主要观点：
　　本篇是“学海拾珠”系列第一百四十五篇，本文提出了一种优化技术因子的通用框架。作者经过观察发现对于不同属性的股票，同一技术因子表现出不同的契合度，这对因子导向的选股和投资策略提出了挑战。为了解决这一问题，本文提出了一种利用股票自身性质对因子进行优化的通用框架。该框架首先根据基金经理集体投资行为形成的有价值的知识库生成股票嵌入特征，即股票embedding，然后根据embedding为每只股票生成缩放系数对标准化后的因子进行二次缩放。实证表明，此种优化方法生成的优化因子可以产生比原始因子更强的投资指导。
　　因子对具有不同特性的股票的影响不同
　　传统方法根据股票量价等数据按某种特定映射生成技术因子，但事实表明，对于具有不同性质的股票，相同因子的解释可能有较大差异，然而却有可能在某种因子上取得相近数值，这会使技术分析结果与现实情况有较大偏差。因此有必要根据股票性质对因子进行相应的调整。
　　如何对股票属性进行有效表示
　　本文的目标是根据股票的自身性质对因子进行适当调整，因此首要问题是如何对股票的特性进行抽象化表示。这实际上是一个数据挖掘的过程，近年来“序列embedding化”是自然语言处理中一个重点问题，本文借鉴Skip-Gram算法学习股票的嵌入特征。
　　新型技术交易因子优化框架（TTIO框架）
　　本研究提出了一种新的技术交易因子优化框架，结合股票嵌入技术进行因子优化。设计了一层缩放网络，使得股票的新因子是原始因子的缩放版本。在此基础上，提出了一个用于优化因子的缩放模型，该模型基于股票嵌入为每个因子生成缩放权重。考虑到投资的动态性，该研究还提出了滚动学习机制，根据时间变化调整模型参数。
　　TTIO框架在因子优化和投资策略中的表现优于传统方法
　　实证结果显示TTIO优化因子在2014年和2016年均显著优于baseline。同时，通过因子驱动的投资策略的实验，可以看出无论是单一因子还是多因子投资策略，TTIO模型在除2015年外的所有年份都能产生更多的累积收益。最后，实例研究中发现，不同的因子对不同的股票表现出不同的敏感性，而不是简单地给予类似的权重，这证明了TTIO模型的有效性。
　　风险提示
　　文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。