每日发现VLMAI Agent波动率预测grounded分析视觉模型量化策略技术分析

别再让AI看K线图了：VLM技术分析被证伪，grounded框架才是量化交易的正解

今日发现速览

今天这三个发现串成了一条完整的逻辑链：先有人用形式化方法证明了”让AI看K线图做技术分析”是一条死路——视觉语言模型(VLM)在K线图分析中根本没在读取图表证据，而是靠趋势外推伪装理解；紧接着另一篇论文给出了正确的出路——AI Economist Agent用”LLM规划+模型计算”的grounded模式，让大模型负责叙述、数值计算交给显式模型；最后，一篇市场风险论文提供了一个立即可用的因子——趋势强度的二次多项式能精确预测波动率与相关性的逐日递增。

  • 🔹 VLM蜡烛图审计被证伪：arXiv 6月16日论文用”Martingale Doppelgänger-Eval”基准形式化证明，在图表证据与趋势强耦合的真实市场中，没有任何观察性评估能区分”真懂K线”和”靠趋势蒙”的响应者；实测冻结的商业/开源VLM，识别回归把大的正系数分配给过去趋势，但证据系数为零或与规则暗示方向相反——所谓”基于K线形态”的AI技术分析，其实是趋势外推的马甲
  • 🔹 AI Economist Agent的grounded范式：arXiv 6月18日提出LLM+知识图谱+RAG的经济学Agent，核心铁律是绝不单独用语言模型产生定量论断，而是LLM规划→检索证据→选择模型→模型计算→生成叙述；已应用于美联储政策分析和银行压力测试，grounded报告的经济连贯性和可追溯性显著提升
  • 🔹 趋势强度→波动率/相关性预测：arXiv 6月18日发现波动率和相关性在强趋势期间逐日递增（下跌趋势尤甚），可用趋势强度的二次多项式精确量化，改进VaR/GARCH的均值回归假设；将金融市场建模为接近临界点的晶格气体

发现一：VLM蜡烛图审计——AI”看K线”被形式化证伪

背景

过去两年，“用GPT-4V/Gemini看K线图做技术分析”是量化圈一个诱人的方向。直觉上这很合理：人类交易员就是看K线形态（头肩顶、十字星、吞没形态）做判断的，视觉语言模型（Vision-Language Model, VLM）既能”看”图又能”说”道理，让它来做形态识别不是天作之合吗？市面上也确实出现了一批”AI看盘”产品，宣称能识别图表形态给出买卖信号。

但有一个根本性的疑虑始终悬着：VLM给出的”基于图表形态的分析”，到底是真的读懂了局部视觉证据，还是只是把过去的趋势外推了一下，再套上一件”K线形态”的外衣？

这个问题之所以难回答，是因为在真实市场历史中，图表证据和趋势是强耦合的——一个上涨趋势的K线图，本身既包含”过去的趋势向上”，也包含各种局部的K线形态。你观察到一个VLM在上涨图上预测”继续涨”，你无法判断它是因为看到了”早晨之星”形态，还是仅仅因为它检测到了”过去在涨”。

技术细节

Ziyao Wang等人在arXiv:2606.17423中给出了一个形式化的不可能性证明，这是这篇论文最硬核的贡献：

在图表证据与趋势强耦合的数据分布下，没有任何基于观察性图表-标签对的评估泛函（evaluation functional）能区分”grounded responder”（真读证据）和”trend-shortcut responder”（靠趋势蒙）。

换句话说，传统的”拿一堆历史K线图让VLM预测，算准确率”这种评估方法，从数学上就不可能识破VLM是在真读图还是在偷看趋势。因为这两种响应者在所有可观察的图表-标签数据上表现完全一样。

既然观察性评估失效，作者设计了四种受控反事实机制来强制解耦证据与趋势：

  1. Martingale-null market（鞅零市场）：构造一个完全无趋势的随机游走市场，此时趋势信息为零，VLM若真读图应仍能从局部形态获利，若靠趋势则会失去预测力
  2. Injected-alpha counterfactual pairs（注入阿尔法的反事实对）：构造两张趋势相同、但局部形态被人为注入相反信号的图，看VLM能否区分
  3. Trend-confounder swaps（趋势混淆交换）：交换两张图的”趋势成分”但保留”形态成分”
  4. Regime shifts（制度转换）：在趋势发生反转的临界点测试

