策略探索：形态识别结合多模态舆情分析

形态识别

• 传统思路：通过定义特定K线形态规则（如头肩顶、头肩底等）结合相关性、欧氏距离等方法寻找历史相似形态，但存在规则单一、主观性强、适应性差等问题。
• 动态时间规整（DTW）：用于衡量时间序列相似度，处理时间序列的伸缩和变形，通过引入额外时间维度找到最优对齐路径，减少噪声并保留主要特征，提高形态识别的准确性。

情绪识别

• 盘后信息缺失：仅使用日内信息构建形态识别因子，次日开盘交易效果显著下降（累计收益从94%下降至71%）。
• 情绪衡量方式：包括投资者情绪调查、基于盘中交易行为数据的方法、利用非传统数据源（如社交媒体）的方法。
• 基于盘中交易数据的情绪：通过降维技术提取多个情绪代理指标的共同信息，获得提纯的投资者情绪，增强预测性能。

多模态舆情分析

• 媒体信息爬取：
  • 视频模态：通过人脸检测、面部关键点检测、动作单元（AU）识别、情绪分类等技术，构建“积极”和“消极”金融表情指标，分析公众媒体情绪。
  • 音频模态：使用Whisper模型进行语音转文本，再通过微调BERT预训练模型进行情绪分类。
  • 文本模态：抓取评论并预测分类，根据阅读量和评论数量加权处理。
• 多模态组合：采用特征级融合、决策级融合、模型级融合等方法，综合不同模态的信息。
• 预测分析：视频情绪和文本情绪对价格有显著影响，多模态组合策略回测效果优于单一模态策略。

核心观点与结论

• 盘后非量价信息是金融市场“第二战场”的核心要素，其价值密度和决策影响力超过盘中交易数据。
• 传统技术分析忽略了市场情绪，利用AI获得盘后有效信息，结合盘中‘冷数据’与情绪‘热信号’，提高策略解释力。
• 多模态舆情分析能有效识别和利用公众媒体情绪，提升策略性能。