让 CNN 看 K 线图，我们试到了哪一步
以前确实做过让模型看 K 线图的实验，也留下了图片、预测和回测记录。这次把公开发布包、本机比赛项目和 Linux 上的存档对了一遍，找回了两张原来导出的图片。现有结果还不足以支持把图像 CNN 接到比赛账户。
这页更新于 2026 年 10 月 29 日。下面先看图片，再讲历史实验暴露的问题。所有收益数字都来自旧报告，本次没有重新训练模型或提交订单。
模型到底在看什么
普通 K 线把一天的开盘价、最高价、最低价和收盘价画在一起。下面的灰度图把连续 20 个交易日压成一张小图片，下面的短柱表示成交量。模型拿到截至某一天的图片，学习它与随后一段时间涨跌的关系。
CNN 可以理解为一种寻找局部图形的模型。它会学习哪些线条组合经常一起出现，再给出预测。图片里曾经出现过某种形状，并不保证下一次仍有同样的结果。
两张都取自腾讯、截至 2004 年 7 月 15 日的历史窗口，来自 6 月公开发布包中的原有 PNG。它们是实际导出的模型输入。两种实验的预测期不同，文件里的事后涨跌标签也不同，不能把标签差异当作模型预测好坏的证据。图中没有原始价格坐标，本页不提供原始行情表。
图片归属为 FUTU Quant Lab 公开发布包，包内记录代码版本 acb8565。行情来源和图片再分发许可尚未独立核验，公开下载不代表整份数据可自由转发。这里仅按研究回顾展示两张已有的归一化输入图。
同样叫 CNN，输入可以完全不同
| 路线 | 喂给模型的东西 | 目前能说明什么 |
|---|---|---|
| 数值 CNN | 从开高低收和成交量算出的六项数值特征 | 验证了数值信号与回测程序能连接 |
| 图像 CNN | 上面这样的灰度 K 线图 | 已有实际图片、预测和历史报告，投资效果仍待检验 |
| 按时间逐段训练的数值 CNN | 每次先用过去训练，再往后预测 | 比赛项目的小样本太短，原配置没有产生可用检验段 |
项目里的 cnn_walk_forward_rank 属于第三行，用的是数值特征。它与图像 CNN 分开实现，不能替图像模型证明样本外效果。
这里的样本外，是指用训练时没见过、时间更晚的数据检验模型。若模型先看过某段历史，再回到这段历史展示收益，结果通常会过于乐观。
以前列过的六种 CNN 方案
原项目的策略总表列了六个 CNN 相关条目。它们有共同的基础，其中有参数变体，也有在原有信号上增加规则的方案。
| 旧方案 | 大白话解释 |
|---|---|
cnn_pattern | 用价格和成交量算出的数字，让 CNN 找规律。 |
cnn_pattern_mvp | 同一个数字模型的宽松门槛版本，主要用来先跑通流程。 |
cnn_image_pattern | 把 K 线画成图片，再交给 CNN 看。 |
cnn_walk_forward_rank | 用过去的数据分段训练，再给后面的股票排序。 |
cnn_plus_sentiment | 在基础数字模型的信号上，加一层情绪过滤。 |
cnn_vol_regime | 在 CNN 加情绪的基础上，再根据市场波动调整风险和权重。 |
两种图像画法和不同的窗口、预测天数组合，是图像方案内部的实验设置。上面的六个条目也没有一份经过同口径验证的六方案成绩单，不能直接按名称比较谁最好。来源是原项目策略总表和 CNN 实现说明。
6 月的发布包里留下了什么
发布包约 56 MB，记录打包时包含数据和研究报告，并排除了账户数据。里面有 32 张 K 线输入图片、图像预测表、数值 CNN 的逐段训练记录和策略比较报告。本机原项目仍然存在，本次把发布包保留在项目自己的私有数据目录，没有重复克隆项目，也没有把原始行情搬进网站。
一份图像实验比较了 12 只港股，组合记录覆盖 2018 年 1 月 2 日至 2026 年 5 月 22 日。下面是归档报告原有的比较，最大回撤统一写成正数。回撤 59% 的意思是，账户曾从某个高点跌去约六成。
| 历史规则 | 整段报告收益 | 报告最大回撤 |
|---|---|---|
| 图像 CNN 每次选分数靠前的五只 | +14.87% | 59.47% |
| 同股票池的均线规则 | +91.70% | 34.73% |
| 同股票池的动量规则 | +2.31% | 42.65% |
如果三种方法都从 100 元开始
