技术指标网络 (TIN)：用于自适应算法交易的可解释神经网络架构现代化经典技术分析
机器学习
2025-12-16 v2 投资组合管理
摘要
深度神经网络 (DNN) 通过采用与特定领域结构模式相匹配的架构，已在计算机视觉和自然语言处理等领域取得变革性进展。然而在算法交易领域，仍缺乏能够直接融合传统技术指标逻辑的网络架构。本研究引入技术指标网络 (TIN)，这是一种结构化的神经网络设计，将基于规则的金融启发式方法转化为可训练且可解释的模块。该架构保留了传统指标的核心数学定义，同时将其扩展到多维数据并支持通过多样化学习范式（包括强化学习）进行优化。分析变换，如平均化、裁剪和比率计算，可表示为向量化层运算，使网络构建透明且具原则性初始化。该表述保留了经典策略的清晰度和可解释性，同时允许自适应调整和数据驱动的细化。在以道琼斯指数成分股为例的概念验证中，框架在移动平均收敛偏差 (MACD) TIN 上进行了验证。经验结果表明，相对于传统基于指标的策略，TIN 在风险调整后效能方面取得了改进。总体而言，研究表明 TIN 提供了一种可解释、自适应且可扩展的结构化决策领域学习架构的通用基础，并指出其在提升跨市场可见性和增强决策支持能力方面具有巨大的商业潜力。
引用
@article{arxiv.2507.20202,
title = {Technical Indicator Networks (TINs): An Interpretable Neural Architecture Modernizing Classic al Technical Analysis for Adaptive Algorithmic Trading},
author = {Longfei Lu},
journal= {arXiv preprint arXiv:2507.20202},
year = {2025}
}