“Learning Universal Multi-level Market Irrationality Factors to Improve Stock Return Forecasting”
论文地址：https://arxiv.org/pdf/2502.04737
Github地址：https://github.com/lIcIIl/UMI
摘要
深度学习技术与量化交易相结合，在股票投资领域展现出了显著的应用价值，多种基于深度学习的股票收益预测模型应运而生。然而，当前的模型往往未能充分考量市场情绪、投机行为等非理性因素的影响，同时存在缺乏清晰标签和详尽数据描述的问题。
本文引入了一种全新的模型——UMI模型，致力于提升股票收益预测的准确性，并着重于捕捉和反映市场中的非理性行为特征。UMI模型通过为每只股票构建一个估计的理性价格，将实际市场价格与这一理性价格之间的差距作为衡量单个股票层面非理性事件的指标。此外，对于市场整体层面的非理性行为，即市场内股票出现异常同步波动的情况，UMI模型设计了自监督学习任务，将其整合进市场的表示向量之中。所开发的预测模型不仅能够捕捉股票之间的时间序列依赖关系，还能体现它们之间的相互关联，同时成功地将UMI因素融入其中。
为了验证UMI模型的有效性及其所考虑因素的广泛适用性，我们在美股和中股市场上开展了广泛的实验研究。这些实验旨在证明UMI模型在不同市场环境下的适应能力和预测精度。通过这种方式，我们希望展示UMI模型如何更好地理解并利用市场中的非理性行为来改善股票收益预测的效果。
简介
量化交易（Quantitative Trading, QT）策略在金融机构与投资基金中得到了广泛应用，自2017年以来，它为零售投资者和对冲基金贡献了高达1.5万亿美元的收益。特别是在2023年至2024年间，得益于有利的宏观经济条件，这类策略的表现尤为突出。股票回报预测作为QT策略中的核心技术之一，其目标是利用历史股票特征来预测未来的股价趋势。经典的QT策略包括动量策略和均值回归策略，前者基于市场动量效应，即过去表现良好的资产在未来短期内仍可能继续表现出色；后者则依赖于资产价格会回归到其平均值的原则。
近年来，随着深度学习技术的复兴，这一方法被证明非常适合处理金融市场数据中复杂的非线性关系。早期的研究尝试将股票价格视为普通的时间序列问题，并采用了循环神经网络（RNN）、长短期记忆网络（LSTM）以及Transformer等模型进行建模。随后的研究进一步发展，设计出专门针对金融数据特性的神经网络架构，并探索如何将除价格之外的信息，例如股票相关的新闻评论或交易专家的经验，整合到模型输入中，以期实现超额回报。通过使用神经网络，深度学习模型能够自动从市场行为数据中提取与股价预测相关的模式。
然而，现有的大多数模型主要关注于学习市场中普遍存在的模式，如股价的趋势、成交量与价格之间的关系以及时间的变化等。但实际上，股价还受到一些特殊的非理性因素的影响，这些因素包括但不限于市场情绪、市场操纵行为及投资者的心理偏差。由于这些非理性因素通常较为抽象且难以量化，因此很难直接将其纳入模型之中，这也限制了现有模型性能的最大化。
为了克服上述挑战，本文提出了一种名为UMI（Universal Multi-layer Irrationality Factor Mining Model）的通用多层市场非理性因子挖掘模型。该模型将市场中的非理性行为区分为两个层次：股票级和市场级。对于股票级非理性事件，定义为单个股票价格与其内在基本价值之间的暂时性偏离，UMI模型通过协整注意力机制构建每只股票的估计理性价格，并利用实际市场价格与估计理性价格之间的差异作为非理性因子。而对于市场级非理性事件，则定义为整个市场内所有股票出现异常同步波动的现象，UMI模型通过提取动态表示并结合自监督学习任务构建市场表示向量，从而纳入市场级非理性因子。最后，UMI模型将这两种类型的非理性因子作为输入，采用Transformer与图注意力混合模型来进行股票收益预测，并使用RankIC损失函数优化模型性能。
