温馨提示：本书每章配套专属片尾曲，皆为 IT 行业匠心打造，专属填补行业歌曲空白 ，另外先了解本集内容，再听片尾曲才有更多的感受；

本集专属旁白：播放地址
本集播客： 播客地址

下面是我个定制：
《2017：我为AI点亮火种》两个主题曲(大家评选一下):

昨日未来A版: 歌曲地址

昨日未来B版: 歌曲地址

故事大纲（30集微故事版）

核心设定：
主角陈默，2025年顶尖AI科学家，在突破AGI实验时因时序数据溢出，意外穿越回2017年11月——AI爆发前夜，被困在显示着GTX 1070 Ti首发海报的显卡卖场，只剩一部碎屏手机与满脑来自未来的算法记忆。

故事主线：
陈默以“时空错位”的技术认知差为火种，从用微型LSTM模型赚取第一笔五百元启动资金开始，在硬件匮乏、生态原始的2017年，逐步搭建起超前时代的轻量化AI技术栈与商业实践，最终在Transformer革命前夕点亮中国AI的独立进化路径。

第2集：首桶金！LSTM短线狙击
情节：在网吧用二手笔记本跑通了优化版LSTM模型，凭借“雄安新区”政策特征，精准狙击三支短线股，赚到穿越后第一笔450元。
看点：特征工程的力量首次展现。小成本撬动大收益的爽感，主角的孤独奋斗与时代信息差形成的独特优势。

---

第2集：首桶金！LSTM短线狙击

【开篇：三次心跳】

陈默盯着证券账户的余额：551.8元。

在2025年，这是他实验室里一根散热管的价钱；在2017年，这是他向AI时代叩门的全部资本。

“还是太慢。”他站在网吧厕所的镜子前，用冷水抹了把脸。镜子里的年轻人眼中有一种奇异的分裂感——一半是27岁失业程序员的疲惫，一半是35岁顶尖科学家俯瞰时间轴的冷静。

按照这个速度，他要攒够四张GTX 1070 Ti的钱（14796元），需要290次完美预测。

市场不会给他290次机会。任何规律一旦被过度使用，就会在资金的围剿中失效。

他需要放大杠杆——不是金融杠杆，而是认知杠杆。

回到机位，陈默打开了一个新的Python脚本。这次不是预测单只股票，而是构建一个多股票协同预测系统。

---

【技术场景一：LSTM的“注意力缺陷”】

“问题出在哪里？”陈默在记事本上写下一行思考：

传统LSTM在处理多股关联时，默认所有输入特征同等重要——这就像让一个人同时听十个人说话，还要求他记住每个人每句话的细微关联。

他需要的，是在2017年还不存在的多头注意力机制。但Transformer的论文才刚发表四个月，连PyTorch官方都还没实现。

“那就先造一个简陋版。”

陈默开始写代码。他的思路很清晰：既然无法让模型自动学习特征重要性，那就手动注入重要性权重。

# 特征重要性加权层（2025年简化版移植）
class ManualAttentionLayer(nn.Module):
    def __init__(self, feature_dim=6, stock_count=5):
        super().__init__()
        # 为每只股票每个特征设置可学习权重
        self.importance_weights = nn.Parameter(torch.randn(stock_count, feature_dim))
        
    def forward(self, x):
        # x形状: [batch, stock_count, seq_len, feature_dim]
        # 为每个特征乘上权重，让模型学会“关注重要信号”
        weighted_x = x * self.importance_weights.unsqueeze(1)  # 广播
        return weighted_x

但这还不够。金融时序数据有两个魔鬼：

1. 非平稳性——股票的波动特性会随时间变化
2. 异步相关性——A股的上涨可能三天后才传导到B股

陈默调出了五只关联股票的数据：

1. 冀东水泥（000401） - 他已经验证过的
2. 金隅股份（601992） - 同一产业链
3. 华夏幸福（600340） - 雄安地产核心
4. 中国建筑（601668） - 基建总包
5. 海螺水泥（600585） - 行业对标

“如果LSTM是短期记忆，我需要给它加上长期记忆抽屉。”

他设计了一个双层架构：

• 第一层：5个独立的微型LSTM，分别处理单只股票
• 第二层：一个“协调者LSTM”，接收5个LSTM的隐藏状态，学习股票间的关联模式

class TwoLevelLSTM(nn.Module):
    def __init__(self):
        super().__init__()
        # 五只股票，五个独立专家
        self.stock_experts = nn.ModuleList([TinyLSTM() for _ in range(5)])
        # 协调者：学习专家们如何互相影响
        self.coordinator = nn.LSTM(input_size=5*32, hidden_size=64)
        
    def forward(self, x_list):  # x_list包含5个股票的张量
        expert_outputs = []
        for i, expert in enumerate(self.stock_experts):
            out = expert(x_list[i])  # 每个专家处理自己的股票
            expert_outputs.append(out)
        
