2018–2025 年，深度学习（DL）和深度强化学习（DRL）在量化交易里的位置发生了变化：从“论文里很强”逐步走向“可以进入生产体系的工具箱”。但真正被反复验证的，不是“神奇的 Alpha”，而是一些更朴素、也更残酷的结论： * 预测不等于交易：方向准确率提升，并不必然转化为扣除成本后的净收益。 * 风险调整目标更可迁移：Sharpe、回撤等目标往往比“最大化收益”更接近真实约束。 * 泛化才是难点：很多失败来自市场状态切换（regime shift）、数据泄漏、以及过于理想化的回测假设。 下面按模型家族（LSTM/CNN/Transformer）与 DRL 家族（DQN、PPO/A2C/DDPG/SAC）总结关键经验，并给出一个更“可落地”的实践清单。 1）深度学习真正擅长的地方

Deep learning (DL) and deep reinforcement learning (DRL) have moved from “interesting papers” to real, production-adjacent toolkits for systematic trading. From 2018–2025, the literature converged on a few uncomfortable truths: * Prediction ≠ trading: higher directional accuracy doesn’t automatically translate into net performance after costs. * Risk-adjusted objectives matter: optimizing for

所谓“资金流”（fund flow）指标，核心是在回答一个很朴素但又很危险的问题：资金到底是在流入（吸筹/累积）还是流出（派发/出货）？ 必须先把话说清楚：大多数“资金流”指标并不直接观测真实资金（尤其不是基金申赎意义上的 flow），而是把价格与成交量做数学变换，用“成交量代表参与度、收盘位置代表多空控制力”这样的假设，去推断买卖压力。 要点总结 * **没有任何一个指标能测到“真实资金流”。**它们是从价量推断出来的“压力代理变量”。 * 最有价值的用法通常是背离（divergence）：价格创新高/新低，但资金流代理没有同步。 * 做个股，最常用的是 A/D 系列与 CMF、OBV 这些“累积/派发”工具。 * 做行业与大盘，必须叠加市场广度/量能广度（Advance–Decline

Fund flow indicators are attempts to answer a simple question with imperfect market data: is capital accumulating (inflow) or distributing (outflow)? In practice, most “money flow” tools are price–volume transforms that treat volume as a proxy for participation and treat where the close occurs (within the day’s range)