一个错误的标注，改变了整个项目：深度学习陶博士（下）

Carol 做了一件”不规范”的事。

在整理2019年和2020年的学习报告时，她需要标注每种主要货币的年度走势方向。我们给她的分类标准只有三个选项：看涨、看跌、中性。

但她没有照做。

她在2019年的报告里写了”sideways_bearish”（横盘偏弱），在2020年的报告里写了”extreme_bearish_then_recover”（极度暴跌后反弹）。这些标注完全不符合我们的规范。

伟博最先发现了这个问题。他的第一反应是”这不合规”。但他几乎同时意识到，Carol 试图表达的信息是有价值的。

“先跌后涨”和单纯的”看涨”，对于交易系统来说是完全不同的走势形态。

想一想2020年的美元。年初因为疫情恐慌，避险资金涌入，美元指数从96飙升到103。然后美联储开启无限量QE，美元掉头一路跌到年底的90。如果你把这一年标注为”看跌”，你就丢失了年初那段暴涨的信息。而那段暴涨，恰恰是最危险的时刻。

Carol 不是金融专业出身。她只是在做数据整理的时候觉得”用一个词概括一整年的走势，这不对”。但正是这种不被专业惯性束缚的视角，让她看到了一个专业人士容易忽略的盲区。

这件事后来引发了一场持续好几天的讨论，最终推动了整个项目的一次重大升级。

从三个词到分段走势

伟博提出了一个解决方案：保留原来的年度总方向（看涨、看跌、中性），同时增加一个”分段走势”字段，记录一年之内每个重大阶段的方向变化。

比如2020年的美元指数，分段走势就变成了：

一月到三月，看涨，驱动因素是COVID避险资金涌入。 四月到十二月，看跌，驱动因素是无限QE和财政刺激稀释美元。

这样一来，系统既知道2020年美元全年的净方向是下跌，也知道年内曾经有过一段猛烈的上涨。当未来出现类似的疫情冲击时，系统就能给出更细致的参考：先别急着做空美元，避险资金可能先把美元推上去，等央行开始放水之后再转向。

这个改动看起来不大，但它解决了一个根本性的问题：市场不是非黑即白的。

“你们的周期分类标准一致吗？”

Carol 的”不规范标注”被解决之后没多久，一个更大的问题浮出了水面。

我和一位做数据工程的朋友坐下来，把我们两个月研读的全部成果摊开来看。三十一个周期模式，十五份年度学习报告，每份几百行。从内容质量来看，团队做得非常扎实。

但朋友看了一会儿之后，问了一个问题：”你们的周期分类标准一致吗？”

我没有立刻理解他的意思。

他举了个例子。2014年的报告里写”美联储与ECB货币政策出现分化”，2018年的报告里写”央行政策周期错位导致汇率重估”，2022年的报告里写”全球货币政策不同步，美元独立收紧”。

“这三句话描述的是同一类现象吗？”他问。

我说，是的，本质上都是央行政策分化。

“但你的系统怎么知道它们是同一个东西？”

这个问题让我愣了好一会儿。

他说得对。我们的报告用了各种不同的词汇来描述相似的经济现象。作为读者，你能理解”政策分化”和”政策不同步”说的是同一回事。但如果未来要把这些知识接入量化系统，做跨年份的模式匹配，计算机看到的就是两个完全不同的字符串。

这意味着我们两个月的研读成果，虽然内容很好，但在结构上缺少一个关键的东西：统一的分类标准。

四层架构的诞生

那天下午的讨论持续了很久。我把我们整个项目的目标、现有成果、以及遇到的问题完整地介绍了一遍。朋友听完之后，提出了一系列补充建议，我分成四个层面逐一消化。

他认为我们需要的不是三层架构，而是四层。

第一层：分析方法论。 陶博士的核心分析框架。政治逻辑先行、制度信用评估、财政货币硬币模型，这些是”思维方式”，不随时间变化。这一层我们已经有了。

第二层：周期模式库。 从所有年份的学习中提炼出来的可重复识别的经济周期模式。这一层我们也有了，但需要标准化。朋友建议我们制定一份”周期分类词典”，给每个模式一个固定编号和标准化的定义，包括可量化的触发条件。这样无论谁在写报告，引用的都是同一套标准语言。

第三层：匹配引擎。 用来把当前的市场数据和历史周期模式进行相似度计算。这一层我们还没有建，但方向已经很清楚。

第四层：实时监控。 这是朋友认为我们最缺的一层。他说，前三层解决的是”我们知道什么”的问题，但没有回答”现在正在发生什么”。需要有一个机制，持续追踪当前市场的宏观指标，自动和历史模式做对比，实时告诉我们”当前最像历史上的哪个阶段”。

没有第四层，前三层就只是一个离线的研究工具。有了第四层，整个系统才能从”回顾历史”升级为”感知当下”。

我听完之后，第一个想到的就是陶博士的文章。他每周写一篇经济评论，本质上做的就是第四层的事情：观察当下正在发生什么，和历史做对比，判断我们站在周期的哪个位置。我们的四层架构，不过是试图用技术手段去复现这个过程。

