第71章 优化策略（1/2）
鹏城的夜晚，科技园区的灯火透过书房窗户，在林晨的电脑屏幕上投下斑驳光影。他盯着“PhoenixTrader”系统过去一周的详细交易日志，眉头紧锁。
836元的盈利，这个数字在家庭开销面前杯水车薪，但更让他警觉的是日志里那几笔亏损交易。
“问题不在盈亏本身”，林晨喃喃自语，手指在触摸板上滑动，“而在一致性”。
他调出系统的决策逻辑图。目前的核心模型是基于LSTM（长短期记忆网络）对股价时序数据进行预测，简单来说，就是让AI“记忆”历史走势规律来推测未来。但一周的回测和实盘数据显示，这种单一模型在震荡市中表现尚可，一旦遇到突发消息引发的剧烈波动——比如上周三那笔亏损-2.1%的交易——就容易“失灵”。
“就像只靠一条腿走路”，林晨揉了揉发涩的眼睛，起身去冲第二杯咖啡，“稳定性太差”。
厨房里，苏婉给乐乐辅导完功课，正收拾书包。见林晨出来，她轻声问：“又遇到难题了”？
“嗯，策略需要优化”。林晨往马克杯里倒热水，速溶咖啡的香气弥散开，“现在这个模型，太容易受噪声干扰”。
苏婉走过来，靠在水池边：“我不懂技术，但听起来，你是想让它更‘聪明’一点”？
“更‘稳健’一点”。林晨纠正道，“投资不是追求单次暴利，而是长期稳定盈利。现在的系统，胜率大概55%，最大回撤……”他调出手机上的计算器快速按了几下，“一周内就出现过2.1%，年化下来可能很吓人。这不行”。
“那你打算怎么改”？
“加‘拐杖’。”林晨喝了口咖啡，思路逐渐清晰，“不能只依赖一个AI预测模型。得引入那些被市场验证了几十年的技术指标，让它们和AI互相印证。就像……中医把脉还要结合现代仪器检查，多重验证”。
回到书房，林晨打开新的浏览器标签页。他需要快速补课。
MACD（指数平滑异同移动平均线）、RSI（相对强弱指标）、布林带（BollgerBands）……这些名词在炒股软件里常见，但他过去十年做跨境电商后台开发，对这些传统金融技术指标只是耳闻，从未深究。
“从头学”。他打开知乎、掘金、GitHub，搜索技术指标的Python实现原理。
MACD的核心是快慢均线的分离与聚合，用来判断趋势强度和转折；RSI衡量价格变动速度，评估超买超卖；布林带则通过标准差构造通道，反映价格波动区间和突破信号……
林晨一边查资料，一边在JupyterNotebook里写测试代码。他先尝试用ta-lib库（一个金融技术分析函数库）直接计算这些指标。
iporttalib
iportnupyasnp
#假设close_prices是收盘价序列
close_prices=np.array([...])
#计算MACD
acd,acd_signal,acd_hist=talib.MACD(close_prices)
#计算RSI
rsi=talib.RSI(close_prices,tiperiod=14)
#计算布林带
upper_band,iddle_band,lower_band=talib.BBANDS(close_prices)
代码很简单，但关键是如何解读这些指标，并将它们转化为交易信号。
“不能简单看金叉死叉”。林晨翻阅着经典技术分析书籍的电子版，“这些指标都有滞后性，单独使用效果有限。但如果是多个指标在同一时间窗口内发出共振信号呢”？
他脑海中浮现出一个多因子决策框架。
假设AI的LSTM模型给出“看涨”概率为65%，这本身只是一个中等强度的信号。但如果此时MACD在零轴上方形成金叉，RSI从超卖区（低于30）回升至50以上，同时价格突破布林带中轨向上——多个技术指标同时转向积极，那么这笔交易的成功概率就可能大幅提升。
反之，如果AI看涨，但MACD死叉、RSI超买、价格触及布林带上轨，系统就应该忽略这个买入信号，甚至考虑反向操作。
“权重分配是个关键”。林晨新建了一个Excel表格，开始设计打分系统。
他将决策因子分为三类：
AI核心预测（权重40%）：LSTM模型输出的涨跌概率值。
趋势指标（权重35%）：MACD、均线系统等，判断大方向。
震荡指标（权重25%）：RSI、布林带等，判断短期位置和超买超卖状态。
每个类别下，不同的信号状态（如金叉、死叉、超买、突破等）赋予不同分值。最后加权求和，总分超过某个阈值（比如60分）才执行交易。
“这还不够”。林晨盯着表格，“阈值不能固定。牛市和熊市，震荡市和趋势市，市场情绪不同，阈值应该动态调整”。
他想起之前学机器学习时接触过的“自适应系统”。或许可以加入一个市场状态分类器？先用简单算法（比如波动率、均线排列）判断当前是趋势市还是震荡市，再根据不同的市场状态，微调决策模型的权重和阈值。
思路越来越多，林晨却感到一阵焦虑。复杂度在增加，而时间不等人。家庭存款还在缓慢消耗，每个月的房贷、生活费、乐乐的兴趣班费用……这些数字像背景音一样持续低鸣。
他深吸一口气，压下烦躁。
“代码可以骗人，但逻辑不会”。他对自己说，“一步步来。先实现多指标集成，回测看看效果”。
本章未完，点击下一页继续阅读。