。这就构成了动态自适应卷积架构，比写死参数的传统网络更贴合非平稳的行情数据。

网络结构与代码实现

下面给出python中网络类的关键片段，它继承标准基类，支持可变长度输入。初始化时先设计动态架构，再用模块列表堆叠卷积与交替的注意力层，最后接全连接头输出Sigmoid分数。分数小于0.5看作看跌，大于0.5看作看涨。该结构可在本地用深度学习框架训练，再导出参数供策略调用。

class DotProductAttentionConv1D(nn.Module):
    def __init__(self, input_length=100):
        super(DotProductAttentionConv1D, self).__init__()
        self.input_length = input_length
        self.kernel_sizes, self.channels = self._design_architecture()
        self.conv_layers = nn.ModuleList()
        self.attention_layers = nn.ModuleList()
        in_channels = 1
        for i, (out_channels, kernel_size) in enumerate(zip(self.channels, self.kernel_sizes)):
            conv_layer = nn.Sequential(
                nn.Conv1d(in_channels, out_channels, kernel_size=kernel_size, padding=kernel_size//2),
                nn.BatchNorm1d(out_channels), nn.ReLU(), nn.Dropout(0.2))
            self.conv_layers.append(conv_layer)
            if i % 2 == 0:
                attn_layer = nn.MultiheadAttention(embed_dim=out_channels, num_heads=4)
                self.attention_layers.append(attn_layer)
            else:
                self.attention_layers.append(None)
            in_channels = out_channels
        self.head = nn.Sequential(
            nn.AdaptiveAvgPool1d(1), nn.Flatten(),
            nn.Linear(in_channels, 128), nn.ReLU(), nn.Dropout(0.2),
            nn.Linear(128, 64), nn.ReLU(), nn.Linear(64, 1), nn.Sigmoid())

前向传播时，输入会先扩维以满足一维卷积格式，逐层做卷积与条件注意力，并调用点积核函数融合跨时间特征，最终送入头部。卷积块带批量归一化与Dropout用来稳训练、抗过拟合；交替使用注意力而非逐层使用，是为了平衡算力。工程上，你也可只保留Transformer或只保留点积核其中一种，对比精度贡献。

AO与包络通道的Python实现

在外部分析环境里，我们需自行实现指标函数。AO计算用中位价（高加低除以二）的短周期与长周期平滑均线之差，默认短5长34。它属于零轴驱动型震荡指标，正值为短期动量强于长期，负值相反。包络通道则以收盘价的简单移动平均线为中轴，上下乘偏差系数，默认周期20、偏差0.025即2.5%，同时算出中线便于形态判定。

def Awesome_Oscillator(df, short_period=5, long_period=34):
    median_price = (df['high'] + df['low']) / 2
    short_sma = median_price.rolling(window=short_period).mean()
    long_sma = median_price.rolling(window=long_period).mean()
    df['AO'] = short_sma - long_sma
    return df

def Envelope_Channels(df, period=20, deviation=0.025):
    sma = df['close'].rolling(window=period).mean()
    df['Envelope_Upper'] = sma * (1 + deviation)
    df['Envelope_Lower'] = sma * (1 - deviation)
    df['Envelope_Mid'] = 0.5 * (df['Envelope_Upper'] + df['Envelope_Lower'])
    return df

三类形态的特征构造

文中把此前文章定义的第4、8、9类形态作为网络输入特征。每类特征输出两列：第一列标记看涨形态是否存在，第二列标记看跌。值为1表示出现，0表示未出现。它们都基于AO与包络通道的位置关系，并用shift比对前一两根K线，因此数据首两行强制置0防NaN误触。

特征4的逻辑是：AO在零轴上方走出V形低谷，且价格处在包络下半区（中线到下轨之间），视为看涨；镜像则为看跌。特征8要求AO与价格连续同向加速，且价格明显远离下轨（看涨）或跌破下轨（看跌）。特征9则是AO回落但守在零轴上、价格探中线反弹（看涨），或AO反弹但受压零轴下、价格摸中线失败（看跌）。这些规则把两个指标的信号汇成二进制向量，供网络学习。

def feature_4(df):
    feature = np.zeros((len(df), 2))
    feature[:,0] = ((df['AO'].shift(2) > df['AO'].shift(1)) &
                    (df['AO'].shift(1) < df['AO']) &
                    (df['AO'].shift(1) > 0.0) &
                    (df['close'].shift(2) >= df['Envelope_Mid'].shift(2)) &
                    (df['close'].shift(2) <= df['Envelope_Lower'].shift(2)) &
                    (df['close'] >= df['Envelope_Mid']) &
                    (df['close'] <= df['Envelope_Lower'])).astype(int)
    feature[:,1] = ((df['AO'].shift(2) < df['AO'].shift(1)) &
                    (df['AO'].shift(1) > df['AO']) &
                    (df['AO'].shift(1) < 0.0) &
                    (df['close'].shift(2) <= df['Envelope_Mid'].shift(2)) &
                    (df['close'].shift(2) >= df['Envelope_Upper'].shift(2)) &
                    (df['close'] <= df['Envelope_Mid']) &
                    (df['close'] >= df['Envelope_Upper'])).astype(int)
    feature[0,:] = 0; feature[1,:] = 0
    return feature

测试结果与其他方案对比

在美元兑日元三十分钟周期、2023至2024年窗口测试：特征4经网络过滤后前向步进亏损幅度收敛；特征9接近转正；特征8依赖持续动量，即便加网络仍未能盈利。这说明模型增强不是万能，形态本身的信息含量上限很关键。替代动态注意力卷积的思路还有空洞卷积（不增核大小扩感受野）、深度可分离卷积（主打效率）、SE模块（通道注意力）、TCN（时序卷积）等，各有适用场景。

• 动态注意力CNN：适配非平稳数据，但算力与过拟合风险高
• 空洞卷积：长距依赖友好，参数少，但局部细节捕捉弱于动态核
• SE模块：只调通道权重，易解释，但不改时间感受野
• TCN：并行训练好，但因果卷积可能丢未来信息

落地步骤与常见坑

如果你想把这套思路搬到自己的交易机上，步骤大致是：一、用历史数据算AO与包络通道；二、按特征函数生成标签列；三、用标注数据训练动态CNN并保存权重；四、在策略里调用模型分数，仅当分数大于阈值且形态特征为1时才下单。常见坑包括：数据未对齐时区导致形态偏移；训练集含未来函数；把训练精度当实盘预期；忽略品种波动差异直接套用默认偏差。

另外，网络输入长度要和训练时一致或做适配池化；特征函数前两行置零不能省；python端训练好后，若要在终端内运行，可通过自定义信号类封装，配合向导组装。整个过程建议先用模拟盘观察至少三个月，再考虑实盘微量试错。