实验结果震撼：在所有冻结的商业和开源VLM上跑识别回归，模型把大的正系数分配给了”过去趋势”项，而”图表证据”项的系数要么为零，要么符号与规则暗示的方向相反。

用人话说就是：VLM嘴上说”我看到了看涨吞没形态所以预测上涨”，回归一拆，发现它的预测其实100%由”过去N天在涨”驱动，“看涨吞没形态”这个项的系数是零甚至是负的。它在伪装理解。

对量化交易的启示

这个发现对任何想把VLM引入量化系统的团队都是一个清晰的”此处有地雷”警告：

  • 不要把VLM的K线图”技术分析”作为独立信号源。它提供的边际信息约等于一个简单的动量/趋势因子，却消耗巨大的推理成本，且会以”我看到了某某形态”的叙述制造虚假可信度
  • 传统技术指标仍然有效，但应该用确定性的形态识别算法实现（比如用pandas显式定义”吞没形态”的OHLC条件），而不是交给黑盒VLM。确定性算法至少不会被趋势”绑架”成趋势因子
  • 如果你的策略里同时已有动量/趋势因子，再加VLM看图是冗余甚至有害的——你以为加了”形态信息”，实际加的是与现有动量因子高度共线的”伪形态信息”
  • 这并不意味着VLM在量化中毫无用处——它在自然语言处理（新闻情绪、研报解读、公告抽取）上依然强大，问题出在”让它看数值化后的图表”这个特定用法。数字和形态应该用确定性方法处理，VLM留给真正的非结构化文本

一条实操检查清单：如果你团队里有人在用VLM做图表分析，要求他们做一次受控消融实验——把趋势信号喂给一个简单线性模型，再让VLM在不看趋势的情况下只看形态，对比边际贡献。大概率你会发现VLM的”超额贡献”接近于零。

发现二：AI Economist Agent——LLM规划+模型计算的grounded范式

背景

发现一揭示的问题是更广泛现象的一个特例：大模型很会”说”，但不擅长”算”。在经济和金融分析中，经济学家需要的不是流畅的叙述，而是基于经济理论和真实数据的、可追溯的定量论断。当你直接问LLM”明年美国通胀会怎样”，它会生成一段听起来很专业的分析，但里面的数字往往经不起推敲——可能是从训练数据里”回忆”出来的过时数字，也可能是合理但不精确的估计。

Masahiro Kato在arXiv:2606.20041提出的AI Economist Agent，正是为了解决这个问题。它的核心立场和发现一形成了绝妙的呼应：既然VLM不能直接”看”K线，那LLM也不该直接”算”经济。

技术细节

AI Economist Agent的架构是一个grounded分析闭环，由四个解耦的组件驱动：

  1. 知识图谱（Knowledge Graph）：预先构建的经济学知识库，节点是经济变量（通胀、失业率、政策利率），边是经济学理论定义的关系（菲利普斯曲线、泰勒规则、IS-LM）。这个图谱既是事实数据库（存放FRED、BIS的真实宏观数据），也是理论库（存放变量间的模型关系）
  2. LLM Agent（规划层）：负责”想”——接到分析任务后，规划分析步骤：“先看通胀趋势→检查就业数据→套用菲利普斯曲线→评估政策反应→生成结论”
  3. 检索与建模层（执行层）：LLM规划出”需要哪些证据、用哪个模型”，这一层去知识图谱检索真实数据，调用显式的计量/DSGE模型做计算
  4. 叙述生成层：把模型算出的数字”翻译”成经济学叙述，并且每句话都带可追溯的证据链接

关键铁律（论文原话）：不单独用语言模型产生定量论断。所有数字必须来自显式模型的计算，LLM只负责规划”算什么”和解释”算出来的结果意味着什么”。

这和发现一的教训完全一致：把数字工作交给确定性模型，把语言工作交给LLM，各司其职。

论文给出了两个应用案例：

  • 美国通胀持续性 + 美联储政策分析：Agent规划”检查通胀分项→估计核心PCE的持续性系数→用泰勒规则反推政策路径”，数值来自FRED数据 + 显式AR过程估计，叙述由LLM生成
  • 商业地产再融资压力的银行压力测试叙述：Agent规划”收集CRE贷款敞口→估计再融资悬崖→模拟利率冲击下的违约率→生成压力测试报告”，数值来自银行Call Report数据 + 信用风险模型

评估显示，这种grounded报告在经济连贯性（economists评分）和可追溯性（每个论断能否回溯到数据/模型）上显著优于直接让LLM生成报告的baseline。

