引言
大家好，首先，相當的榮幸，可以在這裡和大家分享我的投資經驗。過去幾年間，儘管吃過不少以大把金錢、精力損失為代價的虧，然而相較於那些“一入股市深似海，從此人生不歸路”的冒險大亨，實在愧言我有幾多經驗，僅僅是向大家分享我的學習過程和所得，感謝大家點評，感謝聚寬提供的平臺。
先簡單介紹下我自己，理工科出身，研究生畢業後曾就職於某券商，一直從事網金方面的技術研發工作。我的業餘時間，絕大多數用在了股票投資研究上，每天都會跟著好的策略覆盤，也看了很多主觀交易的書，從MACD，到趨勢理論還有波浪理論等等，無一餘漏，但始終處於一知半解。
在很長一段工作時間裡，白天我就在重複地做著本職工作，下班回到家，我就回到聚寬，瞪大眼睛追著大佬們不停更新的策略，然後堅持著做覆盤、做回測、去模仿。
然而，只顧不斷去買別人分享的好策略，重複再重複，權衡利弊之下，只是權宜之計。儘管聚寬大佬們分享的策略也很讓人滿意，常常是紅燈高照，但是很長一段時間內，我囿於良景，不再思考。
股市裡，永遠有人吃的飽，也總是有人餓得慌，有人姿態優雅，就註定有人吃相難看。由於工作性質，有幸經常接觸量化和機器學習方面的技術和業務，“不安分”的心常常逼著自己在思考，能否找到兩者的完美契合點，再憑藉自己在工作學習裡積攢的一些經驗，打造出一套可攻可受的策略方法，在牛市發財，在熊市不倒。
最終敲定AI選股策略，頗有追尋“海市蜃樓”的情趣意味。絕大多數人將它定義為一種並不存在的東西，然而我卻認為，哪怕是那虛象，哪怕是那幻光，卻都是真實存在著的，只不過它不在此處而已。
>>> 那它究竟在哪裡呢？
最開始的“熱血衝動”，絕大多數人免不了吃上好幾頓“閉門羹”。不論技術指標還是價值投資，各種方式，我都盡力去接觸、判斷，然而付出的精力和結果卻始終不能成正比。一個投資理念就好比是一個人的投資行為準則，它規定了投資過程中哪些是可以做的，哪些是不可以做的。它也直接導向著我的嘗試格局，儘管學習和接觸過不少作者的相似研究方向的理念，但是每個人的心境和所處資源不同，承擔風險的能力迥然，我不敢照貓畫虎、斷章取義。
好在運氣不錯。由於工作中經常用到數據挖掘等技術，在之後的嘗試中，我不斷將一些機器學習方法用於技術指標選股中，發現效果不錯，近幾年可以顯著強於大盤。
我最喜歡用數學和統計方法研究各種技術指標，測試過大部分的常見技術因子的效果，同時也自行研究了一些分鐘級和tick級的技術因子。通過上萬次的實驗，我發現，在A股市場，技術因子的有效性還是比較高的。例如短期反轉這個指標大部分情況下都比較有效的，這個因子反映了A股市場的投機性較強。另一個例子就是量價背離，即價漲量跌或者價跌量漲，它反映了股價運動的阻力，這個因子通常也比較有效。
從0-1分佈、到二項分佈、正態分佈，概率密度函數，從期望到方差、標準差、協方差，中心極限定理，樣本和抽樣，從最大似然估計量到各種置信區間，從方差分析到迴歸分析，bootstrap方法，最後到馬爾可夫鏈。這些的確是會讓專攻概率與數理統計研究方向的朋友們貽笑大方，但我想說，這於我而言，
是基礎而又關鍵的。此處不敢班門弄斧，但在我多年的學習來，我誠懇而真實得體會到，關於人類發明計算機，雖說的確是為了輔助人類解決現實生活中遇到的問題，然而計算機科學畢竟只發展了數十年，但在數學統計學中，諸多現實生活問題已經思考了數百年甚至上千年。因而我覺得，計算機若想更好的服務人類解決問題，須有效借鑑或參考數學統計學。世間萬事萬物，究其本質乃數學，於變化莫測中尋其規律謂之統計學。
關於我在挖掘有效因子的經驗分享，此文便不詳細展開。在聚寬社區論壇，這已經是一個很火的話題，沒有人不在尋找。不論是市面上的通俗講義，或者是大佬的教學講義，眾人各有千秋。與我而言，這其中的漫長艱辛，我深有體會，它們是這三樣東西，即：牆外降下了奇蹟，牆內橫生了不安分，但在這半摸索中，終究是存在著一絲微弱的光亮。
機器之心——AI選股-穩贏500
在介紹我的策略之前，有必要向大家先普及一下：
機器學習是什麼
人工智能之父，艾倫·圖靈很早就曾預測，“有一天，人們會帶著電腦在公園散步，並告訴對方，今天早上我的計算機講了個很有趣的事”。
機器學習的核心是，“用算法解析數據，從中學習，然後對某些事物做出決定或預測。”這意味著，你無需明確地編程計算機來執行任務，而是教計算機如何開發算法來完成任務。機器學習主要有三種類型，它們各有優缺點，分別是：監督學習，無監督學習和強化學習。
>>> 監督學習
監督學習涉及到標註數據，計算機可以使用所提供的數據來識別新的樣本。
