1. 簡介
外匯市場作為全球最大嘅金融市場，為投資者帶嚟高回報機會嘅同時，亦伴隨住顯著風險。傳統技術分析往往未能考慮行政干預或突發性地緣政治事件，因此需要更具適應性嘅預測模型。本研究針對呢個缺口，提出一個新穎嘅機器學習/深度學習框架，利用聚類同注意力機制進行事件驅動嘅價格預測，特別針對超賣市場情景。該模型使用2005年至2021年嘅歷史外匯數據同衍生技術指標，旨在為銀行、對沖基金同其他持份者提供一個工具，以分散交易策略並產生穩定利潤。
2. 相關文獻
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數據嘅數學計算，用於預測金融市場方向。佢哋係許多算法交易策略嘅基礎。
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。主要用於識別超買或超賣狀況。
公式： $RSI = 100 - \frac{100}{1 + RS}$，其中 $RS = \frac{\text{N個週期內嘅平均收益}}{\text{N個週期內嘅平均損失}}$。
RSI值低於30通常表示超賣狀況（潛在買入機會），而高於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： 指定週期內證券價格嘅算術平均值。$SMA = \frac{\sum_{i=1}^{N} P_i}{N}$。
EMA： 一種移動平均線，對最新數據點賦予更大權重同重要性。$EMA_{\text{today}} = (Value_{\text{today}} \times (\frac{2}{N+1})) + EMA_{\text{yesterday}} \times (1 - (\frac{2}{N+1}))$。
MACD (移動平均收斂發散指標)： 一種趨勢跟蹤動量指標。$MACD = EMA(12) - EMA(26)$。信號線通常係MACD嘅9日EMA，用於產生買入/賣出信號。
2.1.3 保力加通道
保力加通道由一條中線（SMA）同兩條分別位於其上同下標準差水平嘅外帶組成。通道會隨市場波動性動態擴張同收縮。價格突破通道可能預示趨勢持續或逆轉，而「通道收窄」通常預示高波動期即將來臨。
3. 核心洞察與邏輯流程
核心洞察： 本文嘅基本主張係，結合無監督學習（聚類）嚟識別唔同市場狀態（例如，高波動、趨勢、區間震盪）同基於注意力嘅監督模型嚟識別呢啲狀態內嘅時間模式，相比單獨使用任何一種方法，為外匯預測提供咗一個更優越嘅框架。呢種混合架構隱含咗承認技術指標嘅預測能力並非靜態，而係取決於市場狀態——呢個概念喺量化金融文獻中得到充分支持，例如Hamilton（1989）推廣嘅狀態轉換模型。
邏輯流程： 模型嘅流程邏輯清晰：1) 特徵工程： 將原始價格數據轉化為豐富嘅技術指標集（RSI、MACD、保力加通道）。2) 狀態識別： 對呢啲特徵應用聚類（例如，K-Means、DBSCAN），將歷史數據分割成離散嘅行為狀態。3) 聚焦預測： 為每個識別出嘅聚類訓練獨立嘅基於注意力嘅神經網絡（例如，Transformer或帶注意力嘅LSTM）。注意力機制允許模型動態權衡唔同過去時間步嘅重要性，對於捕捉「超賣」事件嘅前奏至關重要。4) 事件驅動信號： 最終輸出係針對特定市場狀態量身定制嘅預測，專注於價格從超賣狀況反彈嘅概率或幅度。
4. 優點與缺陷
優點：
- 情境感知建模： 聚類步驟係引入非線性同情境嘅務實方法，超越咗一刀切嘅模型。
- 聚焦超賣情景： 針對特定、定義明確嘅市場狀況（超賣）比通用趨勢預測更易處理，且潛在利潤更高。
- 利用成熟指標： 建基於廣受認可嘅技術分析語言，令輸出對傳統交易者更具可解釋性。
缺陷與關鍵缺口：
- 數據窺探與過度擬合風險： 使用16年數據（2005-2021）而無明確討論穩健嘅樣本外測試、前向分析或狀態穩定性，係一個重大警號。模型可能只係記住咗永不再現嘅過去模式。