标准化：最枯燥但最关键的工作

四层架构确定之后，第一件要做的事是回头补课：给所有已完成的学习报告加上标准化的标注。

这意味着Carol需要重新读一遍之前写的每一份报告，对照我们新制定的”周期分类词典”，给每个提到的经济周期标上统一的编号和触发条件。

这是整个项目里最枯燥的工作。没有新的发现，没有让人拍桌子的瞬间，只有一份一份报告地翻，一个一个标签地核实。但伟博说了一句话让大家都安静了下来：”第一层标准化是整个系统的生命线。如果这一步做不好，后面每一层都会因为数据不一致而打折扣。”

Carol花了几天时间完成了全部报告的标准化标注。伟博逐份审核，发现了一些小问题：有几份报告遗漏了触发条件的量化描述，有几个货币走势标注用了非标准的枚举值。Carol一一修复。

这个过程反复了三轮。第一轮标注，第二轮审核修复，第三轮再次全量验证。

不性感，不刺激，但绝对必要。

到最后一轮验证通过的那天，伟博在群里说了一句话：”全部报告百分之百兼容。可以直接进入下一个阶段了。”

从”读书笔记”变成了什么

回头看这两个月，我们做的事情经历了一个清晰的演变：

最开始，我们在读文章、写笔记。和任何一个坐在课堂里认真学习的学生做的事情没有区别。

然后，我们开始提炼模式。从笔记中找到重复出现的规律，给它们命名，描述它们的触发条件和演进路径。

接着，我们遇到了标准化的问题。发现不同的人用不同的语言描述同一个东西，系统无法识别。于是我们制定了统一的分类词典。

最后，我们把整套知识从”人能读懂”升级为”人和机器都能读懂”。每份报告既有给人看的文字分析，也有给系统看的结构化标签。

这个演变的起点，是Carol那个”不规范”的标注。如果她严格按照规范只写”看涨”或”看跌”，我们可能不会这么早意识到数据精度的问题。如果那位做数据工程的朋友没有问出”你们的分类标准一致吗”这个问题，我们可能要到下一个阶段才会发现标准化的缺失。

有时候，推动项目前进的不是天才的灵光一现，而是一个”不对”的感觉，或者一个看起来很简单的问题。

首次实战

标准化完成之后，伟博做了一件我们期待已久的事：他用我们整理出来的周期模式库，去分析2026年初的全球经济形势。

他收集了最新的宏观数据，逐一和三十一个历史周期模式做比对，计算相似度。

结果出来的时候，团队里安静了好一会儿。

他发现2026年初的经济环境，和历史上的多个周期片段都有不同程度的相似。有些相似跨越了十几年。某些利率结构和2008年某个阶段有相似之处，某些央行政策的犹豫模式和2019年的”预防式降息”前夕很像，某些地缘政治紧张格局又让人想起2018年贸易战刚升级的时候。

这不是一个精确的预测。伟博自己也说，匹配度只是参考，不是答案。但这是我们第一次看到，陶博士将近二十年文章中沉淀的智慧，通过系统化的整理和结构化的比对，开始帮助我们对理解当下的市场产生实际的作用。

写在三部曲的结尾

两个月，日以继夜的工作，从收集到消化到觉醒。

回头看，这段经历最让我感触的，不是我们学到了多少经济学知识，而是我们学会了一种看待世界的方式。

陶博士的文章教给我们的核心，可以用一句话概括：不预测终点，只判断位置。

不去猜明天市场涨还是跌。而是搞清楚我们现在站在经济周期的哪个阶段，历史上类似的阶段后来发生了什么，然后根据这个判断做出相应的准备。

这个理念贯穿了陶博士将近二十年的写作。也贯穿了我们整个量化交易系统的设计哲学。

如果说陶博士的文章是一片森林，那我们这两个月做的事情，就是在森林里一棵一棵树地走过去，记录每一棵树的位置、高度、品种，然后站到森林外面，试着画出一张地图。

这张地图不完美。因为时间和资源的限制，我们只有两个月来研读和提炼内容，非常期待未来能有更多时间和资源，继续研读陶博士文章里面的精髓。

而走这条路的起点，是一位经济学家将近二十年的无私分享。对此，我们心怀深深的感激。

下一篇，我们开始讲技术。讲我们怎么把这张知识地图和真实的市场数据连接起来，以及在这个过程中遇到的第一个重大陷阱：未来函数。

如果你做过量化回测，看到”未来函数”三个字可能已经脊背发凉了。

如果你没做过，下一篇会让你理解，为什么这三个字是每一个量化团队最害怕的噩梦。

*本文是「量化交易系统研发手记」系列第4篇，共8+篇。上一篇：「从金融海啸到激进加息，我们读到停不下来：深度学习陶博士（中）」。下一篇：「未来函数：我们差点被自己的回测骗了」*

多伦多凤凰创意网站设计开发公司原创博客，版权所有，请勿转载！ 更多多伦多实战网站案例，请点击这里。