◈13|AI之眼看K线:多模态大模型的降维打击

13|AI之眼看K线:多模态大模型的降维打击

你好,我是陈旸。

在之前的几讲中,我们学习了缠论的笔、线段、中枢。不管我们把定义做得多么严谨,写成代码时,总会遇到一个尴尬的问题:“虽然它不符合定义的每一条细则,但它看起来就是个中枢啊!”

人类的大脑处理图形,靠的不是尺子量,而是模式识别。你不需要测量朋友两眼之间的距离是6厘米还是6.5厘米,你一眼就能认出他。同样,老交易员不需要计算均线有没有死叉,一眼扫过去,就能感觉出“这走势不对劲,像是个断头铡刀”。

这种盘感,以前被认为是玄学,是量化交易的禁区。但今天,随着计算机视觉和多模态大模型的爆发,量化交易迎来了新的维度。我们不再需要告诉计算机什么是顶,我们直接扔给它一张K线图,问它:“你看到了什么?” 就可以了。这一讲,我们将揭开AI之眼的神秘面纱。

从盲人摸象到上帝视角

1. 传统量化的局限:盲人摸象

传统的量化策略(比如我们之前讲的均线策略),本质上是盲人摸象。代码只能读取开高低收(OHLC)这四个数字。if Close < MA20 and Open > MA20: 这行代码在判断跌破均线。但它不知道这根K线是长什么样的?是带着长长的下影线(探底回升)?还是光头光脚的大阴线(空头屠杀)?为了描述形状,程序员要写几百行代码来定义“上影线长度 > 实体长度的2倍”。这太累了,而且很僵化。

2. 计算机视觉(CNN):像素级的洞察

计算机视觉的核心技术是卷积神经网络(CNN)。它处理K线图的方式,和处理猫狗照片的方式一模一样。它不看数字,它看像素。

  • 卷积(Convolution):就像拿着放大镜在图片上滑动,提取特征(横线、竖线、拐角)。

  • 池化(Pooling):把特征压缩,忽略细节,保留骨架。

  • 全连接:把骨架拼起来,判断这是猫还是狗,或者是“头肩顶”。

在CNN眼里,K线图就是一张张像素点阵。你不需要定义什么是“W底”。你只需要喂给它1万张W底的图片,告诉它“这是W底”。训练完后,它就能在第10001张图中,精准地圈出那个W底,哪怕这个W底稍微有点歪,或者多了一根杂乱的K线。这就是模糊识别的能力。它让量化策略拥有了容错率。

实战演练:用YOLO捕捉缠论中枢

在工业界,最著名的目标检测算法叫 YOLO (You Only Look Once)。它的速度极快,常用于自动驾驶汽车识别行人。在量化实战中,我们用它来识别交易形态。

1. 训练一个缠论猎手

我们不需要写那几百行复杂的递归代码来找中枢。我们可以这样做:

  • 标注:找几个懂缠论的老手,在几千张K线图上,用鼠标框出所有的中枢、三买点。

  • 训练:把这些标注好的图喂给YOLO模型。

  • 推理:把实盘的实时K线截图扔给模型。

2. 效果震撼

训练好的模型,会在K线图上自动画出一个个红色的方框(中枢),并标记出置信度:

  • Box: Central Pivot, Confidence: 0.95

  • Box: 3rd Buy Point, Confidence: 0.88

这不仅解决了千人千缠的问题,更重要的是,它能捕捉到那些非标准但神似的机会。有些走势,按照严格数学定义,因为差了1分钱而不算中枢破坏,但在视觉上已经明显破位了。AI视觉模型能像老手一样,忽略那1分钱的噪音,直接发出卖出信号。

降维打击:多模态大模型的崛起(Qwen实战案例)

如果说CNN只是眼睛,能看到形状;那么多模态大模型(如Qwen-Max, Claude 4.5)就是“眼睛 + 大脑”。它不仅能看图,还能阅读图上的文字(OCR),甚至能调用工具放大细节,并结合金融逻辑进行推理。

为了展示这种能力,我做了一个真实的实验。我将贵州茅台(600519)的周线图(包含均线、MACD、RSI等指标)投喂给了大模型 Qwen3-Max。我没有给它任何数字数据,只给了一张图 。 它的表现,堪称惊艳。

