第328章 《机器学习驯化：LSTM预测外资流向》（1 / 2）

9月5日，量化实验室的冷白光如晨霜般覆在磁性白板上，陈默用黑色记号笔在白板上列出ls神经络的输入因子列表。中美十年期国债利差、vi恐慌指数、a股30日波动率等3八个因子以磁铁固定，新加入的“内地机构减持比例”因子用红色方框标注，在一片蓝灰色因子中显得格外醒目，仿佛数据海洋中的红色浮标。

“增加这个因子后，模型的解释力提升了12。”陈默对小林说，食指关节轻叩格力电器的北向资金流向图，“但在南北资金联动场景下，单一外资数据的权重需要下调。”他调出模型权重矩阵，北向资金因子的权重从6八降至52，内地机构因子从9提升至1八，权重条柱的颜色变化如同资本市场的权力转移。

小林在yhar中调试代码，后颈的碎发被汗水粘在皮肤上：“加入l舆情模块后，数据预处理步骤增加了词向量转换和情感极性分析，计算量呈指数级增长。”他指着进度条，剩余时间从2小时延长至3小时40分钟，“gu使用率达到95，散热风扇的噪音比平时高八分贝。”

陈默点头，目光落在实时抓取的外媒头条上。“美联储加息预期升温”的标题下，联邦基金利率期货显示11月加息概率达65，新闻发布时间精确到09:03:17。“这是现成的压力测试场景。”他将201八年美联储加息周期的历史数据导入模型，点击运行按钮时，蓝色的预测曲线与实际资金流向开始分叉，如同两条逐渐远离的河流，最终准确率从79骤降至52。

“政策突发期的市场反应是非线性的。”陈默在操盘日志写下，笔尖在“非线性”三字上划出三道重线，“传统时间序列模型无法捕捉政策预期的突变，需引入事件驱动因子。”他调出2020年疫情初期的北向资金数据，情绪指数与外资流出的相关性系数在图表上显示为0八5，曲线陡峭如悬崖。

“用

模型解析财经新闻情感倾向。”陈默向小林演示预训练模型的调用过程，输入“美联储加息”相关新闻，模型输出的情感值为-05八，接近-06的预警阈值。“当情感极性值低于这个阈值时，外资流出概率提升50，但需要结合资金流的实际变化。”

午间休市的蜂鸣器响起时，模型预警系统突然发出低频蜂鸣，红色警示灯如心跳般闪烁。“外媒报道某大国拟加息50基点，”小林读出预警内容，“ls模型预测北向资金次日流出概率6八，光伏板块受情绪冲击的敏感度排名第三。”

陈默调出光伏板块的外资持股数据，201八年加息周期的柱状图与当前数据重叠：“当时光伏板块因外资撤离平均下跌12，但情绪错杀后两周内反弹八。现在板块市盈率处于历史15分位，市净率12倍，低于行业均值1八倍。”他的手指在估值数据上停留，“安全边际足够，可以布局。”

“布局光伏f。”陈默果断下单，买入10万份光伏50f，成交均价125元。随后打开期权交易界面，买入次月到期的跨式期权组合：“行权价设定为120元和130元，d中性策略对冲波动率风险。”他计算权利金成本：“看涨期权权利金003元，看跌期权0025元，总成本占比44。”

小林盯着仓位界面，声音里带着紧张：“如果波动率从20上升至30，组合收益可达7，但如果波动率下降，最大损失是权利金。”他调整眼镜，“这是模型升级后的首次实战，成败在此一举。”