1. 簡介
外匯市場係全球最大嘅金融市場，以高流動性、高波動性同複雜性著稱。由於受到眾多宏觀經濟因素、地緣政治事件同市場情緒嘅影響，預測外匯價格走勢係出名困難。傳統技術分析雖然有用，但往往難以適應市場突然轉變或「黑天鵝」事件。本文提出一種新穎嘅機器學習方法，結合聚類技術同注意力機制，以提高預測準確度，特別針對超賣市場狀況，用於事件驅動嘅交易策略。該模型使用2005年至2021年嘅歷史外匯數據同衍生嘅技術指標。
2. 相關文獻
本研究建基於已確立嘅金融理論同機器學習喺量化金融中嘅應用。
2.1 技術指標
技術指標係基於歷史價格、成交量或未平倉合約嘅數學計算，用於預測金融市場方向。該模型整合咗幾個關鍵指標。
2.1.1 相對強弱指數 (RSI)
RSI係一個動量擺盪指標，用於衡量價格變動嘅速度同變化，以識別超買或超賣狀況。
公式： $RSI = 100 - \frac{100}{1 + RS}$，其中 $RS = \frac{\text{過去N期平均升幅}}{\text{過去N期平均跌幅}}$。
RSI低於30通常表示超賣狀況（潛在買入機會），而RSI高於70則表示超買狀況（潛在賣出機會）。
2.1.2 簡單移動平均線 (SMA)、指數移動平均線 (EMA)、MACD
SMA係過去N個數據點嘅非加權平均值。EMA則賦予近期價格更大權重。移動平均匯聚背馳指標 (MACD)係一個跟隨趨勢嘅動量指標。
公式： $MACD = EMA(\text{12期}) - EMA(\text{26期})$。
信號線（MACD嘅9日EMA）用於產生交易信號。MACD同信號線之間嘅交叉表示潛在嘅牛市或熊市趨勢。
2.1.3 保力加通道
保力加通道由一條中間SMA線同兩條位於標準差水平（通常為2）嘅外圍帶組成，用於衡量市場波動性。通道收窄（帶狀區間變窄）通常預示高波動期即將來臨，而價格移動到通道之外則可能表示趨勢持續或逆轉。
3. 核心洞察與邏輯流程
核心洞察： 本文嘅基本假設係，純粹嘅價格/指標時間序列模型係短視嘅。通過首先聚類相似嘅市場狀態（例如，高波動超賣、低波動盤整），然後喺呢啲情境下應用注意力機制，該模型可以比單一嘅LSTM或GRU網絡更有效地從噪音中分離出信號。呢種係一種條件建模形式——網絡嘅行為明確地取決於識別出嘅市場狀態。
邏輯流程： 流程係順序分明嘅：1) 特徵工程： 將原始OHLC數據轉化為豐富嘅技術指標集（RSI、MACD、保力加通道位置）。2) 狀態聚類： 使用聚類算法（可能係K-Means或高斯混合模型）根據指標特徵將歷史時期分割成唔同嘅狀態。3) 情境感知預測： 對於一個給定嘅數據點，模型首先識別其所屬嘅聚類。然後，一個基於注意力嘅序列模型（例如Transformer編碼器）處理近期歷史數據，其注意力權重可能會受到聚類身份嘅調節，從而預測從超賣狀態出現有利均值回歸嘅概率。
4. 優點與缺點
優點：
- 架構新穎性： 聚類預處理步驟係引入非平穩性處理嘅一種務實方法，呢個係量化金融中嘅經典難題。比起期望深度網絡隱式學習市場狀態，呢種方法更具可解釋性。
- 聚焦可行情景： 針對「超賣」狀況係一個聰明嘅約束。佢將一個開放式預測問題轉化為更易處理嘅二元分類：「呢個當前超賣信號係真正嘅買入機會定係陷阱？」
- 建基於成熟指標： 使用廣為人知嘅技術指標作為特徵，令模型輸入對傳統交易員嚟講易於理解，有助於潛在嘅應用。
缺點與關鍵不足：
- 數據窺探偏差風險： 2005-2021年嘅數據集涵蓋多次危機（2008年、COVID-19）。如果冇對完全未見過嘅市場狀態（例如，2022-2024年戰爭同通脹時期）進行嚴格嘅前向分析或樣本外測試，過度擬合嘅風險會非常嚴重。
- 黑盒注意力： 雖然注意力層功能強大，但解釋模型點解關注某啲過去時期仍然係一個挑戰。喺受監管嘅金融領域，「可解釋性」唔單止係錦上添花。
- 缺少阿爾法來源討論： 本文冇提及交易成本、滑點同風險管理。一個喺回測中表現出色嘅策略，可能會被現實世界嘅摩擦所摧毀。預測嘅優勢喺扣除成本後係咪仍然存在？