通过在美国和中国股市上开展的广泛实验，结果表明UMI模型不仅在预测准确性方面表现出色，在实际投资收益上也取得了显著成效。此外，所提出的非理性因子在多种不同的预测模型中展现了强大的通用性和适应性。
01相关工作
深度学习技术在股票预测领域得到了广泛应用，其应用范围涵盖了价格与收益预测以及基于强化学习的交易策略设计。为了提高模型性能，先进的深度学习模型采用了复杂的网络结构，并结合额外的信息源，例如基金经理的观点和股票相关的评论数据。此外，自监督学习方法通过对比学习的方式，有效挖掘了不同类型正负样本间的信息。
在股票因素学习方面，深度学习方法主要通过表征学习来提取能够反映个股特性的指示因子。然而，在现有研究中，针对市场非理性行为的研究相对较少。一些创新性方法利用协整关系对股票间的关联进行分析，而传统方法则倾向于使用市场指数来代表整体市场的状态。尽管有更先进的方法通过特定股票的表现来反映市场状况，但总体而言，对于市场非理性行为的关注仍然有限。
02预备知识
符号
股票市场由一组可交易的股票组成，表示为 = { ₁, ..., , ..., }。每个交易周期可以用集合 {1, ..., , ..., } 来标识，这通常对应于交易日。
定义1（库存特征）。股票特征是一组数值属性，用于描述股票的状态，表示为 ₜ( ) ∈ ℝᵈₑ，其中 ₜ( ) 是在时间 时股票 的特征向量。而 ( ) 则是股票 在连续 个周期内的特征向量序列 。
定义2（股票价格）。股票价格是指股票在连续时间段内的价格变化序列，表示为 ( )，其中 ₜ( ) 表示股票 在第 个周期的收盘价 。
定义3（股票收益）。股票收益率衡量了投资者在持有股票期间所获得的回报，包括股息收入和资本增值部分，是评估投资绩效的重要指标之一 。 股票收益率可以通过以下公式定义：
问题建模
股票收益预测模型运用两步策略：第一步是识别并提取能够体现市场非理性行为的因子，第二步则是结合所提取的这些因子与历史特征来预测未来的股票收益。具体而言，通过利用前一时刻的历史特征 E_{t-1} 来生成当前时刻反映非理性行为的因子 Phi_t^{(i)}。
用于预测未来股票收益的函数可以表示为一种依赖于上述非理性因子及其它相关变量的关系式。这里，构建的预测机制不仅考虑了传统的量化指标，还特别纳入了对市场情绪和投资者心理偏差等非理性因素的考量，从而力求更全面地捕捉影响股票收益的各种潜在驱动因素。这种做法有助于提高模型对未来收益预测的准确性和鲁棒性，尤其是在面对复杂多变的实际金融市场环境时。预测未来股票收益的函数为：
03股票级非理性因素
个股非理性
股票级别的非理性事件可以这样定义：当股票的实际市场价格与理论上基于理性预期的价格之间的差距超出预设的阈值 H_s 时，即可判定为发生了股票级别的非理性事件，这通常为投资者提供了潜在的投资机会。
投资策略的核心在于买入那些实际价格低于其理性价格的股票，或者卖出那些实际价格高于其理性价格的股票，从而利用市场自我修正机制带来的价格回归来实现盈利。
然而，理性价格
往往难以直接观测到，因此实践中常用的方法是选取与目标股票相关联的其他股票的价格作为替代指标，假设两者之间存在协整关系。所谓协整关系，指的是如果两个或多个非平稳的时间序列通过某种线性组合后能够形成一个平稳的时间序列，则称这些序列之间存在协整关系。对于股票价格而言，这意味着尽管单个股票的价格可能随时间呈现出不稳定的趋势，但它们之间的价差却围绕某个固定的均值波动。
一旦观察到由协整关系构建的价格差序列显著偏离其历史平均水平时，就可以认为这是股票层面非理性事件的一个信号，此时便成为执行配对交易策略的理想时机。为了验证两支股票是否具有协整特性，通常会采用Dickey-Fuller (DF) 检验方法来评估时间序列的平稳性。在该检验中，若得出的特征根 |ρ| 的绝对值小于1，则表明该序列是平稳的，暗示着所考察的两只股票间可能存在所需的协整关系，进而支持基于此关系设计的投资决策过程。
04股票级非理性因素学习
传统的配对交易策略着重于挑选具有协整关系的股票对，但这种方法不仅效率较低，而且伴随着较高的风险。
