3年2000倍的第一天

@一休玩股  我们的软件都是自己写的，没有用到任何行情软件 自然不会用到任何指标 软件里面公式类的 我没研究过 回测起来估计比较痛苦

@伏陆圣  所有的精力主要放在因子上，而非工具上， 什么工具都可以。不要本末倒置

老师，只会写简单公式的小白想学编程量化交易，有什么书籍和网站比较适合？

@伏陆圣  低吸不稳定不是主观的，而是客观的 

1、低吸意味着市场合力没有形成，你去预判会形成，这需要时间去思考，那么低吸意味着客观信息丢失，条件概率肯定是下降的
2、现象看，很多硬板会给你思考时间吗？那么你细对了，也会卡不到硬板。这个地方也是需要模型的，没有模型你无法做出T时刻截面选股
3、低吸的有个悖论，很多人认为低吸可以降低胜率，因为只要盈亏比好，市场不会因为一个人而改变，低吸意味着“每时每刻的我”是一个分界点，我买入之前市场不动，我买入后市场合力形成了，这是悖论

个人交易者，信息优势落后，因此等价量出现一部分端倪，信息的含量要比低吸高，因为直接压缩整个选股规模，基于此，我相对比较认可半路，因为这里的信息够丰富。

@系统和我  您说的稳定盈利选手种，非打板选手少，打板选手多。这里有个认知维度的差别。其实在我的认知里，这二者与我而言仅仅在于资金体量。因为我打板本身也是考虑价值基础的，纯题材我一般都不参与的。真正的游资和超短选手，一定是一个决定的价值发现者，点火推板，都是让自己发现的金子被市场所关注，从而吸引更多的资金进入，最终实现价值的重估。当然，这是理想情况下，实现起来诸多细节要做到，现阶段还不考虑。

我几乎每个打板的票，都会阅读财报和招股书（新股、次新），若未来市场取消涨跌幅限制，基于价值的短线和中长期投资，即使有价值基础估计还得适应一段时间。

感谢兄耐性且高质量的回复。

@系统和我 兄好。您的回复我仔细看过。我完全理解您说的特征是本质的含义。这在machine learning 或者以前叫做 statistical learning 阶段，是共识，直到现在也是共识。 特征+分类器，是早期机器学标配，以至于搞具体应用的人只需要设计极具辨识度、informative 的特征即可，这在直觉上和洞见上都是说的过去的，我认可您的观点并在我做machine learning和一些具体应用领域的研究时，这也是我的核心认知。

后来业内人士认为，既然特征是核心，那能否抛开专家，让系统自己学重要的特征，给他们分配合适的权重。至于特征的语义是什么，系统不需要知道，甚至设计者也不需要知道，只要它结果好，比如经常用到的一些metrics，如accuracy、precision、recall等等。因此machine
learning有段时间演化为关心如何让系统自己学特征，叫做feature learning。后来又觉得feature 这个词儿和之前专家们设计出来的feature没有区分度，不能体现是机器自己学出来的，因此大家又采用representation learning，这里的representation相比feature更加泛化了，并没有显示的语义，但是它确实是某种“feature”。而深度学就是这样一种工具，它是在行业认知转变之后不断发展的工具，这个工具体现了研究领域的认知转变，即：设计好的网络结构（或者系统），让它自己学特征，然后做prediction、reasoning或别的什么任务。

我想之所以deep learning的方法在量化领域还不能显示出威力，原因在于交易数据的时间序列和拓扑属性，而普通的NNs无力解决此类问题，又或者系统优化方面的人才没有配合。但现在NNs领域新出来的图网络在处理拓扑属性非常明显的数据的时候有与生俱来的优势，后续或可在交易领域有用武之地。当然，这是后话了。

你这图片别拷到写字板里，直接粘在word或QQ里，然后另存为图片。这没法看啊

@伏陆圣 我做10个因子，起码有50%，一个金融工程大学毕业的人，用单因子模型直接可以给出结论，阿尔法是单调的，还不够本质吗

@伏陆圣 手工打板能走出来的人，在与克服心理障碍和非凡的意志力，因为场景天生保护你，只要足够坚持；非打板的手工选手，对升维信息的处理能力是极其强大，执行力非常坚决，因此从我的认知看，非打板选手对交易的阅读深度是更强的，普适性是更大的，道路是更宽的。假设涨停板取消，前者需要从新开始，后者将放大能力。这就是非打板做出来且能稳定的选手少的原因，因为市场是零和博弈，只能大部分人供养小部分人，这是帕累托效应。

@伏陆圣 有没有想过，稳定非打板盈利的选手要远远少于稳定打板盈利的选手，因为后者升维，如果你是独立经营，生存和发展关系，战略上你必然选择前者。等你壮大了，实力和工具更加丰富，你才有资格切入后者，因为你将需要给场景降维，光这一点付出的effort将是前者的几倍到几十倍。

而你每天在持续认知思考，等到有一天你会明白条件成熟了，自然会开启一个新的计划，至于工具，金融工程的毕业的人都会认知这些工具。我观察了很多，很多量化模型的特征设定真的是太随便，太天真，太不当回事，你喂入的是一堆垃圾，模型再好也是无力回天，你喂入的是纯度90%的黄金，最差出来也至少是90%的黄金。这是一个本质问题。