最为常见的技术分析手段就是“看图”。由于人性相近，在相同的外部条件下，人们通常有相近的反应。这一切都会在图中表现出来。技术分析和相关的量价因子，在金融学界和投资界都有广泛的应用。

　　笔者过往的研究《挖掘资产定价中的隐式因子》，已着手使用机器学习的办法研究量价数据，特别是价格数据背后隐含的市场预期。对价格这样的纯一维数据，我们使用主成分分析（PCA）挖掘隐式因子的特征方向，使用稳健回归（Huber）估计隐式因子的风险溢价。

　　如果我们同时考虑量价二维数据，例如类似 K 线图的形式：

　　此时传统的量化方法无能为力，但我们可以训练神经网络从这些图片中找出能够预测未来收益的模式。

　　具体而言，我们将含有两条均线的K线图作为特征，股票收益作为标签，使用卷积神经网络（CNN）训练分类模型。在低价股这个样本中，我们使用2011年至2018年的数据训练模型，在2019年至2023年的数据进行推理。将预测结果视作因子值，预测未来一个月收益的IC均值约6.0%，IR约1.06。对预测结果用排序法检验，多空组合的年化收益率约26%，夏普比率约3.8。多因子回归检验，Top多头组合和多空组合都有显著的alpha。

　　我们使用约20个交易日的收益数据训练模型后构造了月度换仓策略，该策略在2019年至2023年Q1的样本外上年化收益率约28%，夏普比率约1.49；同期万得全A年化收益约11%，夏普比率约0.66。

　　风险提示事件：本报结论基于公开的历史数据进行统计、测算，文中部分数据有一定滞后性，同时存在第三方数据提供不准确风险；对基金产品和基金管理人的研究分析结论并不预示其未来表现，也不能保证未来的可持续性，亦不构成投资收益的保证或

　　投资建议；产品的表现受宏观环境、行业基本面超预期变动、市场波动、风格转换等多重因素影响，存在一定波动风险。