1. 緒論
外匯市場作為全球最大的金融市場，為投資者提供了高收益機會，同時也伴隨著顯著風險。傳統的技術分析往往無法考量行政干預或突發的地緣政治事件，因此需要更具適應性的預測模型。本研究針對此缺口，提出一種新穎的機器學習/深度學習框架，該框架利用聚類與注意力機制進行事件驅動的價格預測，特別針對超賣市場情境。該模型使用2005年至2021年的歷史外匯數據及衍生出的技術指標，旨在為銀行、避險基金及其他利害關係人提供一種工具，以多元化交易策略並產生穩定利潤。
2. 相關文獻
2.1 技術指標
技術指標是基於歷史價格、成交量或未平倉合約數據的數學計算，用於預測金融市場方向。它們是許多演算法交易策略的基礎。
2.1.1 相對強弱指數 (RSI)
RSI 是一種動量震盪指標，用於衡量價格變動的速度與變化。它主要用於識別超買或超賣狀態。
公式： $RSI = 100 - \frac{100}{1 + RS}$，其中 $RS = \frac{\text{N 期內平均漲幅}}{\text{N 期內平均跌幅}}$。
RSI 值低於 30 通常表示超賣狀態（潛在買入機會），而高於 70 則表示超買狀態（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)、平滑異同移動平均線 (MACD)
SMA： 特定週期內證券價格的算術平均數。$SMA = \frac{\sum_{i=1}^{N} P_i}{N}$。
EMA： 一種移動平均線，對最近的數據點賦予更大的權重和重要性。$EMA_{\text{today}} = (Value_{\text{today}} \times (\frac{2}{N+1})) + EMA_{\text{yesterday}} \times (1 - (\frac{2}{N+1}))$。
MACD (平滑異同移動平均線)： 一種趨勢追蹤動量指標。$MACD = EMA(12) - EMA(26)$。訊號線通常是 MACD 的 9 日 EMA，用於產生買賣訊號。
2.1.3 布林通道
布林通道由一條中軌（SMA）和兩條繪製於其上下標準差水平的外軌組成。通道會隨著市場波動性動態擴張與收縮。價格移動至通道外可能預示趨勢的延續或反轉，而「擠壓」（通道收窄）通常預示著高波動時期的到來。
3. 核心洞見與邏輯流程
核心洞見： 本文的基本主張是，結合無監督學習（聚類）來識別不同的市場狀態（例如，高波動、趨勢、盤整），並在這些狀態內使用基於注意力的監督式模型進行時間模式識別，相較於單獨使用任一種方法，能為外匯預測提供更優越的框架。這種混合架構隱含地承認，技術指標的預測能力並非靜態，而是取決於市場狀態——這個概念在量化金融文獻中（例如 Hamilton (1989) 推廣的狀態轉換模型）有充分支持。
邏輯流程： 模型的流程在邏輯上是合理的：1) 特徵工程： 將原始價格數據轉換為豐富的技術指標集（RSI、MACD、布林通道）。2) 狀態識別： 對這些特徵應用聚類演算法（例如 K-Means、DBSCAN），將歷史數據分割成離散的行為狀態。3) 聚焦預測： 為每個識別出的聚類分別訓練基於注意力的神經網路（例如 Transformer 或帶有注意力機制的 LSTM）。注意力機制允許模型動態權衡不同過去時間步的重要性，這對於捕捉「超賣」事件前的發展至關重要。4) 事件驅動訊號： 最終輸出是針對特定市場狀態量身訂製的預測，專注於價格從超賣狀態反轉的機率或幅度。
4. 優點與缺陷
優點：
- 情境感知建模： 聚類步驟是引入非線性和情境的一種務實方法，超越了「一體適用」的模型。
- 聚焦超賣情境： 針對特定、定義明確的市場條件（超賣）進行預測，比通用的趨勢預測更易處理且潛在獲利更高。
- 利用成熟指標： 建立在廣為接受的技術分析語言之上，使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）卻未明確討論穩健的樣本外測試、向前滾動分析或狀態穩定性，是一個重大警訊。模型可能只是記住了從未重複的過去模式。
- 黑箱複雜性： 雖然注意力機制提供了一定的可解釋性，但聚類與深度學習的結合創造了一個複雜的系統。向風險管理人員即時解釋為何產生賣出訊號將具有挑戰性。
- 缺乏替代數據： 模型僅依賴價格衍生的指標。它忽略了摘要中承諾的「事件驅動」面向——沒有納入新聞情緒、央行溝通或訂單流數據，而這些對於所述目標至關重要。
- 缺乏基準比較： PDF 摘錄顯示沒有與更簡單的基準模型（例如，純 RSI 策略、簡單的 LSTM）進行比較。沒有這一點，複雜混合架構的附加價值就無法得到證實。
5. 可行洞見
對於評估此方法的量化分析師與基金經理人：
- 從簡單開始，再複雜化： 在實施此混合模型之前，應嚴格地將一個調校良好的純注意力模型（例如 Transformer）與所提出的聚類-注意力模型進行基準比較。性能提升必須能證明操作與解釋複雜性的合理性。
- 納入狀態驗證： 實施一種機制來驗證識別出的聚類在即時數據中的持續性。一個基於已不存在之舊狀態訓練的模型是危險的。
- 彌合事件缺口： 整合一個輕量級的新聞/情緒分析模組。像 FinBERT（一個針對金融文本微調的 BERT 模型）這樣的工具，可以解析聯準會聲明或路透社頭條新聞，以提供本文提及但缺乏的「事件」情境。