5. 可行見解
對於量化基金同算法交易員：
- 複製狀態聚類方法： 喺構建下一個深度預測模型之前，先將歷史數據分割成唔同狀態。呢個簡單步驟可以顯著提高模型穩定性。使用波動性、趨勢強度同相關性等指標作為聚類特徵。
- 對「狀態轉變」進行壓力測試： 唔好只係喺隨機時間分割上測試。要刻意測試你嘅模型喺已知狀態轉變期間（例如，進入2008年危機或2020年COVID崩盤嘅過渡期）嘅表現。呢個先係真正嘅試金石。
- 與基本面數據結合： 下一步發展係向聚類算法提供唔單止技術指標，仲有宏觀數據片段（來自新聞嘅央行情緒、收益率曲線數據）。咁樣可以創造出更穩健嘅狀態定義。
- 要求可解釋性： 實施SHAP或LIME等工具嚟解釋注意力權重。模型認為邊啲過去嘅日子對其預測重要？呢個審計軌跡對於驗證同合規都至關重要。
6. 原創分析
所提出嘅模型代表咗一種解決金融時間序列固有非平穩性問題嘅複雜嘗試——呢個挑戰喺Marcos López de Prado嘅《金融機器學習進展》等開創性著作中都有強調。通過採用聚類作為識別唔同市場狀態嘅預處理步驟，作者有效地創建咗一個條件架構。呢個喺概念上優於將原始序列數據輸入單一嘅LSTM，後者通常難以調整其內部狀態以適應變化嘅市場動態，正如比較傳統RNN與更現代金融架構嘅研究所指出（例如，Borovkova & Tsiamas, 2019）。
注意力機制嘅整合，可能係受到Transformer喺NLP領域成功（Vaswani et al., 2017）嘅啟發，允許模型動態權衡唔同歷史點嘅重要性。喺超賣RSI信號嘅情境下，模型可能會學習強烈關注過去類似嘅、隨後出現逆轉嘅超賣事件，而忽略那些導致進一步下跌嘅事件。呢種選擇性聚焦係相對於將所有過去數據同等對待嘅移動平均線嘅一個關鍵進步。
然而，模型嘅潛力取決於其訓練數據嘅質量同代表性。2005-2021年期間包含特定嘅波動狀態。喺呢啲數據上訓練嘅模型，可能會喺一個新嘅狀態下失敗，例如2022年後高通脹、高利率環境——呢種現象類似於機器學習文獻中討論嘅領域偏移問題（例如，計算機視覺中嘅CycleGAN (Zhu et al., 2017)，但喺金融領域同樣關鍵）。此外，雖然技術指標有價值，但佢哋本質上係滯後嘅。整合另類數據源，正如Two Sigma等領先對沖基金所做嘅，可能係下一個必要嘅飛躍。呢個架構嘅真正考驗將係其泛化到未見過市場結構嘅能力，以及扣除所有交易成本後嘅表現。
7. 技術細節與數學框架
核心技術創新在於兩階段模型架構。
階段1：市場狀態聚類
設 $\mathbf{F}_t = [f^1_t, f^2_t, ..., f^m_t]$ 為時間 $t$ 嘅特徵向量，包含標準化後嘅技術指標值（RSI、MACD、保力加通道位置、波動性等）。一個聚類算法 $C$（例如，具有 $k$ 個聚類嘅K-Means）將歷史數據分割成 $k$ 個狀態：
$C(\mathbf{F}_t) = r_t \in \{1, 2, ..., k\}$。
每個聚類 $r$ 代表一個獨特嘅市場狀態（例如，「高趨勢牛市」、「低波動區間震盪」、「超賣高波動」）。
階段2：基於注意力嘅序列預測
對於近期特徵向量序列 $\mathbf{X} = [\mathbf{F}_{t-n}, ..., \mathbf{F}_{t-1}, \mathbf{F}_t]$ 及其相關狀態標籤 $r_t$，模型旨在預測目標 $y_t$（例如，超賣信號後價格上漲嘅二元標籤）。注意力機制計算一個上下文向量 $\mathbf{c}_t$ 作為輸入序列嘅加權和：
$\mathbf{c}_t = \sum_{i=t-n}^{t} \alpha_i \mathbf{h}_i$，
其中 $\mathbf{h}_i$ 係 $\mathbf{F}_i$ 嘅隱藏表示，注意力權重 $\alpha_i$ 通過以下方式計算：
