VLMs能看懂K线吗？多周期K线图数据集与标准化评估框架

“Do VLMs Truly "Read" Candlesticks? A Multi-Scale Benchmark for Visual Stock Price Forecasting”

本研究构建多周期K线图数据集与标准化评估框架，以检验视觉语言模型（VLMs）利用多尺度视觉市场信号的能力。

实验表明，XGBoost稳定性和平均排名能力优，部分VLMs在特定领域有潜力：Claude-sonnet-45(thinking)预测价格方向和收益排名能力强，整体表现最佳。Qwen方向预测平衡且排名能力强。Gemini2.5-flash方向预测最平衡。

【 扫描文末二维码加入星球获取论文 】

摘要

VLMs 可以基于K线进行股价预测，但现有基准难以评估其对K线股价的理解。一是无法分离 VLMs 对视觉股价输入的理解，不清楚视觉输入是否提升预测表现及 VLMs 是否真懂K线模式。二是现有数据集和评估围绕单期或表格输入，难以系统评估 VLMs 整合短期和长期视觉市场动态的能力。

本文为此构建多尺度K线数据集和标准化评估框架，结合混淆矩阵诊断和信息系数时间序列指标，以 XGBoost 为基线。实验表明多数 VLMs 仅在持续涨跌条件下表现好，常见市场场景预测能力弱，还存在预测偏差和对预测期限敏感度低的问题，显示其精确时间推理存在局限。

简介

人工智能发展下，VLM在金融尤其是股价预测有潜力，基于K线图预测是其金融应用关键，但现有评估基准难测其对股价信息的真实理解。

然而，主流多模态数据集难判断模型是理解图表还是依赖文本信号，且缺严格消融实验。忽视多时间尺度分析方法，限制对VLM能力的综合评估。

本研究构建含日、周K线图及预测目标的数据集样本，消除多模态混淆偏差。采用多维评估框架，引入二维混淆矩阵分析。进行细粒度分析，为理解多模态预测机制和优化交易策略提供支持。

相关工作

传统股价预测方法

股票价格预测是金融研究核心。传统统计模型（如 ARIMA）适用于短期预测，难处理复杂非线性关系。机器学习方法（XGBoost、LightGBM）通过特征工程提升性能，但易过拟合。深度学习带来新可能，ARIMA 有趋势预测作用，混合 ARIMA - LSTM 更优。图像法将 K 线图作视觉输入，CNN 可增强学习、挖掘隐藏模式，但现有方法需数据或图像结构化处理，无法像人类交易员直接从 K 线图提取有效信息预测。

图像应用与挑战

近年来金融图像广泛用于预测任务，但现有研究多采用复杂多模态数据集，阻碍能力归因分析。典型研究将图像与多信息源结合，如Karadaş等纳入推文指标、Xu等提供多种数据、Huang等用金融知识结合图像、Prado等编码烛台图。虽准确率高，但无法确定性能源于视觉理解还是文本信息，且大多缺乏分离模态贡献的消融实验，视觉理解能力成“黑箱”。

多时间尺度分析方法

多时间尺度分析是技术分析核心方法。经典理论如道氏理论区分不同趋势，艾略特波浪理论描绘嵌套结构。现代系统采用多周期确认机制。深度学习中有多尺度建模，但主要针对表格数据。现有研究缺乏对视觉语言模型（VLMs）多周期图表视觉整合的系统评估，且未明确模型是否真正学会分层推理。

数据集

本文构建多尺度 candlestick 图表数据集，原始市场数据来自 TuShare（中国 A 股 HS300 成分股 2015 年 1 月 - 2025 年 7 月数据）和 Yahoo Finance（同期美国 S&P500 指数成分股数据）。

基于历史 OHLCV 记录构建的多周期 candlestick 图表数据集用于 VLM 实验，相同数据经处理形成数值模态用于数值实验。

数据访问遵循数据提供商服务条款，用于学术非商业研究，仅含公开市场信息，无个人敏感数据。

原始市场数据（OHLCV）

原始 OHLCV 时间序列仅做最小预处理，以保留市场动态、避免早期引入特定偏差，视觉和数值表征的模态相关处理后续分述。以收盘价序列定义未来收益为目标变量，重点关注 30 日远期收益。

