精读 3.2:一根 K 线变五个数
这是整篇论文最“K 线专属”的一节。做完这一节,你能写出公式 (3),说出三条性质各解决了什么,并用消融数字说明这个设计值多少。
先读问题:原始 OHLCV 为什么不行
论文第一段说了三件事:
- 不同品种的绝对价格差三个数量级(几块钱到几千块)
- 不同粒度的波动水平不同
- 成交量的单位因市场而异(股、手、币)
最关键的是第三句:就算把每个品种标准化到零均值,问题也没解决。两只股票标准化后的开盘价可以一样,但它们“影线和价格的比例”可能完全不同。也就是说,K 线的形状信息在“绝对数值”里是藏着的,减均值除方差也挖不出来。
公式 (3)
每根 K 线 t 变成一个五维向量:
| 分量 | 公式 | 含义 |
|---|---|---|
r_gap | ln(O_t / C_{t−1}) | 跳空:今天开盘相对昨天收盘 |
r_body | ln(C_t / O_t) | 实体:收盘相对开盘 |
r_up | ln(H_t / max(O_t, C_t)) | 上影线:最高价相对实体上沿 |
r_dn | ln(min(O_t, C_t) / L_t) | 下影线:实体下沿相对最低价 |
v_t | ln((V_t + 1) / (E_t + 1)) | 量:成交量相对它的指数移动平均 |
E_t 是“严格因果”的成交量均线:只用 t 之前的成交量,不偷看当根。代码里是 compute_volume_ema,第 0 根的均线就是它自己的成交量,所以 v_0 = 0。
在第一章你已经拖过这个:
r_gap跳空今天开盘比昨天收盘+2.0%r_body实体收盘比开盘+3.8%r_up上影线最高比实体上沿+2.8%r_dn下影线实体下沿比最低+2.0%v量成交量比它最近的均量+40.5%五个数都是“比例”的对数。上影线、下影线永远 ≥ 0,所以生成出来的 K 线不会出现“最高价比收盘还低”。
三条性质,每条解决一个问题
(i) 可逆。 知道前一根收盘 C_{t−1},五个数用一串指数就能精确还原 O、H、L、C、V:
O = C_{t−1} · exp(r_gap),C = O · exp(r_body)H = max(O, C) · exp(r_up),L = min(O, C) · exp(−r_dn)
没有信息损失。这正是论文和 Kronos 那种“量化成离散 token”的根本区别,也是贡献里“不需要分词器”的意思。代码:invert_features。
(ii) 与尺度无关。 每个分量都是两个同类量之比的对数。价格整体乘以任何数、成交量整体乘以任何数,五个数都不变。所以 5 块的股票和 2000 块的股票、A 股和比特币,能放进同一个模型。
(iii) 结构上合法。 r_up 和 r_dn 按定义 ≥ 0。生成时把它们截到 ≥ 0,还原出的 K 线就一定满足 H ≥ max(O, C)、L ≤ min(O, C)。不会出现“最高价比收盘价低”的怪 K 线。
标准化:MAD 加 tanh
最后一段只有一句话,但很重要:每个分量按(市场, 粒度, 特征)用稳健统计量缩放,再用 tanh 软截断,“既稳定训练,又不丢弃异常值”。
展开说(代码 kit_v1/data/normalize.py):
- 尺度 s = 1.4826 × MAD。MAD 是“和中位数的绝对偏差”的中位数,乘 1.4826 是为了在正态分布下和标准差一致。用 MAD 而不是标准差,是因为涨停、闪崩这些极端值会把标准差撑得很大,MAD 不受影响。
- y = 6 · tanh(x / s / 6):|x/s| 小的时候几乎不变,特别大的被平滑地压到 ±6 以内。
- 统计量只在训练期上算(论文 4.1 节强调“无泄漏”),存在
stats.json。
证据:附录 E 表 9
只换输入表示、其他全部不变,七种粒度平均的收益 RankIC:
| 每根 K 线的表示 | 平均收益 RankIC |
|---|---|
| 五维对数比例(KiT) | 0.0571 |
| 标准化后的原始 OHLCV | 0.0209 |
| 只用收盘价的对数 | 0.0183 |
读这张表:换回原始 OHLCV(哪怕做了稳健标准化),RankIC 掉到不到原来的四成;连开高低和成交量都扔掉、只留收盘价,再掉一点。论文的解释是:原始数值丢掉了 K 线“相对形状”这层信息。
这是整篇论文里单个设计带来的最大差距。
考考你为什么“把每只股票标准化到零均值单位方差”不能代替五维对数比例?
检查一下
- 我能写出五个分量的公式
- 我能说出可逆、尺度无关、结构合法各解决了什么
- 我能用表 9 的数字说明这个表示的价值
下一节:精读 3.3–3.4:结构和条件注入。