让机器自动识别K线形态究竟难在哪儿

在股市中，K线形态分析是技术分析的重要组成部分。

它通过对市场横向运动时形成的各种价格形态进行分析，推断出市场现存的趋势将会延续或反转。

不论是公司的经营状况，还是主力的意图，最终在K线图上都会一览无余。一切股票信息中，形态的形成是成本较高的一种。不论是正常的走势还是被主力“加工”过的形态，都是实实在在用钱堆出来的，这远比制造一份财务报表、发布一个公告的成本要高。

很多老股民，为了从K线中捕获那千载难逢的好时机，蹲在屏幕前，不吃不喝不上厕所。长期下来，费眼、费神、费脑，但还是没办法看全。为啥?

因为实在是看不过来。3000多只股票，又分成日线、周线、月线、60分钟、30分钟、15分钟、5分钟，至少7个级别，总共一天要看2万多K线图。不但正常人做不到，正常的机器人也做不到。因为机器人虽然算数比人快，却没有老股民的眼力。

把老股民的眼力传授给机器人，究竟难在哪里?

来看一个实例，这是一个简化后的双底结构示意图，俗称“W”底。

注释：图中为了简化，将颈线画成水平的，实际还要复杂很多。

这样一个在专业技术股民眼里并不复杂的形态，让机器人能描述它就颇为复杂。需要定义各种局部转折点和关键转折点，并需要自动识别出这些转折点。这就好像人们看天上的云彩，可以把云彩比作大象、犀牛或者各种化身，因为这些化身的形象已经深入人心。但人脑中形成这些形象，或者说得学术一点，形成这些模式的过程，可是经历了长期的学习和训练。

专业股民在看K线形态时，往往也融入了自己的理解。比如某些老司机专门关注圆形底结构，那么，他在长期的实践中，专门训练出识别圆形底形态的能力，而自动忽略掉其它的形态。而在实际中，各种形态结构往往是嵌套出现的，相互之间有局部重叠。这就给机器自动识别又增加了难度。

采用完全参数化、结构化的方法进行自动识别，缺乏自适应性，往往造成漏检。但如果放宽条件，引入统计方法进行更模糊的匹配，甚至采用深度学习框架，又需要考虑计算复杂度和实时性等问题的平衡。举个例子。一只股票，每天的tick数据点平均有4000多个。如果采用3000只股票累积五年的数据作为训练数据，则这个集合里包含了150亿个数据点。要对这些数据进行清理、预处理、特征提取，再放入各种分类器里进行测试。这是个浩大的工程，即使对于一个服务器集群，也是一个不小的体力活。为了测试不同算法的效果，从中精选出最稳定的模型，甚至需要工程师们自己动手改造基于GPU的定制硬件，才不至于把服务器跑瘫痪。

检测到形态的结构，还只是一个开始。在实际操作中，老司机会根据形态自身的指标，结合对大盘行情趋势的判断，以及个股基本面、资金面、消息面等综合信息，决定采取什么策略。比如是等待形态彻底完成突破后入场，还是在形成突破之前搏一个更大的收益。这些都需要长期的经验积累，俗称盘感。在形态自动识别的基础上，需要尽量把这所谓的盘感也进行量化，才能输出更具实战指导意义的信号。

疯牛形态这款公众号产品的研发，就是要充当老司机的双眼和大脑，为用户筛选符合圆形底、头肩等十几种常用形态的股票，方便采用技术指标进行投资的用户参考。同时，实时进行形态结构信号预警，大大提高了技术派用户盯盘和进行复盘的效率。