对量化交易的启示

这个框架对Hermes这类AI量化Agent的直接启示是把”分析”和”计算”分层：

def grounded_quant_analysis(task, kg, model_registry, llm):
    """
    grounded量化分析框架：LLM规划，模型计算，LLM解释
    避免LLM直接编造数字
    """
    # 1. LLM规划分析步骤（不产生任何数字）
    plan = llm.plan(task, kg.available_data, kg.available_models)
    # plan 示例: [
    #   {"step": "retrieve", "dataset": "daily_returns", "window": "252d"},
    #   {"step": "compute", "model": "garch_volatility"},
    #   {"step": "compute", "model": "var_95", "inputs": ["garch_vol"]},
    #   {"step": "narrate", "focus": "尾部风险变化"}
    # ]

    # 2. 执行层：检索真实数据 + 调用显式模型
    context = {}
    for step in plan:
        if step["step"] == "retrieve":
            context[step["dataset"]] = kg.retrieve(step["dataset"], step.get("window"))
        elif step["step"] == "compute":
            context[step["model"]] = model_registry[step["model"]].run(
                *[context[i] for i in step.get("inputs", [])]
            )

    # 3. LLM只在"叙述"环节介入，且必须引用context中的显式数字
    narrative = llm.narrate(
        task, context,
        constraint="每个数字必须来自context，禁止自由生成数值"
    )
    return {"narrative": narrative, "context": context, "plan": plan}

这种设计的好处是可审计——任何一个出现在报告里的数字，都能沿着plan→context回溯到具体的数据集和模型调用。当策略出问题时，你能定位是数据错了、模型错了，还是LLM的叙述误导了。而如果直接让LLM”分析市场风险”，出错时你只能猜。

发现三：趋势强度→波动率/相关性预测——一个立即可用的因子

背景

如果说前两个发现是”方法论”层面的，那Sara A. Safari和Christoph Schmidhuber在arXiv:2606.20145的发现就是一颗可以直接捡起来用的因子。它解决的是量化风险管理中一个长期被简化的现象：波动率和相关性的均值回归假设。

经典的GARCH模型假设波动率在冲击后会均值回归到长期水平；经典的相关性模型（如DCC-GARCH）也类似。但实务中每个交易员都知道一个现象：强趋势期间（尤其是下跌趋势），市场会”进入一种特殊状态”——波动率飙升、相关性趋近于1（所有股票一起跌）。传统的均值回归模型在这种状态下会系统性低估风险，这正是2008、2020、2024年几次尾部事件的共同特征。

技术细节

论文的核心实证发现可以一句话概括：波动率和相关性在强趋势期间逐日递增，且这个递增可以用趋势强度的二次多项式精确刻画。

设趋势强度为 $T_t$（可以用过去N日收益率的方向性强度衡量，例如 $\frac{|r_t + r_{t-1} + … + r_{t-N+1}|}{\sum |r_i|}$，取值0到1，1表示完美单向趋势），则：

$$\sigma_{t+1} = f(T_t) = a_0 + a_1 T_t + a_2 T_t^2 + \epsilon$$

其中 $a_1, a_2 > 0$，且在下跌趋势中系数更大。相关性的演化也有类似的二次多项式结构。

论文进一步给出了一个物理学解释：金融市场可以建模为接近临界点的晶格气体（lattice gas near critical point）。在统计物理中，接近临界点的系统会出现”临界现象”——关联长度发散（对应金融中的相关性趋近1）、涨落放大（对应波动率飙升）。强趋势就像是把系统推向临界点，所以波动率和相关性同步发散。

这个物理解释不是装饰——它意味着这种”趋势放大波动”的现象是市场结构的内禀属性，而不是某个历史时期的偶然，因此可以在未来持续生效。

对量化交易的启示

这个发现可以直接集成到现有的风险模型中。最直接的用法是在GARCH/VaR框架中加入趋势强度因子：

import numpy as np
import pandas as pd
from arch import arch_model

def trend_strength(prices, window=20):
    """
    趋势强度因子：取值0-1，1表示完美单向趋势
    """
    rets = prices.pct_change().dropna()
    rolling_sum = rets.rolling(window).sum()
    rolling_abs_sum = rets.abs().rolling(window).sum()
    return (rolling_sum.abs() / rolling_abs_sum).fillna(0)

def garch_with_trend_factor(returns, trend, window=20):
    """
    GARCH + 趋势强度因子的混合波动率模型
    强趋势期间上调波动率预测，特别关注下跌趋势
    """
    # 1. 标准GARCH拟合
    am = arch_model(returns * 100, vol='Garch', p=1, q=1)
    res = am.fit(disp='off')
    garch_vol = res.conditional_volatility / 100