1. 它不仅仅是看,它在观察

Qwen的回复并非简单的看跌或看涨,它展现了一个专业分析师的思维过程:

  • 自主拆解:它没有急着下结论,而是说“我需要先仔细观察……然后放大特定区域”。

  • 工具使用:它发现低点看不清,竟然自主调用了 image_zoom_in_tool(虚拟放大镜),去聚焦2025年12月的低点区域。

  • 精准读数:通过OCR技术,它直接读出了图表上的关键价格支撑位 —— 1332.47。这在以前的纯视觉模型中是做不到的。

2. 它懂技术指标的含义

最让我震惊的不是它认出了指标,而是它理解指标之间的逻辑冲突:

  • 看均线:它识别出MA5 < MA10 < MA20,判定为空头排列,这是趋势看跌。

  • 看MACD:它敏锐地发现,虽然股价在跌,但MACD柱状图由绿转红。它推理出:短期下跌动能正在减弱,甚至可能出现了反弹迹象。这是底背离的雏形!

  • 看成交量:它注意到低点附近的成交量萎缩,并给出了观望情绪浓厚的心理侧写。

3. 它的结论:象牙塔外的智慧

Qwen最终给出的建议非常像一个成熟的投顾:

  • “短线交易者:关注1332.47支撑…放量突破MA5可轻仓参与。”

  • “中长线投资者:建议等待更明确的反转信号…均线多头排列。”

思考一下: 这只是一个通用的AI模型,它并没有专门针对茅台进行训练。但它通过阅读一张图片,提取出了支撑位、趋势、动能、量价配合等全维度的信息,并完成了逻辑闭环。这就是AI对传统量化策略的降维打击。

未来的交易员:双脑协同

看到这里,你可能会问:“那还需要我们写Python代码吗?直接发图给AI不就行了?” 别急,现阶段的多模态大模型还有两个短板:

  1. 慢:分析一张图需要几秒钟,做不了高频。

  2. 幻觉:偶尔会看错数字,或者把RSI看成CCI(就像Qwen在分析中也尝试了几次才定位准MACD)。

所以,未来的半人马交易系统应该是这样的:

1. 左脑(Python/C++):负责筛选

用传统的硬规则代码,快速扫描全市场5000只股票。

  • 筛选条件:均线多头排列 + 换手率 > 5%。

  • 结果:选出100只候选股。

2. 右脑(多模态AI):负责复核

把这100只股票的K线截图,批量发送给多模态大模型。

  • Prompt:“请像一位资深技术分析师一样,帮我看看这10张图,哪些形态最像‘空中加油’?哪些有潜在的顶背离风险?请打分。”

  • 结果:AI剔除了其中80只形态杂乱的,留下了20只形态完美的精锐。

3. 决策(人类):负责开枪

你只需要看这20只股票 。 你的工作效率提升了250倍。

AI量化策略建议

这一讲的内容可能有些科幻,但它正在发生。作为普通投资者,你可以怎么利用这个技术?

1. AI作为你的第二双眼睛

当你准备买入一只股票时,截个图。发给Qwen,问它:“请帮我客观分析这张图表的技术形态,有哪些我看不到的风险?” 由于人类有由爱生信的偏见(屁股决定脑袋),我们往往只看涨的信号。AI是冷血的,它会无情地指出:“MACD正在死叉,成交量在放大,这是出货信号。” 这能帮你省下很多冲动交易的钱。

2. 关注形态因子

在未来的量化实战中,不要只局限于收盘价这个单一数据。尝试引入视觉因子。比如:K线的斜率、图形的紧凑度、波动的平滑度。这些以前无法量化的特征,现在都可以通过卷积神经网络提取出来变成因子。

3. 别迷信,要验证

虽然Qwen的分析头头是道,但它也会犯错。目前的AI视觉,更多是用于辅助决策和初筛,绝对不能直接连接实盘账户进行全自动交易(除非你有极强的容错代码)。记住:AI负责看,你负责信不信。

课后思考题

找一张你被套牢的股票K线图,截屏。把它发给任意一个支持识图的AI大模型。看看它的分析,和你当初买入时的判断,有多少出入?是不是它看到了一些被你选择性忽略的危险信号?

下一讲,我们要从看回到做。如果你看准了趋势,看准了形态,你应该怎么上车?是像海龟一样突破就买?还是像鳄鱼一样等待回调?