所有原始 OHLCV 记录及对应未来收益值汇总成统一 CSV 文件，作为后续分析评估的通用数值数据源。

视觉模态数据处理

为构建数据集视觉模态，按统一确定流程从原始OHLCV时间序列生成多时间尺度的K线，步骤为：重构配置参数与数据形成股票专属数据框。计算多频率K线数据及移动平均线。选指定频率数据可视化。按预设截止日期截断时间序列。显示K线最多 50 个。渲染并保存为 PNG 图像。图表含K线、移动平均线和成交量子图，表头有股票符号、时间框架和截止日期。不同时间尺度市场模式有别，如某股日、周K线分别呈上升、下降趋势，其 30 天实际未来回报为负。

生成的K线按层次目录结构组织，顶层按截止日期索引，二层为股票代码，各股票目录下按不同时间频率分开存储，便于多时间尺度分析。

评估30天回报预测时，按30天间隔采样K线，此策略简化输入与结果的时间关系，方便评估。虽非必要，但更合理，短间隔会增加成本、引入冗余和强相关性。

该数据组织和采样策略构建了结构化、可扩展、可解释的视觉输入管道，平衡多方面因素，为后续基于VLM的评估提供稳定基础。

数值时间序列数据处理

除视觉模态外，构建数值时间序列输入支持基线模型，确保跨模态公平比较。数值特征与视觉数据的截止日期和未来回报标签严格对齐。

数据统计

2015 - 2025年历史股票数据构建同期K线图，选HS300指数300只、S&P500指数500只成分股，生成32个截止日期的日、周K线图，表2总结数据集统计信息。

与现有数据集的比较

表3对比本数据集与用于时间序列或金融预测的代表性数据集。现有数据集多关注文本和数值信号，如FNSPID整合新闻文本与高频价格序列，TimeMMD提供含非图表数据图像输入的通用时间序列基准，均无K线且不支持技术图表结构推理。FinMultiTime是唯一含K线图像的数据集，但将其作辅助输入，不评估模型对图表结构的视觉理解和跨尺度一致性。

本数据集将K线作为一级视觉输入，支持多尺度K线表示，旨在评估视觉语言模型对金融图表的推理能力，是首个以多尺度K线视觉推理为主要评估目标的数据集。

基准测试任务

任务定义

研究将股票趋势预测定义为基于K线图可视化分析的收益回归预测问题。

输入：每个样本包含同一股票同一日期的日K线图和周K线图，用于区分“趋势内回调”与“趋势反转”，测试VLM整合视觉与文本信息的能力。

输出：连续值预测 r^∈[−0.5,1.0] 对应预期未来收益，选回归而非分类的原因包括保留完整信息、与分类评估兼容、贴近投资决策场景，范围覆盖超99%实际情况，允许 r^=0 表示“趋势不明”。

预测目标：计算30天远期收益率 r30，30天窗口处于技术分析有效“最佳区间”。

提示工程

将抽象回归预测任务转化为视觉分析指令，设计结构化提示。

角色定义与任务说明：定义模型为“股票趋势分析师”评估“价格波动幅度”，强调无偏，以两期K线为输入，按公式定义 30 天未来回报。

多维分析框架：采用多维技术分析框架预测 30 天股票回报，包括分解K线、分析移动平均线、进行成交量分析、检测拐点及关联不同时间信号。

输出约束与少样本学习：规定输出格式为[-0.5, 1.0]内的数值，保留三位小数并加标签，无额外文本。避免系统偏差，依据技术信号预测。提供少样本示例辅助校准。

评估指标

混淆矩阵：在股价预测中，TP、TN、FP、FN 有明确含义，TP 率反映捕捉上涨机会能力，FP 率反映误判率，还有准确率、召回率、精准率、特异度、F1 等指标，具体公式见 5.1.2。

IC（信息系数）：衡量预测值与实际回报的线性相关性，均值 IC 体现平均预测能力，中位数 IC 体现预测稳定性，ICIR 衡量风险调整后的预测能力，显著 IC 比例体现预测有效性频率。Rank IC 用斯皮尔曼等级相关，更抗异常值，Rank ICIR 等与 IC 类似，适用于评估相对强度判断能力。

“偷看”实验

实验选取同产品线不同发布日期的 GPT4o - 2024 - 05 - 13 和 GPT4o - 2024 - 1120 两模型，在 2024 年 5 月 14 日至 11 月 19 日预测 30 天未来回报，以实际结果评估。两模型 IC 等指标相近，无后发布模型显著优于先发布模型的“偷看”模式，表明所选 VLMs 未用发布后实际股票数据提升预测表现，为结果可解释可靠性提供初步实证。

