基于金融 K 线数据预训练的时序模型，学习的是历史价格序列中反复出现的形态规律。给它一段 K 线，它可以生成多种可能的后续走势。
关键在于输出的是「概率分布」而不是「确定答案」。你看到的是若干条可能的路径，而不是一条被预言的价格线。
这和天气预报是同一类东西：可以告诉你明天降水概率 70%，但不能保证一定下雨。
第一，形态参考。当模型生成的多数路径都指向某一方向时，至少说明历史上类似形态之后大多这样走，这是一个有用的先验。
第二，情景推演。你可以在下单前看看「如果继续下跌，模型认为的支撑在哪」，帮助自己设计止损位置。
第三，辅助发现异常。如果当前形态在历史样本里极少出现，模型输出的路径会非常分散，这个「分散度」本身就是信息——说明现在处于少见状态，应该降低仓位。
做不到预测突发的政策、公告、黑天鹅事件。模型只看价格序列，不知道明天会有什么消息。
做不到给出确定的买卖点。任何把概率输出直接当成交易信号的做法，都是在误用它。
做不到长期准确。预测窗口越长，不确定性越大，超过一定期限的输出基本没有参考价值。
把模型输出当作「额外的观察角度」，而不是决策依据。你的买卖依然由明确的量化规则决定。
当模型推演与你的策略方向一致时，可以适度增加信心；当两者矛盾时，应该降低仓位而不是加仓赌一边。
最重要的一条：永远不要让预测结果覆盖你的风控规则。止损该执行就必须执行，模型说「可能会反弹」不是不卖的理由。
这类模型通常采用自回归的生成方式：把 K 线序列量化成离散 token，用类似语言模型的方式学习 token 之间的转移规律，再采样生成后续序列。
因为训练数据只有价格和成交量，所以它天然不具备基本面理解能力。这是架构决定的限制，不是训练规模能解决的问题。
理解这一点，就不会对它产生不切实际的期待。