文章核心观点 - 文章核心观点认为，直接从K线图形层面编写量化选股公式是困难且低效的，因为图形主观性强、标准化程度低[1][3] - 文章核心观点指出，技术指标是对原始数据的特性提取和抽象，比图形描述更先进，但单指标系统也存在局限性[3] - 文章核心观点强调，专业的量化建模应基于底层逻辑，通过复合建模和特性挖掘来构建高效模型，而非简单叠加指标或拟合图形[4] 根据相关目录分别进行总结 图形化选股的实践与局限 - 许多投资者量化之路的起点是希望将特定的K线图形模式编写成公式进行选股[1] - 通达信软件内置了形态匹配选股功能，用户可通过框选图形结构进行匹配选股[1] - 使用公式描述形态非常困难，常导致选股结果不符合预期或遗漏目标，需要反复修改且公式复杂[3] - 图形选股的主要问题在于主观看法偏差大，且实际中不存在两个完全相同的标准形态，在图形层面构建通用筛选器难度高、效果差[3] - 市面上流传的多数选股公式（包括口袋支点公式）仍基于图形和均线描述，这由普遍的认知水平决定[3] 技术指标的作用与认知 - 技术指标是对原始价格、成交量等数据的计算，其目的并非单纯计算，而是为了提取数据中的某种特性，具有归纳、统计和抽象意义[3] - 指标因其特性可被用于复合建模，思路清晰且高效，专业的量化模型多以此方式构建[4] - 用形态描述可能需要几十上百句话，而用特性描述可能几句话就能概括且效果更好[4] - 单指标系统因视角局限，可能不如裸K图全面的说法有一定道理[3] 量化建模的正确路径 - 量化建模是比单指标系统更高层级的思维和框架设计，不能简单地将多个指标凑在一起拟合“共振”[4] - 正确的建模路径是首先想清楚模型的底层逻辑，然后寻找匹配的特性进行描述，并层层向上搭建[4] - 在量化建模中，技术指标被视为“预制件”，如果没有合适的，需要临时创建[4] - 量化的长处和发展趋势在于复合建模和特性挖掘，应以效果为导向，不拘泥于传统方法和理论[4]