经典配对交易策略的核心在于识别出那些价格走势长期相互关联、存在统计学上所谓协整关系的股票组合。然而，这一过程往往耗时费力，需要大量计算资源来分析不同股票间复杂的价格动态关系，从而导致执行效率低下。此外，即使两支股票历史数据表现出良好的协整特性，未来市场条件的变化也可能破坏这种关系，使得依据过往表现构建的交易模型面临较大不确定性，进而增加投资风险。因此，尽管传统配对交易策略在理论上提供了一种利用价格均值回归特性获利的方法，但在实际应用中却可能因上述局限性而遭遇挑战。
协整注意力
本文引入了一种基于注意力机制的方法，旨在为每只股票构建一个虚拟理性价格，以此提升股票收益预测的准确性。该方法首先利用候选股票的价格数据生成协整价格，然后通过融入注意力机制来合成虚拟理性价格。其核心目标是确保所构建的虚拟理性价格与实际的股票价格序列之间存在协整关系。为了达成这一目标，在模型训练过程中特别引入了协整目标函数以优化参数。
这种方法试图通过数学建模和机器学习技术，模拟出一种理想化的“理性”价格水平，它能够反映市场在排除非理性因素干扰下的真实价值。通过将注意力机制应用于协整价格的生成过程，模型可以更加灵活地权衡不同候选股票对目标股票的影响程度，从而更精确地估计虚拟理性价格。最终，借助协整目标函数指导下的参数调整，使得虚拟理性价格与实际观察到的价格序列保持一致的长期均衡关系，进而增强预测模型的效果。这种方法不仅有助于改善股票收益预测的性能，还可能为配对交易等策略提供更为可靠的理论支持。
协整目标函数
协整目标函数由两部分组成：一部分是基于均方误差（MSE）最小化的回归损失，用于减少预测值与真实值之间的差异；另一部分则是平稳正则化，旨在确保序列的稳定性。通过结合这两者，并利用超参数 ₁来平衡它们的作用，可以构建一个更为全面的目标函数。
根据DF检验的原则，当| ( )| < 1时，可以判定序列 ( )为平稳过程。因此，在模型中引入了约束条件| ( )| < 1以实现平稳性正则化，这有助于保证所构造的价格序列具有所需的统计特性。
通过调节可学习参数，可以使生成的虚拟理性价格序列与实际价格序列之间达到尽可能高的协整程度，从而提供一种相较于传统配对交易策略更加高效且稳健的解决方案。
通过整合回归损失和平稳正则化来构建目标函数，并借助超参数 ₁对二者进行权衡。
在这一框架下，定义了每个股票级别的非理性因子 ( )，其高数值意味着该股票可能被市场低估，而低数值则暗示该股票可能被高估。这些非理性因子作为输入变量参与到股票收益预测模型之中，进一步增强了模型的预测能力。
05市场级非理性因素
市场级非理性事件
在一个理想的理性市场中，个股的价格应当仅仅由其基本面因素来决定。然而，在实际的市场环境中，整体的情绪状态对股价产生了显著的影响，这导致了股票价格变动的高度同步性。在牛市氛围下，市场的乐观情绪往往促使大部分股票价格上涨；而在熊市情绪笼罩之下，多数股票则倾向于下跌。历史数据可以为此提供例证：从1973年10月到1974年10月，美国股市经历了44.1%的整体下跌；而从1994年4月至1999年4月，股市则迎来了184.8%的大幅上涨。诺贝尔经济学奖得主罗伯特·席勒指出，这样的市场动态与人群中的非理性心理因素密切相关。
本文尝试定义一种用于衡量市场非理性行为的概念——市场层面的非理性事件。具体而言，当市场内股票收益在特定时间段内表现出异常的同步波动时，我们称这一现象为市场级非理性事件。为了量化这种现象，我们引入股票收益变化指标 ( )，其中 ( )=1表示某只股票的收益显著增加， ( )=-1代表收益显著减少，而 ( )=0则意味着没有明显的收益变化。如果某一时期内，股票收益大幅增加或减少的比例超过了设定的阈值 ，则该时期被认定为发生了市场级非理性事件。在一个高效且理性的市场中，股票的价格波动通常是独立的，不会出现大规模的同时上涨或下跌的情况。
市场级非理性因素学习