- 黑盒複雜性： 雖然注意力提供咗一定可解釋性，但聚類同深度學習嘅結合創造咗一個複雜系統。向風險管理人員實時解釋點解會產生賣出信號將具挑戰性。
- 缺乏另類數據： 模型僅依賴價格衍生指標。佢忽略咗摘要中承諾嘅「事件驅動」方面——無納入新聞情緒、央行通訊或訂單流數據，而呢啲對於既定目標至關重要。
- 無基準比較： PDF摘錄顯示無與更簡單嘅基線（例如，純RSI策略、簡單LSTM）進行比較。無此比較，複雜混合架構嘅附加價值就無法證明。
5. 可行見解
對於評估呢種方法嘅量化分析師同基金經理：
- 由簡入繁： 在實施呢個混合模型之前，嚴格地將一個調校良好嘅純注意力模型（例如，Transformer）與提議嘅聚類-注意力模型進行基準比較。性能提升必須能夠證明操作同解釋複雜性係值得嘅。
- 納入狀態驗證： 實施一種機制，驗證已識別聚類在實時數據中嘅持續性。一個基於已不存在嘅舊狀態訓練嘅模型係危險嘅。
- 彌合事件缺口： 整合一個輕量級新聞/情緒分析模組。例如FinBERT（一個針對金融文本微調嘅BERT模型）等工具，可以解析聯儲局聲明或路透社頭條新聞，以提供本文提及但缺乏嘅「事件」情境。
- 聚焦風險管理： 不僅將模型嘅聚類分配用於預測，仲用於動態倉位規模調整。對歷史上模糊或波動性高嘅聚類中嘅交易分配較少資金。
本質上，本文提出咗一個概念上吸引嘅架構，但佢係一個起始藍圖，而非一個已完成、可部署嘅系統。其真正價值在於佢建議嘅框架，該框架必須通過嚴格嘅金融數據科學實踐嚟加固。
6. 技術細節與數學公式
提議模型嘅技術核心在於其兩階段架構：
階段1：市場狀態聚類。 給定時間$t$嘅技術指標多元時間序列$\mathbf{X}_t = [x_t^1, x_t^2, ..., x_t^m]$，一個聚類算法$C$（例如，K-Means）將數據分割成$K$個聚類：$C(\mathbf{X}_t) = k$，其中$k \in \{1, 2, ..., K\}$。每個聚類$k$代表一個獨特嘅市場狀態（例如，「強勁上升趨勢」、「高波動性」、「超賣整理」）。
階段2：特定聚類注意力網絡。 對於每個聚類$k$，訓練一個帶有注意力機制嘅獨立神經網絡$f_k$。對於長度為$L$嘅序列，模型接受輸入$\mathbf{X}_{t-L:t}$並計算一個上下文向量$\mathbf{c}_t$作為隱藏狀態$\mathbf{h}_i$嘅加權和：$\mathbf{c}_t = \sum_{i=t-L}^{t} \alpha_i \mathbf{h}_i$。注意力權重$\alpha_i$由一個對齊模型計算：$\alpha_i = \frac{\exp(\text{score}(\mathbf{h}_i, \mathbf{s}_{t-1}))}{\sum_{j} \exp(\text{score}(\mathbf{h}_j, \mathbf{s}_{t-1}))}$，其中$\mathbf{s}_{t-1}$係網絡嘅先前狀態。呢個允許模型專注於對預測$\hat{y}_t = f_k(\mathbf{c}_t)$最相關嘅過去時期，例如價格反彈嘅概率。
7. 實驗結果與圖表分析
假設性結果（基於論文方向）： 一個執行良好嘅版本喺歐元/美元測試集上可能會顯示以下內容：
- 圖表1：狀態識別： 一張時間序列圖，價格走勢按聚類分配著色。可見唔同時期：藍色代表「平穩趨勢」，紅色代表「高波動超賣」等。呢個視覺上驗證咗聚類步驟。
- 圖表2：按狀態劃分嘅模型表現： 一張柱狀圖，比較特定聚類注意力模型與全局（非聚類）注意力模型嘅夏普比率或準確率。關鍵發現會係喺「超賣」狀態（聚類2）中表現更優，而喺其他狀態中只有邊際改善或負改善，從而證明針對性方法嘅合理性。
- 圖表3：注意力權重可視化： 對於一個成功預測超賣反彈嘅具體例子，一張熱力圖顯示前50根K線嘅注意力權重$\alpha_i$。高權重會集中在RSI首次跌破30及隨後整理K線附近，展示模型對關鍵事件序列嘅「專注」。
缺失嘅關鍵指標： 論文必須報告基於模型信號嘅模擬交易策略嘅最大回撤同盈虧曲線，而不僅僅係預測準確率。一個喺災難性回撤期間觸發嘅高準確率模型係無用嘅。
