放量突破与缩量回调是技术分析中常见的量价形态，但信号真伪难以凭经验判断。机器学习通过量化成交量、价格变化与时间序列特征，能更客观地识别有效突破和回调整理。核心思路是：将量价关系转化为可训练的特征集，利用模型区分真实趋势信号与噪声。
特征工程：从量价数据中提取关键信号
机器学习区分真伪突破的第一步是构建特征。常用特征包括：
- 成交量变化率：当日成交量相对过去N日均量的比值，放量通常定义为超过1.5倍。
- 价格波动幅度：突破或回调当日的最高价与最低价之差占收盘价的比例。
- 相对强度指标（RSI）：衡量价格超买或超卖状态，辅助判断回调性质。
- 价格位置：当前价格相对过去N日最高价与最低价的百分比位置。
将这些特征输入广义线性模型（如逻辑回归），可建立基础分类器。模型输出的是“真突破”或“真回调”的概率，而非二元判断。例如，当放量突破伴随成交量变化率>2.0且价格位置>80%时，模型给出的真突破概率通常较高，但需结合其他特征验证。
非线性模型：样条函数捕捉复杂量价关系
量价关系常呈非线性，例如轻微放量可能无效，而极度放量反而预示抛压。线性模型难以刻画这种模式。使用样条函数（如B样条）对成交量与价格变化进行变换，可捕捉拐点与阈值效应。具体做法是将成交量与价格变化拆分为多个分段函数，每个分段独立拟合，再组合成整体预测。
比较不同量价组合的预测概率时，常见发现：
- 放量突破+价格创新高：样条模型预测的真突破概率可能比线性模型高出10-20个百分点，因为非线性模型能识别“成交量温和放大且价格站稳”的典型模式。
- 缩量回调+RSI低于30：样条模型更容易区分“主力洗盘”与“趋势反转”，前者常伴随成交量萎缩至均量50%以下，后者则可能伴随成交量缓慢放大。
常见问题
如何防止机器学习模型过拟合？
使用交叉验证与正则化（如L1/L2惩罚项），并限制特征数量。例如，将历史数据分为训练集与测试集（比例约为7:3），若模型在测试集上的准确率低于训练集5个百分点以上，说明过拟合。还应结合市场环境（如大盘指数走势）与资金流向（主力净流入/流出）做二次验证。
样条函数需要设定多少个节点？
通常3-5个节点即可覆盖常见量价区间。节点过多会导致模型过于敏感，容易将随机波动误判为信号。实践中，可选择AIC（赤池信息准则）最小的节点数，或通过网格搜索确定。
机器学习模型能否直接用于实盘交易？
不能。模型输出的概率仅为辅助参考，需结合止损策略与仓位管理。例如，当模型给出“真突破”概率超过70%时，可小仓位试探；若概率低于50%，则放弃操作。历史回测中，这类策略的胜率通常在55%-65%之间，但需定期重新训练模型以适应市场变化。