深度学习黑箱模型白箱化：从技术指标理解神经网络

简单移动平均把一个历史窗口中的价格按等权方式汇总。若窗口为n，每项权重为1/n，窗口向前移动时重复同一套局部计算。从“局部输入加权聚合”的角度，它与一维卷积层共享了可以对照的计算结构。

真正落到程序时，需要明确窗口里每个位置对应哪一个时点，当前价格何时可用，以及输出信号什么时候允许成交。深度学习框架中常见的Conv1d运算通常按互相关方式实现，核的方向和数据排列也需核对；不能因为都叫卷积，就跳过索引与时间边界检查。

这种结构视角带来的学习价值，是将指标从一条图上的线，变成一份可以复算的输入、权重和输出约定。改变权重或窗口，本质上是在改变所保留的局部信息。

指数移动平均可以用递归平滑表示，也可以展开为对历史信息逐渐衰减的权重。展开时，初始化项和有限历史长度仍然存在；数据不足、截断与预热长度，都可能造成研究与实时计算的差异。

MACD中的快慢EMA差值，可以理解为两种记忆尺度的对比。继续平滑差值，又形成下一层处理。与其只记住指标名称，更值得检查每一层取了什么输入、保留了什么时间尺度，以及不同实现是否采用相同初始化规则。

这也是将指标资产化时应保存的内容：公式之外，还要保存预热、缺失处理、窗口边界与输出时点。否则即使两份代码使用相同名称，也可能产出不同的交易信号。

RSI涉及价格差分、上涨与下跌分支、平滑以及相对强弱的比值变换。不同实现可能采用不同平滑定义，需要先约定版本。它适合用来说明多阶段运算怎样组合，不能直接等同于一个线性加权窗口。

这种分解让学习者区分线性聚合、状态更新与非线性变换。每一层都能写出输入输出，并独立核对异常值、零分母和边界条件；组合之后仍需检查整个信息流是否遵守时序。

因此，从指标走向网络，不是把所有经典公式都改写成同一类卷积，也不是凭结构相似就证明二者拥有相同预测能力。重要的是建立可比较的运算语言。

传统指标常由研究者指定窗口与权重；卷积网络则在给定训练目标、数据与约束下，学习局部滤波器，并可通过多层非线性形成更复杂的特征。结构表达能力更强，也意味着更多可调自由度和更严格的验证要求。

需要分别检查标签定义、输入时点、标准化拟合范围、训练切分、超参数选择和最终测试。若预处理提前看到了未来数据，再精巧的网络结构也无法挽救这份评价。模型输出还要经过持仓与执行映射，才能讨论交易约束。

本文不采用课件中演示性绩效对比作为已验证的实盘证据。学习者应对照自己的数据版本、成本假设和独立复核结果，判断模型是否带来新增信息。

在AI量化邹老师的课程框架中，元因子理论与“深度学习黑箱模型白箱化”共同引导学习者回到因子与模型的底层构造：输入是什么、操作怎样组合、哪些部分由先验指定、哪些部分从样本中学习，以及结论在何种条件下可以继续使用。具体定义与操作边界应以对应课程讲义为准。

因子工程设计卓越班侧重指标资产化、算子契约、受控候选生成、可信审计与研究交付；因子工程评估大乘班进一步关联深度学习融合、样本外验证、稳健性与海量因子科学评估。读懂结构与检验证据，应作为连续的学习过程。

本导读对应《卷积深度网络与量化交易》8页交互课件，包含SMA、EMA、MACD、RSI与卷积网络的教学演示。可在学院公开课课件栏目找到该课件，操作演示后，再从下方入口查看系统课程。