为什么我们需要因果卷积？

#quant   #deep-learning   #tcn   #time-series   #causal-convolution  

最后更新: 2026-03-26

---

Table of Content

为什么我们需要因果卷积？

市场的波动极其复杂。但在写量化策略的初期，我们几乎都会陷入一种对“完美参数”的执念，试图用最简单的指标去在市场里找到某种确定性。

在写量化策略的初期，我们几乎都会陷入一种对“完美参数”的执念中。

不管是 MA（移动平均）、MACD 还是布林带，我们总是在回测引擎里疯狂枚举，试图找到那个能完美拟合历史的数字：均线到底该用 20 日，还是 30 日？

然而，当我们把那个通过网格搜索找出来的“最优参数”挂上实盘时，结果往往大打折扣。

因为市场是活的，短期博弈、中期趋势和长期宏观周期每天都在以不同的比例混合。固定的参数，根本接不住这种混沌的变化。

这篇文章里，我们聊聊怎么用因果卷积（Causal Convolution）让模型自己从 K 线里"炼"出一组权重。

因果卷积是来自于 2016 年 DeepMind 的一篇论文 WaveNet: A Generative Model for Raw Audio。

为了解决语音生成中“不能偷看未来数据”的问题，Van Den Oord等人将普通卷积改造为因果卷积（配合扩张卷积），确保模型仅依赖历史信息生成下一时刻的音频样本。

解构均线：用完美的指数曲线去框定不确定的市场，是人类的傲慢

为了理解因果卷积，我们不妨先换个视角，重新审视一下我们最熟悉的均线。

拿 MA5 来说，它是把过去 5 天的收盘价加起来除以 5。

在数字信号处理的语境里，这就是一个权重全是 1/5 的滑动滤波器。它非常民主，五天内的数据人人平等。

但稍微有点交易经验的人都知道，昨天刚发生的大阴线，和五天前的一根十字星，对今天走势的指导意义能一样吗？

显然，越近的数据越包含核心信息。

于是，量化先驱们引入了 EMA（指数移动平均）。EMA：它认为历史永远在起作用，所以它不丢弃任何一根 K 线；但它又规定，信息的价值必须随着时间过去而指数级成倍衰减。

但在这里，我们其实犯了一个“人为的傲慢”的错误：凭什么市场情绪的衰减，必须是一条完美、平滑的指数曲线？

如果三天前美联储意外加息，或者非农数据大爆，那一天的 K 线权重，理应比波澜不惊的昨天大得多。EMA 这种写死了规则的数学公式，根本处理不了这种权重分配的“跳跃”。

从数学上看，不论是 MA 还是 EMA，本质上都是在计算一个卷积： $$ y_t = \sum_{i=0}^{k-1} w_i \cdot x_{t-i} $$ 对于 MA，权重 \(w_i\) 全是 \(\frac{1}{k}\)；对于 EMA，权重 \(w_i\) 是按 \(\alpha(1-\alpha)^i\) 指数衰减的固定值。

问题来了：凭什么市场情绪的衰减必须是指数曲线？如果三天前美联储意外加息，那一天的权重理应比昨天大得多。EMA 写死了规则，应付不了这种"跳跃"。

因果卷积同样是上面那个公式，只是不用人脑去拍板衰减曲线，而是把权重 \(w_i\) 交给神经网络，让它在反向传播中自己学出来。

为什么要强调"因果"？

因果卷积里的"因果"二字，是为了防一个回测中最常见的问题——未来函数（Data Leakage）。

普通 CNN 在图像处理里很成功，因为识别图片时看全局信息没问题。

但如果把标准卷积直接套在 K 线上，就会把 \(t+1\)、\(t+2\) 的数据也卷进去，相当于在做今天决策时提前看到了明天的收盘价。

当模型使用普通卷积核计算今天（\(t\) 时刻）的特征时，滑动窗口会不可避免地把明天（\(t+1\)）甚至后天的数据也卷进去。

这就相当于在做今天的交易决策时，模型已经提前“看”到了明天的收盘价。

用这种结构训练出的模型，在回测时往往能跑出惊人的夏普比率，但一上实盘就会迅速崩溃。

正如 Marcos Lopez de Prado 所说：“在金融领域，最难的问题从来不是预测，而是验证你有没有作弊。”

为了在网络结构上彻底杜绝这种“作弊”，我们需要引入“因果”的限制。

所谓因果卷积（Causal Convolution），其核心原则非常明确：今天的输出，只能依赖今天及以前的历史输入，绝对不能越界。

在标准的卷积公式 \(y_t = \sum_{i=-k}^{k} w_i \cdot x_{t-i}\) 中，\(i\) 为负数时代表提取了未来的数据。因果卷积强行将公式修改为： $$ y_t = \sum_{i=0}^{k-1} w_i \cdot x_{t-i} $$ 彻底切断了 \(x_{t+1}, x_{t+2}\) 等未来信息的流入。