罗伯特·J·希勒指出，市场中的非理性行为是由市场结构、文化背景以及投资者的心理状态等多种复杂因素相互作用而产生的。因此，仅仅把市场级非理性事件作为变量加入到股票收益预测模型中，并不足以全面捕捉和解释这些深层次的影响因素。为更有效地表征市场级非理性现象，可以采用一种基于表示学习的方法，该方法包含两个核心组件：一是市场级表示提取模块，用于提炼出与市场非理性相关的特征；二是市场同步预测模块，旨在预测市场中可能出现的同步波动情况。通过这两个模块的结合，能够更加全面地反映市场非理性的本质及其动态变化。
市场级表示提取
在市场表示提取模块中，首先需要针对每只个股提取其动态行为特征，之后再将所有个股的特征整合起来，形成对整体市场的综合表示。
动态股票表示的提取过程依赖于近期的历史数据特征，通过运用自注意力机制来评估不同特征之间的相互关系与影响，从而生成能够反映个股当前状态及其历史变化趋势的动态表示。这一方法不仅关注当前的特征值，还深入挖掘了历史数据中的动态模式，有效地捕捉了股票的行为特性。
在生成市场级表示时，为了考虑到各只股票在市场情绪中所具有的不同影响力，引入了与股票ID相关的依赖权重，这样可以更精确地整合动态股票表示。
采用独热编码（One-Hot Encoding）来表示股票ID，构建一个可学习的参数——ID表示矩阵 \(W_t\)。通过这一矩阵，可以计算出每只股票 \(s_i\) 的相应权重。这里，独热编码是一种将分类变量转换为机器学习算法可用形式的技术，它能够确保每个股票ID被唯一标识，并且在向量空间中保持等距，避免了因数值大小带来的偏序关系问题。通过这种方式，不仅能够反映每只股票的独特性，还能量化其在整体市场情绪中的贡献度。
利用公式 (19) 来计算市场表示 mt，保证其所得到的结果幅度不会因股票数量
I 的变化而受到影响。
自监督任务
自监督任务包含子市场对比学习和市场同步预测，旨在融入市场层面的非理性因素。
子市场对比学习通过把股票随机划分成两个子市场，促使在相同时间区间内生成相似的表示，并采用 InfoNCE 损失函数来保证正样本对之间的一致性。这种方式有助于模型学习到不同子市场间的相关性，同时强化了对市场内在结构的理解。
设定相似性度量函数 D(·,·)，并通过引入时间差权重调整样本对，从而降低时间间隔较大时负样本对相似性度量的影响。这种方法能够有效减弱历史数据中与当前时刻相距较远的样本对模型训练的干扰，确保模型更加聚焦于近期相关性强的数据。
市场同步预测部分利用市场表示来衡量市场层级的非理性事件，并将其定义为三种类别标签：
- = (1, 0, 0) 时表示存在正向非理性事件（即 Í( ) > ）；
- = (0, 1, 0) 时表示存在负向非理性事件（即 Í( ) < − ）；
- = (0, 0, 1) 时则表示其他正常情况（即 − ≤ Í( ) ≤ ）。
为了实现这一目标，采用多层感知器（MLP）神经网络结合前一时刻的市场表示 −1 来预测当前时刻的标签 。在此过程中，通过应用交叉熵损失函数来最小化真实标签与预测标签之间的差异，从而优化模型参数。
最终，通过整合子市场比较学习和市场同步预测两部分的联合损失函数，进一步融入市场层级的非理性因素学习，得到最终的市场表示 ，该表示能够有效反映市场中的非理性行为特征。
06模型开发和训练
本文设计了一种融合Transformer与图神经网络的混合模型，旨在借助股票层面及市场层面的非理性因素u_t-1和m_t，对股票收益进行预测。
模型通过整合历史股票特征与非理性因素，利用Transformer对历史数据进行编码处理。同时，引入图注意力机制以捕捉不同股票之间的关联依赖，并计算它们之间的注意力权重。最终，借助多层感知机（MLP）网络结合市场层面的非理性因素，实现对未来股票收益的预测。
此方法不仅能够有效提取时间序列中的长期依赖关系，还能够充分考虑股票间的相互作用，从而提升预测精度。通过这种方式，模型可以更好地理解和量化非理性行为对股票收益的影响，为投资者提供更为准确的决策支持。
