3. 量价信号的核心概念
在深度学习量价建模中，模型并不是直接“看懂”K线，而是从价格与成交量序列中提取可学习的统计结构。要设计有效的特征、标签与损失函数，必须先建立一套统一的信号语言。本节把量价信号拆成七个核心概念：趋势、动量、反转、波动率、流动性、买卖压力与量价关系。它们既是特征工程的语义来源，也是模型输出解释与风控约束的依据。
一、核心原理：七个概念分别刻画什么
趋势描述价格在一段时间内的方向性与持续性，通常用均线斜率、通道位置或回归斜率度量。动量描述价格变化的速度与强度，强调“最近一段涨跌有多快”，常用收益率、ROC、RSI 或 MACD 柱体表达。反转描述趋势由强转弱或由弱转强的拐点概率，常通过背离、超买超卖、量价背离来捕捉。波动率描述收益的不确定性，是仓位与止损的核心参数，可用真实波幅 ATR、已实现波动率或 GARCH 类估计。流动性描述在不大幅冲击价格的前提下可成交的能力，常用成交额、换手率、买卖价差与 Amihud 非流动性指标衡量。买卖压力描述主动买盘与主动卖盘的相对强弱，可由逐笔成交方向、盘口失衡或量价配合推断。量价关系则是前六者的“耦合器”：同样的涨幅，放量与缩量代表完全不同的市场含义。
二、方法流程：从原始序列到可建模信号
把上述概念落地为模型输入，建议遵循以下流程，避免把不同语义的信号混在同一尺度里。
- 对齐与清洗：统一时间戳，处理停牌、涨跌停与集合竞价，避免未来函数。
- 构造基础量价字段：收益率、成交量、成交额、换手率、振幅、主动买卖量。
- 按概念分组派生特征：趋势组、动量组、反转组、波动率组、流动性组、压力组。
- 标准化与中性化：做截面排序或滚动 z-score，剔除行业与市值暴露。
- 标签设计：用未来收益、未来波动或反转概率作为监督目标，并明确预测周期。
- 模型训练与解释：用树模型或时序网络学习非线性耦合，再用特征重要性与注意力回看验证语义。
下面是一段特征构造的伪代码，展示如何把概念映射为字段，而不是直接堆砌指标。
# 输入: df[timestamp, open, high, low, close, volume, amount, active_buy, active_sell]
ret = close.pct_change() # 动量基础
trend = close.rolling(20).apply(slope) # 趋势: 20期回归斜率
mom = close.pct_change(5) # 动量: 5期收益
rev = -close.pct_change(3) # 反转: 短期反向
atr = (high - low).rolling(14).mean() # 波动率
illiq = abs(ret) / (amount + 1e-9) # 流动性: Amihud
pressure = (active_buy - active_sell) / (active_buy + active_sell)
vp_corr = corr(ret, volume.pct_change(), 20) # 量价关系: 滚动相关
三、案例/场景：同一根阳线，四种量价含义
假设某标的当日上涨 3%，仅看价格无法判断信号质量，必须结合成交量与位置。下表给出四种典型组合及其建模含义。
| 场景 | 价格位置 | 成交量 | 信号解读 | 建模建议 |
|---|---|---|---|---|
| 放量突破 | 箱体上沿 | 显著放大 | 趋势启动，买压强 | 趋势+压力特征加权 |
| 缩量新高 | 历史高位 | 明显萎缩 | 动能不足，易反转 | 提高反转组权重 |
| 放量滞涨 | 上涨中继 | 放大但涨幅小 | 抛压出现，分歧加大 | 波动率与压力联合建模 |
| 缩量回调 | 上升趋势中 | 温和缩小 | 健康换手，趋势延续 | 趋势特征保持正向 |
在深度模型中，这四类场景不应只靠人工规则区分，而应让网络在趋势、动量、波动率与压力特征的联合空间中自动学习。例如用一维卷积提取局部量价形态，再用注意力机制对关键交易日加权，最后用多任务头分别预测收益方向与波动幅度。
四、误区与复盘：量价建模中最容易犯的错
- 把相关当因果：量价相关高不代表放量一定推动上涨，需区分同步与领先滞后。
- 忽略流动性分层：小市值标的的放量可能只是流动性冲击，不能直接解读为买压。
- 波动率与趋势混用：高波动不等于强趋势，二者需分别建模再耦合。
- 标签周期错配：用日频反转信号预测周频收益，会导致信号衰减与回测虚高。
- 未来函数泄漏：用当日收盘后才知道的成交量去预测当日收益，是最常见的隐性错误。
五、概念关系总览
下图把七个概念组织为“输入—耦合—输出”的结构：趋势、动量、反转、波动率、流动性、买卖压力作为六类可观测信号，量价关系作为耦合层，最终服务于方向预测、波动预测与风险控制。