下面把旧报告中每天的组合价值画出来，并把起点统一换成 100。横轴是年份，纵轴是模拟组合价值。比如曲线到 150，就相当于起初的 100 元变成了 150 元。
到 2026 年 5 月 22 日，图像 CNN 的 100 元约变成 114.87 元；均线约为 191.70 元；动量约为 102.31 元。CNN 曲线中途也有很深的下跌，最严重时从之前的高点跌去约 59.47%。这三条线来自历史模拟，比赛账户的实际收益不在这张图里，未来表现也可能不同。
这些是八年多的累计收益，不能当成年收益。三条规则的交易频率和持仓过程也不同。图像实验的留存记录显示，按换手额计的费用为 30 个基点，约为每交易 1 万元计入 30 元成本；这只是旧回测的成本假设。
预测表标有年度分组，但尚未找到能与这次运行一一对应的训练程序和完整配置。训练究竟在哪天停止、是否避开了未来信息，还不能从年份字段单独核实。股票池的历史选样、复权和实际成交也没有完成核验。因此，这张表帮助我们回顾旧实验，不列入已验证的策略业绩。
另一份 30 只股票的数值 CNN 存档覆盖 2015 年 1 月 2 日至 2026 年 5 月 22 日，时间范围与上表不同。选前五只的报告累计收益约为 -60.15%，最大回撤约为 78.16%。原来的较高分数门槛则没有产生持仓。把门槛放低能增加交易，却没有自动带来更好的投资结果。
比赛项目后来也做过检查
2026 年 10 月 19 日的固定诊断使用了更小的输入。港股只有一只可选股票，另有一只基准 ETF；美股只有 SPY。它适合发现程序和样本问题，无法代表正常的多股票选股能力。
图像 CNN 在这份报告里的累计收益为港股 +22.77%、美股 +13.30%。同一份报告中，较宽松的数值 CNN 给出了相同的汇总结果，现有证据没有显示图片输入带来了额外优势。
这轮图像模型训练后还会预测包含训练样本的整段数据，所以报告明确标为样本内诊断。严格按时间训练的数值模型原本需要 1,260 个交易日训练，而当时两组数据分别只有 727 和 751 个交易日，连一个完整检验段都凑不出来。
后来新增的研究验收检查没有接受这 16 项股票实验作为合格研究证据。旧结果仍保留，缺少的训练边界、样本范围和数据证明也一起记录。详见原始策略检查和研究验收说明。
Linux 上找回的是另一条线索
Linux 冷存档中找到了另一套名为 cnn2d_multimodal 的模型文件、两条训练日志和因子结果文件。它们证明以前留下过 CNN 研究产物。但目前还没有找到配套源码和数据切分说明，也没有证据把它与 FUTU Quant Lab 连接起来。本页不混用这套存档的效果数字。
接下来值得验证什么
最有价值的下一步，是固定同一批股票和同一段未知的未来数据，对比图像 CNN、数值 CNN 与简单均线规则。每一段都先训练完，再向后预测，记录这张图结束的日期、预测哪几天，以及训练当时究竟能知道什么。
图片大小和预测天数也要先固定。前面展示的两种画法，可以先作为两个明确的候选，避免反复尝试以后只保留最好的一张成绩单。费用、资金使用比例和换手口径需要一致，最后再比较净收益与回撤。
在新的检验完成前，这些材料适合继续做研究和教学演示。当前没有可直接交给比赛账户执行的图像 CNN 策略。
进一步查看
给想复核来源的人
发布包文件为 chi-futu-quant-lab-bundle-20260616_124229.zip，SHA256 为 418ad65ffe059fc723d3f57b4668abc195bb5c63fdab5d6ff02ed7b320fe79a8。上述 12 股比较取自包内 artifacts/reports/backtests/image_cnn_mvp/summary.csv，30 股比较取自 walk_forward_hk_cnn_mvp/summary.csv。两张图片分别来自 cnn_image_samples 与 cnn_image_samples_paper_ohlc 中首个截至 2004-07-15 的样本。输入图、历史收益和训练方法的证据分别核对，没有把它们当作同一次运行的完整证明。
曲线由同目录下三种规则各自的 portfolio_daily.csv 逐日组合价值归一化生成，并与汇总收益、最大回撤核对；各规则留存的 positions_daily.csv 费用记录均按换手额的 0.3% 计算。生成脚本为 competition_tools.cnn_archive_performance。