实验结果

研究测试窗口为2023.01.01 - 2025.01.01，多数模型以HS300为股票池评估，在标普500指数也测试过的模型用括号标记以体现跨市场验证。

分类性能分析

表4左部分呈现所有模型的混淆矩阵统计，图4展示最佳模型Claude-haiku-4-5的混淆矩阵热图。

基于混淆矩阵可计算准确率、精度、召回率、特异性和F1分数，表4右部分展示各模型在这些指标上的表现，并给出相关计算公式。

不同模型契合不同投资理念，Claude-Haiku高精度适合保守策略，GPT5mini高召回适合激进策略，模型选择应匹配风险偏好而非追求通用优化。

预测偏差分析

模型校准评估预测与真实分布的一致性，采用分布偏差（Bas）为校准指标，正偏差表示模型高估上涨概率，负偏差表示低估。图 5 展示各模型偏差值与校准等级。不同架构模型偏差差异大，传统机器学习和大语言模型有不同偏好，原因待究。利用这种异质性构建集成系统，通过互补偏差抵消来提升金融预测的稳健性。

信息系数分析

信息系数（IC）衡量预测与实际回报的相关性，是评估预测能力的核心指标，与注重方向判断的准确率不同，它反映模型预测回报幅度的能力，对投资组合优化和风险管理很重要。图6、图7和表5展示了不同模型的IC和Rank IC系列指标。

极端条件下的性能

牛熊市场表现：交易日中，涨股比例>70%为牛市，跌股比例>70%为熊市。正常市场各模型表现差异不大（50.9%-52.6%），极端市场有分歧，各模型在熊市准确率更高，更擅识别下行风险，Qwen因测试期无牛市实例表现为零，这种不对称能力为投资者选模型提供依据。

极端股票案例分析：测试期内，个股涨日比例>70%为连续涨，跌日比例>70%为连续跌。各模型对极端股票预测准确率不同，Claude - Haiku识别下跌股表现最优，GPT5mini捕捉上涨趋势能力强，XGBoost对上涨股预测准确率最低（43.8%），这种差异为构建模型投资组合策略提供基础。

时间敏感性分析

IC分析显示，虽模型被要求预测30天回报，但与5天实际回报相关性更高，表明当前VLMs主要捕捉短期市场信号，存在长期预测的根本局限。如Claude-Sonnet-4-5的5天IC为0.047（ICIR：0.236），30天IC为0.042（ICIR：0.258）。这或因VLMs擅抓训练数据中的短期技术模式，难进行长期基本面推理和处理累积不确定性。VLMs更适合作为短期交易信号辅助工具，而非长期投资决策主要支撑。

讨论

多尺度K线分析结合结构基本面与动态价格行动，但存在延迟问题，虽滞后确认周期，仍优于表格数据。

经验显示，视觉语言模型（VLMs）比XGBoost有更高IC/Rank IC显著性、更高中位数IC，预测更稳定、尾风险失败少且优化空间大。

原因在于视觉表征有结构优势，表格格式以数值向量编码序列，需纯统计发现时间规则。K线将领域结构外化为视觉语法，VLMs可转移视觉先验，规避表格模型的稀疏数据约束，体现架构对齐差异。

总结

本研究构建多周期K线图数据集与标准化评估框架，以检验视觉语言模型（VLMs）利用多尺度视觉市场信号的能力。该数据集解决现有数据集复杂度过高、多周期尺度重视不足的问题，构建最小数据集，样本含日、周K线图及对应目标值，保持市场趋势、个股行为模式多样性与样本分布均衡。研究测试7种商用VLMs，基于混淆矩阵和IC系列指标评估。

实验表明，XGBoost稳定性和平均排名能力优，部分VLMs在特定领域有潜力：Claude-sonnet-45(thinking)预测价格方向和收益排名能力强，整体表现最佳。Qwen方向预测平衡且排名能力强。Gemini2.5-flash方向预测最平衡。未来将在该数据集上评估更多金融概念，优化模型训练，深入研究VLMs对K线图的理解。

我们致力于人工智能、量化交易领域前沿研究，分享前沿论文、模型代码、策略实现。如有相关需求，请私信与我们联系。

请加微信“LingDuTech163”，或公众号后台私信“联系方式”。

关注【灵度智能】公众号，获取更多AI资讯。