量化模型的输入特征取决于具体的应用场景和模型设计，但通常包括以下几类：
趋势类指标：例如移动平均线和MACD指标，这些指标通过计算一段时间内股票价格的平均值或比较短期和长期的指数移动平均线来判断股票的买卖时机。
波动类指标：如布林带指标，由三条线组成，中间的线是移动平均线，上下两条线根据股票价格的标准差计算得出。当股票价格接近布林带的上轨时，可能表示股票价格处于高估状态，量化模型可能会考虑卖出；当价格接近下轨时，可能表示低估，模型可能会考虑买入。
成交量类指标：例如成交量均线，反映了成交量的平均水平。量化模型可以利用成交量类指标来判断股票价格上涨或下跌的有效性，从而做出更准确的交易决策。
其他特征：在一些情况下，量化模型可能会使用概率模型来分析特征重要性，例如使用Pyro库进行贝叶斯线性回归、后验分布深度分析、自动引导函数实战应用、预测不确定性分解技术和系统化特征消融实验等方法来确定哪些特征对预测真正重要。
需要注意的是，量化模型的输入特征选择需要考虑指标的准确性、稳定性、相关性，并避免过度依赖单一指标或忽视指标的适用范围1。此外，模型量化的数据类型变化也可能影响输入特征的表示形式，例如从float32转换为int8等低精度整数类型。