8. 分析框架：概念性案例研究
情景：預測英國脫歐新聞衝擊後英鎊/美元嘅反彈。
- 特徵計算： 基於分鐘級英鎊/美元數據，計算14週期RSI、MACD（12,26,9）同保力加通道（20,2）。
- 狀態分配： 基於歷史數據訓練嘅聚類模型，將當前市場狀態識別為「聚類5：新聞引發嘅超賣波動」。呢個聚類嘅特徵係RSI < 25、擴張嘅保力加通道同高MACD背離。
- 特定聚類預測： 專門針對「聚類5」歷史實例訓練嘅注意力網絡被激活。佢分析導致呢個點嘅指標序列。注意力機制高度權重新聞頭條衝擊後（急跌）嘅價格K線同隨後5根整理K線。
- 信號生成： 網絡輸出未來30分鐘內價格反彈>0.5%嘅高概率（例如，78%）。呢個觸發算法交易系統嘅「買入」信號。
- 驗證： 交易嘅成功與否不僅基於盈利能力評估，仲基於市場喺整個交易期間係咪保持喺「聚類5」，從而驗證狀態假設。
9. 應用前景與未來方向
短期應用（1-2年）：
- 增強交易機器人模組： 作為專門嘅「超賣掃描器」模組，整合到現有零售或機構算法交易平台中。
- 風險儀表板組件： 銀行資金部使用，監控主要貨幣對嘅實時聚類分配，為轉向高波動狀態提供預警系統。
未來研究與發展方向：
- 動態聚類數量（K）： 從靜態K-Means轉向狄利克雷過程混合模型或其他非參數貝葉斯方法，讓市場狀態數量由數據驅動並隨時間變化。
- 多模態整合： 將價格時間序列模型與處理文本（新聞、推文）同宏觀經濟數據流嘅獨立模型融合，使用類似多模態AI研究中嘅後期或早期融合技術。
- 強化學習（RL）用於交易執行： 使用聚類-注意力模型嘅預測作為RL代理嘅「狀態」輸入，該代理學習針對每個狀態嘅最優入場、出場同倉位規模策略，從預測邁向完整決策。
- 可解釋AI（XAI）整合： 採用SHAP或LIME等技術，為個別預測生成事後解釋，對於監管合規同交易員信任至關重要。
10. 參考文獻
- Hamilton, J. D. (1989). A new approach to the economic analysis of nonstationary time series and the business cycle. Econometrica, 57(2), 357-384. （關於狀態轉換模型）。
- Vaswani, A., et al. (2017). Attention is all you need. Advances in neural information processing systems, 30. （注意力機制基礎）。
- Molina, M., & Garza, L. (2020). FinBERT: A Pretrained Language Model for Financial Communications. Proceedings of the 28th International Conference on Computational Linguistics. （關於事件驅動文本分析）。
- Lo, A. W., Mamaysky, H., & Wang, J. (2000). Foundations of technical analysis: Computational algorithms, statistical inference, and empirical implementation. The Journal of Finance, 55(4), 1705-1765. （關於技術指標嘅學術驗證）。
- Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. Proceedings of the IEEE international conference on computer vision (pp. 2223-2232). （CycleGAN作為強大無監督/配對數據框架嘅例子，概念上類似於本文嘅狀態發現目標）。