RankIC合并损失函数。在优化模型的过程中，除了采用均方误差（MSE）作为损失函数之外，还额外引入了RankIC正则化，以此增强模型对投资策略的适应性，尤其是针对长短仓对冲策略。具体而言，通过计算预测收益与实际收益排名之间的相关性（即信息系数IC），将其作为正则化项加入到损失函数中，从而强化模型对于收益排名的预测能力。
所有样本的RankIC正则化可以表示为 LIC=−1T∑t=1TICtLIC=−T1∑t=1TICt，其中 ICt是第 tt个时间点上的信息系数。最终的目标函数则是将上述RankIC正则化项融入到原始的损失函数之中。最终目标函数定义为：
通过这种方式，在目标函数中嵌入RankIC正则化，可以使模型更加注重股票间的相对排名关系，进而提升其在对冲投资策略中的表现效果。这种做法不仅有助于提高模型的泛化能力，还能使其更贴合实际投资需求，特别是在构建和优化长短仓对冲组合时展现出更好的性能。
因素学习 & 预测-训练过程
我们的模型训练过程分为两个阶段来实施。在第一阶段，进行因子学习，此阶段利用训练数据集，通过分别最小化自监督损失L 和 L ，来学习股票层面与市场层面的非理性因素。接着，在第二阶段开展预测训练，这一阶段使用监督标签<s:2> 和<s:2>，并通过 最小化目标函数 L 来完成模型的优化。
这样的两步走策略确保了模型能够首先从数据内部结构中提取关键特征，然后在指导性标签的帮助下进一步调整参数，以提高对未来股票收益预测的准确性。通过这种方式，模型不仅能够捕捉到数据中的潜在模式，还能有效地将这些模式应用于实际的投资决策场景之中。
07实验
实验设置
数据集
利用美国股市（涵盖8993只股票，时间范围为2000年至2020年）与中国股市（包含5148只股票，时间段从2006年至2023年）的数据，选取六个与价格及交易量相关的特征进行分析。在计算收益率时采用收盘价作为依据。此外，为了确保模型的准确性与适应性，设定每30个交易日对模型进行一次重新训练。这样不仅可以捕捉市场的动态变化，还能够及时调整模型参数以反映最新的市场状况。
模型与基线
在股票收益预测领域，有几种先进的方法被提出并应用。例如，DoubleAdapt 方法通过同时适应数据和模型参数来有效应对分布变化的问题，从而显著提升股票趋势预测的准确性。此外，D-Vae 是一种层次变分自编码器（Diffusion Variational Autoencoder），它利用多层隐变量结构更好地捕捉数据中的复杂层次关系，为股票价格预测提供了新的视角。
对于时间序列预测问题，SAN（Slice Adaptive Normalization）框架提供了一种针对非平稳时间序列数据的有效归一化方案，通过切片级自适应归一化减轻了数据中的非平稳性影响。而 FreTS 方法则结合频谱分析技术，将时间序列转换至频域进行特征提取与建模，这种方法能够揭示时域中不易察觉的周期性和频率特性。
在自监督学习方法方面，Co-CPC 和 Basisformer 采用了对比学习策略，其中 Co-CPC 主要用于捕获时间序列中的长期依赖关系，而 Basisformer 将对比学习与基础学习相结合，增强了模型对基础特征的学习能力。SimMTM 方法则融合了掩蔽预训练机制与变换器架构，使得模型能够在训练过程中更高效地学习到时间序列中的上下文信息和内在模式。这些方法共同推动了时间序列预测及股票收益预测领域的技术进步。
评估指标
为了评估模型的性能，我们可以从预测准确性和投资策略绩效这两个维度来进行考量。
首先，在预测准确性方面，我们采用了一系列指标来衡量模型的表现，包括均方根误差（RMSE）、平均绝对误差（MAE）、信息系数（IC）、信息比率（ICIR）、秩相关信息系数（RankIC）以及秩相关信息比率（RankICIR）。这些指标能够全面反映模型预测值与真实值之间的差异程度及预测能力。
其次，针对投资策略绩效的评价，我们将模型生成的预期回报率（theRoR）与基准模型的结果一同应用于多空组合对冲投资策略之中。具体而言，依据公式（33），构建的投资组合规模设定为每日股票总数的10%。为了更贴近实际情况，我们在计算投资组合回报率时引入了交易成本因素，调整后的回报率为： = STR −0.1%× TC二进制操作，这里TC代表在时间点 上进行交易的股票数量，而交易成本被固定设为0.1%。通过每日执行这样的交易模拟，最终可以获得一系列的投资组合收益数据，记作 =( 1，…， ，…， )。