        # 协调者看到的是“专家委员会的意见”
        combined = torch.cat(expert_outputs, dim=-1)
        final_out, _ = self.coordinator(combined)
        return final_out

---

【技术场景二：对抗过拟合的“左右互搏”】

更大的模型意味着更大的过拟合风险——模型可能只是记住了训练数据的噪声，而非真实规律。

陈默只有2015-2017两年的日线数据，约500个交易日。这在深度学习世界里贫瘠得像沙漠。

“我需要数据增强……但时间序列不能随意扭曲。”

他想起了2023年一篇冷门论文《金融时序的因果数据增强》，核心思想是在保持因果顺序的前提下，对数据进行合理变形。

他实现了三种增强：

1. 时间缩放：将股价序列在时间轴上轻微压缩或拉伸（±5%）
2. 波动率扰动：在波动率低的时期加入适量噪声
3. 事件偏移：将“政策发布日”在前后三天内随机偏移，模拟市场反应的滞后差异

def augment_time_series(series, policy_dates):
    """因果友好的数据增强"""
    aug_type = random.choice(['scale', 'jitter', 'shift'])
    
    if aug_type == 'scale':
        # 时间轴缩放
        new_length = int(len(series) * random.uniform(0.95, 1.05))
        scaled = F.interpolate(series.unsqueeze(0).unsqueeze(0), 
                              size=new_length, mode='linear')
        return scaled.squeeze()
    
    elif aug_type == 'jitter':
        # 只在低波动期加噪声
        volatility = series.diff().std()
        if volatility < 0.02:  # 低波动期
            noise = torch.randn_like(series) * 0.01
            return series + noise
        return series
    
    else:  # shift
        # 事件日偏移，保持因果顺序
        # 实现细节省略...

增强后，训练数据“膨胀”了五倍。

---

【技术场景三：用贝叶斯做“风险制动”】

模型可以给出预测，但无法评估预测的可信度。在2025年，陈默会用蒙特卡洛Dropout或深度集成——但这些方法在2017年的小模型上计算代价太高。

他想到了一个古老而强大的工具：贝叶斯神经网络近似。

“本质上，我需要知道模型在说‘上涨概率65%’时，这个‘65%’本身有多可靠。”

他在最后一层做了修改：

class BayesianOutputLayer(nn.Module):
    def __init__(self, input_dim, output_dim=1):
        super().__init__()
        # 不直接输出一个值，而是输出分布的参数
        self.fc_mu = nn.Linear(input_dim, output_dim)  # 均值
        self.fc_sigma = nn.Linear(input_dim, output_dim)  # 不确定性
        
    def forward(self, x):
        mu = torch.sigmoid(self.fc_mu(x))  # 预测概率
        sigma = F.softplus(self.fc_sigma(x))  # 不确定性（始终为正）
        # 返回均值和方差，可据此计算置信区间
        return mu, sigma

现在模型每次预测都会附带一个不确定性分数σ。σ值大，说明模型对这个预测没把握；σ值小，说明模型很自信。

陈默设定了一个规则：只交易σ < 0.1的高信心预测。

---

【实战：72小时狙击战】

第1小时：增强后的数据开始训练。网吧的GTX 1050发出轻微嗡鸣。

第12小时：模型第一次收敛。验证集准确率68.3%，比第一版的61.7%显著提升。

第24小时：陈默发现一个问题——模型对“下跌”的预测能力明显弱于“上涨”。这是金融数据的天然不对称：上涨往往有明确催化剂，下跌则可能由无数隐形因素引发。

他引入了不对称损失函数：

class AsymmetricLoss(nn.Module):
    def __init__(self, up_weight=1.0, down_weight=1.5):
        super().__init__()
        self.up_weight = up_weight
        self.down_weight = down_weight  # 给下跌预测更高权重
        
    def forward(self, pred, target):
        basic_loss = F.binary_cross_entropy(pred, target, reduction='none')
        # 如果真实标签是下跌（target=0），损失乘上更高权重
        weight_mask = torch.where(target == 0, 
                                 self.down_weight, 
                                 self.up_weight)
        return (basic_loss * weight_mask).mean()

第48小时：模型调整完毕。陈默喝了第六罐红牛，眼睛布满血丝，但眼神明亮。

模型给出了一个高信心预测(σ=0.07)：

• 时间：11月9日（两天后）
• 标的：京东方A（000725）
• 逻辑：苹果供应链情绪传导 + 面板行业周期底部反转
• 预测上涨概率：71.4%
• 建议持仓时间：3个交易日

