LLaMA-2大模型在A股技术分析中的应用实践

1. 项目背景与核心思路

去年第三季度开始，我尝试将A股市场近5年的日K线数据（包括开盘价、收盘价、最高价、最低价、成交量等关键指标）输入到经过微调的LLaMA-2 13B大模型中，让AI学习识别技术形态与市场情绪的关联规律。这个想法的诞生源于两个观察：一是传统技术分析存在主观性强、维度单一的问题；二是现代大模型在时序数据处理方面展现出惊人的模式识别能力。

具体操作时，我采用了"分阶段渐进式训练"策略：

1. 基础数据清洗阶段：使用Python的pandas库处理了2018-2023年间沪深300成分股的日线数据，剔除停牌日、异常波动日（如涨跌幅超过10%的极端情况）
2. 特征工程阶段：除了原始价格数据，还计算了20日均线、MACD、RSI等14个技术指标作为附加特征
3. 模型微调阶段：在AWS p4d.24xlarge实例上，使用PyTorch框架对模型进行了6000步的监督微调

关键发现：当输入数据包含连续30个交易日的完整K线组合时，模型对后续5日走势预测的准确率达到68.3%，显著高于传统技术分析55%左右的平均水准

2. 数据准备与特征工程详解

2.1 数据源选择与清洗

我从Tushare Pro API获取了2018年1月至2023年12月的完整日K数据，包含以下字段：

• 股票代码（如600519.SH）
• 交易日期（YYYY-MM-DD格式）
• 开盘价/收盘价/最高价/最低价（精确到小数点后2位）
• 成交量（股数）
• 成交金额（万元）

清洗流程特别注意：

python复制# 异常值处理示例代码
def clean_data(df):
    # 剔除涨跌幅超过11%的异常记录
    df['pct_chg'] = df['close'].pct_change() * 100
    df = df[(df['pct_chg'] >= -11) & (df['pct_chg'] <= 11)]
    
    # 处理停牌日（成交量为0）
    df = df[df['volume'] > 0]
    
    # 前复权处理
    df['adj_factor'] = (df['close'] / df['pre_close']).cumprod()
    for col in ['op