監督學習的兩種主要類型是分類和迴歸。在分類中，訓練的機器將把一組數據分成特定的類。比如郵箱的垃圾郵件過濾器，過濾器分析之前標記為垃圾郵件的郵件，並將其與新郵件進行比較。如果達到某個百分比，則這些新郵件會被標記為垃圾郵件，併發送到相應的文件夾；不像垃圾郵件的將被歸類為正常併發送到收件箱。
第二種是迴歸。在迴歸中，機器使用先前標註的數據來預測未來。比如天氣應用。利用天氣的相關歷史數據（即平均溫度，溼度和降水量），手機的天氣應用可以查看當前天氣，並對一定時間範圍內的天氣進行預測。
>>> 無監督學習
在無監督學習中，數據是未標註的。由於現實中，大多數的數據都是未標註的，因此這些算法特別有用。
無監督學習分為聚類和降維。聚類用於根據屬性和行為對象進行分組。這與分類不同，因為這些組不會提供給你。聚類將一個組劃分為不同的子組（例如，根據年齡和婚姻狀況），然後進行有針對性的營銷。另一方面，降維涉及通過查找共性來減少數據集的變量。大多數數據可視化使用降維來識別趨勢和規則。
>>> 強化學習
強化學習使用機器的歷史和經驗來做出決策。強化學習的經典應用是遊戲。與監督和無監督學習相反，強化學習不注重提供“正確”的答案或輸出。相反，它專注於性能，這類似人類根據積極和消極後果進行學習。如果孩子碰到了熱爐，他很快就會學會不再重複這個動作。同樣在國際象棋中，計算機可以學習不將王移動到對手的棋子可以到達的地方。根據這個原理，在遊戲中機器能夠最終擊敗頂級的人類玩家。
你可能會問，我們說的是人工智能嗎？有點相似，畢竟機器學習是人工智能的一個分支。人工智能注重開發能像人類一樣完成複雜任務的機器，甚至完成得比人類更好。這些任務通常涉及判斷、策略和認知推理，這些技能最初被認為是機器的“禁區”。雖然聽起來很簡單，但這些技能的範圍非常廣泛，涉及到語言處理、圖像識別和規劃等等。
機器學習使用特定的算法和編程方法來實現人工智能。如果沒有機器學習，之前提到的國際象棋程序將需要數百萬行代碼，以及對手所有的落子可能性。通過機器學習，則只需要少量代碼，還有深度學習和神經網絡。但是請注意，深度學習是機器學習的一個子集，專注於模仿人類大腦的生物學和運行過程。
曾在網上看到一張饒有趣意的圖，分享給大家，希望此刻你的所見，可以拼湊在每個人的想象裡，變成一個轟隆作響的洞府。
策略分享-基本思想
基於對聚寬平臺多年提供的幫助的感謝，還有不少朋友的指點指引，我將自己開發出的AI選股—穩贏500策略分享至社區，感興趣的朋友可以點擊文末的閱讀原文，查看了解。獨樂樂不如眾樂樂，歡迎您捧個場。
>>> 投資理念：
過去幾年來，我曾做過一些不錯的策略，也寫了不少爛筆頭，無論狀態起伏，無論方式轉變，總算總結出自己的一套研究思想和體系。由於A股市場散戶參與率較高，技術形態對股票的漲跌有著較高的預測效果。首先基於人工經驗挑選可靠度較高的形態特徵和技術因子，並加以統計分析確認效果。然後基於機器學習方法，融合多種技術因子和基本面特徵構建量化預測模型。策略交易頻率高，樣本量大，因此機器學習模型可以充分發揮其統計優勢，在回測和模擬驗證上效果顯著。
>>> 策略模擬表現：
策略從2019年1月1日模擬交易到2019年6月11日，日勝率接近0.6，相比ZZ500的超額收益為0.4%，表現穩定。
策略模擬交易圖：
17年回測圖：
18年回測圖：
>>> 標的選擇：
1. 全市場選股
2. 行業中性：不過於集中某些板塊
3. 市值偏好：通常情況下偏好中小市值股票，同時也考慮大小盤輪動效應
>>> 買入原理：
利用多種技術指標和基本面因子，構建機器學習模型，篩選出上漲概率最高的若干只股票整體買入。
>>> 賣出原理：
次日賣出上一日買入的股票
>>> 風險管理：
個股：
單隻股票的波動性較大，策略不對個股做止損處理。
組合：
策略有著較穩定的alpha收益，因此也不控制倉位。
最後
感謝聚寬平臺給予我分享經驗的機會，回想一路鑽研歷程，唏噓不已，好在，運氣始終不算太差。事實上，買股豈止在於朝朝夕夕的選股“賺錢”上，通過不斷研究和總結經驗，才算是真正意義上“增加了我們生活上的情趣”。
引用電影《肖申克的救贖》裡的臺詞：“希望是美好的，也許是人間至善，而美好的事物將永不消逝。”
這份選股策略，是我多年鑽研所得，在科學性或者可行性方面，已經得到多年實操與驗證，並且受益不匪。
我誠摯希望與你分享交換更多想法。在思考與幻想走向暢通和主流的路上，我們相識相知，走出去，抬頭觀望，絕非為了那些空泛的大詞，還有可能是為了一份成就，一個夢想，一種激情，還有內心的嚮往。
我親愛的朋友們。