时间:      t=1     t=2     t=3     t=4     t=5     t=6
│       │       │       │       │       │
输入 x:   [x₁]    [x₂]    [x₃]    [x₄]    [x₅]    [x₆]
│       │       │       │       │       │
│   ┌───┴───┐   │       │       │       │
卷积核:     │ [f₀,f₁,f₂] │       │       │       │
│   └─┬─┬─┬─┘   │       │       │       │
│     ↓↓↓       │       │       │       │
输出 h:           h₃       h₄      h₅      h₆

在代码实现上，这其实只是一层窗户纸。在 PyTorch 中，我们只需要在序列的左侧（过去）进行 Padding 填充，而在算完之后，把右侧多出来的部分裁掉：

import torch.nn as nn

class CausalConv1D(nn.Module):
    def __init__(self, in_channels, out_channels, kernel_size, dilation=1):
        super().__init__()
        # 计算出需要补齐的历史长度
        self.padding = (kernel_size - 1) * dilation
        self.conv = nn.Conv1d(in_channels, out_channels, kernel_size, 
                              padding=self.padding, dilation=dilation)

    def forward(self, x):
        x = self.conv(x)
        # 裁剪掉右侧多余输出，严格防止未来函数
        if self.padding > 0:
            x = x[:, :, :-self.padding]
        return x

感受野太小怎么办？

但只看最近几天是不够的，这就引出了 感受野（Receptive Field） 的问题。

如果卷积核大小是 3，它就只能看到前 3 根 K 线。要看清过去一年的宏观趋势，难道要堆叠上百层网络吗？

那不仅会耗尽算力，还会导致梯度消失（简单来说，就是模型太深了，像传话游戏一样，传到最后信息全丢了，模型啥也学不到）。

为了解决这个问题，研究人员引入了 膨胀（Dilation） 操作。

简单来说，就是让卷积核学会“跳着读”数据。

数学上，带有膨胀系数 \(d\) 的因果卷积可以表示为： $$ y_t = \sum_{i=0}^{k-1} w_i \cdot x_{t - d \cdot i} $$

• 当 \(d=1\) 时，模型老老实实看连续的几天：今天、昨天、前天。
• 当 \(d=2\) 时，模型隔天读取：今天、前天、大前天。
• 随着层数的加深，膨胀系数呈指数级放大（如 \(d=1, 2, 4, 8 \dots\)），模型开始抽取周级别、月级别的特征。

这就好比一个老练的交易员，他不仅会盯着 5 分钟线的微观博弈，也会时不时切到日线和周线去看宏观趋势。

不同膨胀率的因果卷积层叠加在一起，就构成了经典的 TCN（时间卷积网络）。它巧妙地用极少的计算资源，实现了多周期共振的看盘逻辑。

并非稳赚不赔

在把因果卷积当作万能钥匙之前，我们必须清醒地认识到：它依然是一个基于历史数据的归纳工具。

如果你的原始数据本身就是一堆信噪比极低、毫无规律的随机漫步，哪怕 TCN 把感受野开得再大，提取出来的也只是一堆浓缩的噪音。

它不可能无中生有地给你变出 Alpha。

但不可否认，它为我们提供了一个极其趁手的工具。可以将一段时期的量价走势，安全地（无未来函数）压缩成一个特征向量。

无论是将这个向量输入全连接层进行收益率预测，还是将其作为强化学习算法中的环境状态（State），它都展现出了极高的工程价值和计算效率。

这篇文章是我们《因子分析与机器学习策略》中的内容，出现在如何处理时序特征那一部分。对因果卷积得到的一些重要结果，将成为我们在深度学习策略中用以训练的核心特征。更多关于如何驾驭这些模型的探讨，我们课堂上见！

💡 最后补充一句： 在实盘应用 TCN 时，最大的坑往往不在网络结构，而在数据的预处理。直接将未经平稳性处理或横截面标准化的绝对价格喂给网络，模型大概率会陷入迷茫。

正如文艺复兴科技创始人 Jim Simons 所说： "In this business it's easy to confuse luck with brains." （在这个行当里，人们总是太容易把运气当成自己的才华）。当你用高级的因果卷积赚了钱时，不要以为是模型有什么神奇魔力，那可能只是刚好拟合了当下的市场情绪。在量化领域，永远要对市场的混沌保持敬畏。