$\alpha_i = \frac{\exp(\text{score}(\mathbf{h}_t, \mathbf{h}_i))}{\sum_{j=t-n}^{t} \exp(\text{score}(\mathbf{h}_t, \mathbf{h}_j))}$。
評分函數可以係簡單點積或學習到嘅函數。狀態 $r_t$ 可以作為一個嵌入被整合，影響初始隱藏狀態或注意力評分函數，令模型嘅聚焦取決於市場狀態。
8. 分析框架與案例示例
情景： 歐元/美元貨幣對，2020年10月15日。RSI跌至28，表示超賣狀況。
框架應用：
- 特徵提取： 計算特徵向量 $\mathbf{F}_t$：RSI=28，MACD柱狀圖為負但上升，價格觸及保力加通道下軌，30日波動率 = 8%。
- 狀態分類： 基於2005-2019年數據訓練嘅聚類模型，接收 $\mathbf{F}_t$ 並將其分配至聚類#3，該聚類已被標記為「中等波動中超賣，伴有微弱下跌動量」。
- 情境感知預測： 基於注意力嘅預測器，現已特別針對「聚類#3」進行條件設定，分析過去20日數據。注意力層可能會賦予5日前同12日前較高權重，呢兩日具有相似嘅特徵分佈，並且隨後喺5日內出現2%嘅價格反彈。
- 輸出： 模型輸出一個高概率（例如，72%）嘅成功均值回歸交易（3日內價格升幅>1%）。呢個提供咗一個量化、情境豐富嘅信號，遠遠超越簡單嘅「RSI < 30」規則。
註： 呢個係一個概念性示例。實際模型邏輯將由其訓練參數定義。
9. 未來應用與方向
所提出嘅架構有以下有前景嘅擴展方向：
- 多資產與跨市場狀態： 將相同嘅聚類應用於相關資產（例如，主要外匯貨幣對、指數、商品），以識別全球金融狀態，改善系統性風險評估。
- 與另類數據整合： 將實時新聞情緒分數（來自NLP模型）或央行溝通語氣納入特徵向量 $\mathbf{F}_t$ 進行聚類，創造由技術同基本面條件共同定義嘅狀態。
- 強化學習 (RL) 整合： 使用聚類-注意力模型作為RL代理中嘅狀態表示模組，該代理學習針對每個識別狀態嘅最佳交易策略（入場、出場、倉位規模），從預測轉向直接策略優化。
- 面向監管嘅可解釋人工智能 (XAI)： 開發事後解釋界面，清晰顯示：「呢個交易信號被觸發，因為市場處於狀態X，並且模型聚焦於歷史模式A、B同C。」呢個對於受監管機構嘅採用至關重要。
- 自適應在線學習： 實施機制讓聚類模型能夠隨新數據增量更新，使其能夠實時識別並適應全新嘅市場狀態，減輕模型衰減嘅風險。
10. 參考文獻
- López de Prado, M. (2018). Advances in Financial Machine Learning. Wiley.
- Vaswani, A., et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems 30 (NIPS 2017).
- Borovkova, S., & Tsiamas, I. (2019). An ensemble of LSTM neural networks for high-frequency stock market classification. Journal of Forecasting, 38(6), 600-619.
- Zhu, J.-Y., et al. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. IEEE International Conference on Computer Vision (ICCV).
- Murphy, J. J. (1999). Technical Analysis of the Financial Markets. New York Institute of Finance.
- Investopedia. (n.d.). Technical Indicators. Retrieved from https://www.investopedia.com.