主讲人：Leonhard 李天成 我们首先要达成一个共识：市场是不可被"精确预测"的。任何声称能预测明日确切涨跌幅的个体或系 统，本质上都游走在随机性与欺诈的边缘。我们的目标，从来不是成为一个水晶球，而是构建一个能够 以更高概率理解市场当前状态(State)并推断其短期演化方向的认知框架(Cognitive Framework)。 交易的本质，是在一个非平稳(non-stationary)、高噪音的随机过程中，寻找期望收益为正的决策机会。 传统的技术分析，无论是形态学还是指标，都是在尝试对这个过程进行降维观测，但这种降维是粗暴且 失真的。它忽略了驱动价格这个一维标量背后，那个高维的、由无数因子构成的潜在空间(Latent Space)。 一、从序列依赖到结构依赖：模型的范式演进 在深度学习的早期应用中，我们尝试用不同的模型去捕捉不同的数据依赖性。 λ_k(t) = μ_k + Σ ∫_0^t g_k,i(t-u) dN_i(u) CNN(卷积神经网络)，其核心是卷积核，本质上是一种 局部空间模式(local spatial pattern)的提取器。我 们将时间序列数据转化为图像矩阵(例如，使用Gramian ...