- 聚焦風險管理： 不僅將模型的聚類分配用於預測，還用於動態部位規模調整。在歷史上不明確或波動性高的聚類中，分配較少的交易資金。
本質上，本文提出了一個概念上吸引人的架構，但它是一個起始藍圖，而非一個已完成、可部署的系統。其真正價值在於它所建議的框架，而這個框架必須透過嚴謹的金融數據科學實踐來強化。
6. 技術細節與數學公式
所提出模型的技術核心在於其兩階段架構：
第一階段：市場狀態聚類。 給定時間 $t$ 的技術指標多元時間序列 $\mathbf{X}_t = [x_t^1, x_t^2, ..., x_t^m]$，一個聚類演算法 $C$（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 $k$ 代表一個獨特的市場狀態（例如，「強勁上升趨勢」、「高波動性」、「超賣盤整」）。
第二階段：特定聚類注意力網路。 對於每個聚類 $k$，訓練一個帶有注意力機制的獨立神經網路 $f_k$。對於長度為 $L$ 的序列，模型接收輸入 $\mathbf{X}_{t-L:t}$ 並計算一個上下文向量 $\mathbf{c}_t$，作為隱藏狀態 $\mathbf{h}_i$ 的加權和：$\mathbf{c}_t = \sum_{i=t-L}^{t} \alpha_i \mathbf{h}_i$。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 $\mathbf{s}_{t-1}$ 是網路的前一個狀態。這使得模型能夠專注於對預測 $\hat{y}_t = f_k(\mathbf{c}_t)$（例如價格反彈的機率）最相關的過去時期。
7. 實驗結果與圖表分析
假設性結果（基於論文方向）： 一個執行良好的此類模型在歐元/美元測試集上可能會顯示以下結果：
- 圖表 1：狀態識別： 一個時間序列圖，價格走勢按聚類分配著色。可以看見不同的時期：藍色代表「平穩趨勢」，紅色代表「高波動超賣」等。這從視覺上驗證了聚類步驟。
- 圖表 2：按狀態劃分的模型表現： 一個長條圖，比較特定聚類注意力模型與全域（非聚類）注意力模型的夏普比率或準確率。關鍵發現將是在「超賣」狀態（聚類 2）中的優越表現，而在其他狀態中僅有邊際改善或負面改善，從而證明了此目標方法的合理性。
- 圖表 3：注意力權重視覺化： 針對一次成功預測超賣反彈的具體案例，一個熱力圖顯示了前 50 根 K 棒上的注意力權重 $\alpha_i$。高權重將集中在 RSI 首次跌破 30 及隨後盤整的 K 棒周圍，展示了模型對關鍵事件序列的「關注」。
缺失的關鍵指標： 論文必須報告基於模型訊號的模擬交易策略的最大回撤和損益曲線，而不僅僅是預測準確率。一個在災難性回撤期間觸發的高準確率模型是無用的。
8. 分析框架：概念性案例研究
情境：預測英國脫歐新聞衝擊後英鎊/美元的反轉。
- 特徵計算： 在分鐘級別的英鎊/美元數據上，計算 14 期 RSI、MACD (12,26,9) 和布林通道 (20,2)。
- 狀態分配： 基於歷史數據訓練的聚類模型，將當前市場狀態識別為「聚類 5：新聞誘發的超賣波動」。此聚類的特徵是 RSI < 25、布林通道擴張以及高 MACD 背離。
- 特定聚類預測： 專門針對「聚類 5」歷史實例訓練的注意力網路被啟動。它分析導致此點的指標序列。注意力機制對新聞頭條發布後（急跌）的價格 K 棒以及隨後 5 根盤整 K 棒賦予了高權重。
- 訊號生成： 網路輸出在接下來 30 分鐘內價格反彈 >0.5% 的高機率（例如 78%）。這觸發了演算法交易系統的「買入」訊號。
- 驗證： 交易的成敗不僅根據獲利能力評估，還要根據市場在整個交易期間是否保持在「聚類 5」中來評估，從而驗證狀態假設。
9. 應用展望與未來方向
短期應用（1-2 年）：
- 增強型交易機器人模組： 整合為現有零售或機構演算法交易平台中的專門「超賣掃描器」模組。
- 風險儀表板元件： 由銀行交易部門使用，監控主要貨幣對的即時聚類分配，為轉向高波動狀態提供早期預警系統。
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，讓市場狀態的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）和宏觀經濟數據流的獨立模型融合，使用類似於多模態 AI 研究中的晚期或早期融合技術。
- 強化學習 (RL) 用於交易執行： 使用聚類-注意力模型的預測作為 RL 代理的「狀態」輸入，該代理學習針對每個狀態的最佳進場、出場和部位規模調整策略，從預測邁向完整的決策制定。
- 可解釋人工智慧 (XAI) 整合： 採用 SHAP 或 LIME 等技術為個別預測生成事後解釋，這對於監管合規和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. （注意力機制的基礎）。
- 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. （關於技術指標的學術驗證）。
- 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/配對數據框架的範例，在概念上類似於此處的狀態發現目標）。