第55小时：陈默做出了一个决定。他登录了刚注册的股票论坛账号，发了一个看似“技术分析”的帖子：

《面板行业深度：从周期底部看京东方》
内容充满严谨的数据和产业链分析，只在最后一段“顺便”提到：“技术面显示，本周可能迎来关键转折。”

他需要市场情绪的微弱共振。不是操纵，是催化。

第60小时：他将全部资金551.8元，在收盘前以4.12元价格全仓买入京东方A——133股。

第72小时：11月9日，周四。

上午9点31分，京东方A平开。
10点15分，苹果供应链分析师发布报告：“iPhone X需求超预期，供应链企业有望受益。”
10点47分，京东方A开始放量上涨：4.15、4.18、4.22……
陈默设定的目标价是4.36元，涨幅5.8%。

下午1点13分，股价触及4.35元。
他没有贪婪。
在4.34元的位置，他清空了所有持仓。

133股 × (4.34 - 4.12) = 29.26元盈利

本金变成581.06元。

---

【意外转折：被看见的“技术宅”】

就在陈默准备关机时，一个身影停在他身后。

“你的模型代码，能让我看看吗？”

陈默猛地回头。是那个三天前在显卡卖场与他争论“8GB显存能否训练AI”的女子——苏晚晴。

她今天穿着简洁的白色衬衫，手里拿着一杯咖啡，眼神里没有质疑，只有敏锐的好奇。

“你怎么找到我的？”
“整个网吧，只有你在跑Python而不是玩游戏。”苏晚晴指了指屏幕，“而且你的终端在滚动显示损失曲线——那是在训练什么，对吧？”

陈默迅速最小化窗口：“普通的数据分析。”
“普通数据分析不会用LSTM，更不会用自定义的注意力层。”苏晚晴平静地说出这两个词。

陈默愣住了。2017年，能一眼认出LSTM和注意力机制的人，绝非常人。

“你是谁？”
“一个在找火种的人。”苏晚晴放下咖啡，递过一张名片：
晴空科技 创始人 苏晚晴
下方手写着一行小字：“我相信机器可以做梦，只是还没人教它。”

“我看到你论坛的帖子了。技术分析是幌子，真正的预测来自某个模型，对吗？”她目光如炬，“我出五千元，买你下一周的预测服务。如果准确，我们再谈更大的合作。”

陈默看着名片，又看了看屏幕上刚刚完成的交易记录。

火种需要氧气才能燃烧。
而资本，就是最直接的氧气。

---

【本集核心知识点总结】

1. 多时序协同预测：

   • 传统LSTM处理多序列的局限性：平等对待所有输入，忽略特征重要性差异
   • 解决方案：手动注意力加权+双层协调架构，模拟“专家委员会”决策过程

2. 时序数据增强的因果约束：

   • 金融数据不能随意增强，必须保持因果顺序
   • 三种因果友好增强：时间缩放、波动率扰动、事件偏移
   • 数据增强本质是让模型学会“规律”而非“记忆噪声”

3. 预测不确定性量化：

   • 贝叶斯神经网络近似：让模型输出预测的均值和方差
   • 不确定性分数σ作为“风险制动器”，只交易高信心预测
   • 这是AI投资中风险控制的核心思想

4. 金融数据的非对称性处理：

   • 上涨和下跌的预测难度不同，需要不对称损失函数
   • 给予下跌预测更高权重，强迫模型学习下跌模式

5. 2017年深度学习工程现实：

   • 没有现成的多头注意力实现，需要手写简化版
   • 计算资源有限，模型必须极端精简
   • 数据稀缺，需要创造性增强

---

下集预告：苏晚晴的五千元投资到账，但要求陈默现场演示“模型精度如何验证”。在晴空科技的会议室，陈默将用一个简单的脚本揭示AI预测的底层逻辑——而这场演示，将改变两人关系的本质。

本集片尾曲:
七十二小时A版: 音乐地址
七十二小时B版: 音乐地址

---

版权声明
2017：我为AI点亮火种和主题曲和片尾曲以及相关封面图片等 © [李林] [2025]。

本作品采用 知识共享 署名-非商业性使用 4.0 国际许可协议 进行授权。
这意味着您可以：

• 在注明原作者并附上原文链接的前提下，免费分享、复制本文档与设计。
• 在个人学习、研究或非营利项目中基于此进行再创作。

这意味着您不可以：

• 将本作品或衍生作品用于任何商业目的，包括企业培训、商业产品开发、宣传性质等。

如需商业用途或宣传性质授权，请务必事先联系作者。
作者联系方式：[1357759132@qq.com]