最后，在实验环节中，我们借助五个关键指标——年化收益率、年化波动率、夏普比率、最大回撤率以及卡玛比率，对基于上述收益序列 所形成的投资策略的整体表现进行量化评估。这种方法不仅考虑到了模型预测能力的实际应用效果，还充分体现了其在真实市场环境下的适应性与稳健性。
预测及投资表现
该模型在美国与中国市场的预测及投资表现中表现出色，充分展示了其有效性。针对股票数据专门设计的模型（例如DoubleAdapt、D-Va、Co-CPC以及本文提出的模型）相较于通用的时间序列预测基线模型具有更优的表现，这表明股票时间序列数据拥有独特的特性。
此外，采用自监督学习方法的模型相较于纯监督学习方法展现出更强的能力，能够从多个角度挖掘并提取隐藏信息，从而显著提升性能。本模型通过自监督学习揭示了市场中的非理性因素，极大地提高了模型的表现，尤其是在排名准确性的提升方面尤为明显。在投资策略的实际应用中，股票收益的相对排名往往比绝对数值更为关键，因此该模型在投资表现上的改进幅度大于其在预测准确性上的改进。
进一步地，交叉市场因子学习实验的结果显示，模型可以有效地利用不同市场间可转移的知识，进而增强预测能力。消融实验的结果则强调了模型各个组成部分对整体性能的重要性，并发现股票级别的因子相比市场级别的因子更具优势。所提取出的非理性因子不仅适用于本模型，还可以被广泛应用于其他多种预测模型中，验证了这些因子的普适性。尽管如此，本模型的整体表现仍然优于传统的基线模型。
探索性分析
图3呈现了2016年Wisesoft（SZ002253）股票的价格序列、估算出的理性价格以及股票级别的非理性因素。从图中可以看出，实际价格与理性价格之间存在着协整关系，而两者差异所代表的非理性因素是平稳的。在2016年11月9日这一天，由于该公司名称与“特朗普大胜”谐音，加之特朗普当选美国总统这一意外事件的影响，导致该股股价直接封于涨停板。这是一个典型的由股票级别非理性因素引发的现象，也证明了我们的模型能够有效地识别并捕捉市场中的此类非理性事件。
为了进一步探讨市场级别的非理性因素，我们通过选定特定交易日来生成市场级别的非理性因子。在此过程中，我们选择了两种不同的非理性事件（分别对应 = (1, 0, 0) 和 = (0, 1, 0)），同时选取了两天没有发生显著事件的普通交易日作为对照组。随后，我们分别从市场上随机选取了5只、50只和500只股票来构建市场级别的因子，并利用tSNE技术对结果进行了可视化处理。当随机选取的股票数量增加到500时，不同类型的交易日（即不同 值）之间的区别变得尤为明显，这充分说明了我们的方法可以有效地区分并识别市场中的非理性事件。此外，即使是具有相同 标签的交易日，我们也能够观察到它们之间的差异，这意味着市场因子不仅能够反映个别事件的影响，还能捕捉到整体市场的特征。值得注意的是，随着选股数量的增加，Silhouette评分也随之提高，这表明更大的样本量有助于增强模型对于市场表现的整体刻画能力。
08总结
UMI 方法通过聚焦于股市中的非理性事件来进行股票收益预测。它通过确定实际价格与预估理性价格之间的差异，来揭露个股层面存在的非理性现象。同时，UMI 通过对股票异常同步性的分析，进一步探测市场整体层面的非理性行为。广泛的实验在美国和中国市场开展，结果证实了这一模型不仅表现优异，而且具有广泛的适用性。
这里提到的 UMI 方法实际上借鉴了类似的研究思路，即通过深入挖掘数据中隐藏的非理性因素，提升对股票收益预测的准确性。在中国市场，由于中小投资者占主导地位，其非理性行为尤为显著，如“炒新、炒小、炒差、炒高”等现象，这些都可能成为 UMI 方法识别非理性的重要依据。而在美国市场，尽管机构投资者比例较高，但诸如投资者情绪波动等因素同样会影响市场走势，这也是 UMI 方法能够跨市场有效应用的原因之一。