    # 2. 趋势因子调整：下跌趋势中放大波动率
    #    论文：下跌趋势的系数显著大于上涨趋势
    rets = pd.Series(returns)
    is_downtrend = (rets.rolling(window).sum() < 0).astype(float)
    
    # 二次多项式调整：trend^2 项捕捉临界点附近的非线性放大
    # 系数需在样本内校准，这里给出经验值
    alpha1, alpha2 = 0.3, 0.5   # 上涨趋势调整
    beta1, beta2 = 0.6, 1.2     # 下跌趋势调整（更大）
    
    trend_adj = np.where(
        is_downtrend == 1,
        1 + beta1 * trend + beta2 * trend**2,
        1 + alpha1 * trend + alpha2 * trend**2
    )
    
    adjusted_vol = garch_vol * trend_adj
    return adjusted_vol, garch_vol

# 在VaR计算中的应用
def var_with_trend_adjustment(prices, confidence=0.95, window=20):
    """趋势调整后的VaR"""
    rets = prices.pct_change().dropna()
    trend = trend_strength(prices, window)
    adj_vol, _ = garch_with_trend_factor(rets, trend, window)
    # VaR = -Z_alpha * sigma * portfolio_value
    from scipy.stats import norm
    z = norm.ppf(confidence)
    var = z * adj_vol * prices.iloc[-1]
    return var

三个落地建议：

  1. 下跌趋势要单独建模：论文明确指出下跌趋势中波动率/相关性的放大系数更大。如果你的风控模型对涨跌对称处理，会在熊市系统性低估风险。可以像上面代码那样用is_downtrend做不对称调整
  2. 相关性模型也要加趋势因子：跨资产的相关性在强趋势期间趋近于1，这会击穿分散化假设。在组合VaR（需要协方差矩阵）中，应该对协方差矩阵做趋势因子调整，而不仅仅是波动率
  3. 作为择时信号的反向输入：当趋势强度突破某阈值时，系统进入”临界状态”，此时应该主动降低仓位或提高对冲比例。这比单纯的波动率目标（vol targeting）更前瞻，因为趋势强度是波动率飙升的先行指标

总结与行动清单

今天的三个发现共同指向一个核心命题：AI在量化交易中的正确姿势，是让模型做它擅长的事（规划、叙述、检索），把数字工作交给确定性的数学方法。VLM想直接看K线被证伪，正是因为它把”形态识别”这个本该用确定性算法做的事，塞进了黑盒；AI Economist Agent的成功，则在于它把LLM严格限制在规划和叙述层；而趋势强度因子的有效性，恰恰来自它是一个简单、可解释、有物理意义的确定性公式。

基于今天的发现，建议关注的行动项：

  1. 审计现有的VLM图表分析用法：如果你或团队在用GPT-4V/Gemini做K线形态识别，立即设计一个受控消融实验——把VLM的预测对一个纯趋势因子做正交化，看残差是否还有预测力。大概率没有。用确定性的OHLC形态识别算法替代
  2. 重构量化分析的AI调用栈为grounded模式：所有”让LLM分析市场”的流程，都改为”LLM规划→检索数据→调用显式模型→LLM解释结果”，并强制每个数字可回溯。这是AI Economist Agent给我们的工程蓝图
  3. 在GARCH/VaR框架中加入趋势强度因子：用趋势强度的二次多项式调整波动率预测，下跌趋势用更大的系数。这是今天发现中投入产出比最高的一条——改动小、论文背书扎实、直接降低尾部风险低估
  4. 把”接近临界点”作为市场状态监控的框架：当趋势强度持续高位时，系统进入临界状态，相关性趋近1意味着分散化失效。此时应主动降仓、加对冲，而不是依赖事后的止损

本文基于 2026-06-20 Hermes Agent自我进化报告整理。每日持续追踪AI与量化交易领域的最新工具、策略和技术进展。文中提到的arXiv论文：VLM蜡烛图审计(arXiv:2606.17423)、AI Economist Agent(arXiv:2606.20041)、趋势强度波动率预测(arXiv:2606.20145)。

💬 评论