AI策略--那些野心不能成就我们的，热爱可以

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

引言
大家好，首先，相当的荣幸，可以在这里和大家分享我的投资经验。过去几年间，尽管吃过不少以大把金钱、精力损失为代价的亏，然而相较于那些“一入股市深似海，从此人生不归路”的冒险大亨，实在愧言我有几多经验，仅仅是向大家分享我的学习过程和所得，感谢大家点评，感谢聚宽提供的平台。

先简单介绍下我自己，理工科出身，研究生毕业后曾就职于某券商，一直从事网金方面的技术研发工作。我的业余时间，绝大多数用在了股票投资研究上，每天都会跟着好的策略复盘，也看了很多主观交易的书，从MACD，到趋势理论还有波浪理论等等，无一余漏，但始终处于一知半解。

在很长一段工作时间里，白天我就在重复地做着本职工作，下班回到家，我就回到聚宽，瞪大眼睛追着大佬们不停更新的策略，然后坚持着做复盘、做回测、去模仿。

然而，只顾不断去买别人分享的好策略，重复再重复，权衡利弊之下，只是权宜之计。尽管聚宽大佬们分享的策略也很让人满意，常常是红灯高照，但是很长一段时间内，我囿于良景，不再思考。

股市里，永远有人吃的饱，也总是有人饿得慌，有人姿态优雅，就注定有人吃相难看。由于工作性质，有幸经常接触量化和机器学习方面的技术和业务，“不安分”的心常常逼着自己在思考，能否找到两者的完美契合点，再凭借自己在工作学习里积攒的一些经验，打造出一套可攻可受的策略方法，在牛市发财，在熊市不倒。

最终敲定AI选股策略，颇有追寻“海市蜃楼”的情趣意味。绝大多数人将它定义为一种并不存在的东西，然而我却认为，哪怕是那虚象，哪怕是那幻光，却都是真实存在着的，只不过它不在此处而已。




>>> 那它究竟在哪里呢？

最开始的“热血冲动”，绝大多数人免不了吃上好几顿“闭门羹”。不论技术指标还是价值投资，各种方式，我都尽力去接触、判断，然而付出的精力和结果却始终不能成正比。一个投资理念就好比是一个人的投资行为准则，它规定了投资过程中哪些是可以做的，哪些是不可以做的。它也直接导向着我的尝试格局，尽管学习和接触过不少作者的相似研究方向的理念，但是每个人的心境和所处资源不同，承担风险的能力迥然，我不敢照猫画虎、断章取义。

好在运气不错。由于工作中经常用到数据挖掘等技术，在之后的尝试中，我不断将一些机器学习方法用于技术指标选股中，发现效果不错，近几年可以显著强于大盘。

我最喜欢用数学和统计方法研究各种技术指标，测试过大部分的常见技术因子的效果，同时也自行研究了一些分钟级和tick级的技术因子。通过上万次的实验，我发现，在A股市场，技术因子的有效性还是比较高的。例如短期反转这个指标大部分情况下都比较有效的，这个因子反映了A股市场的投机性较强。另一个例子就是量价背离，即价涨量跌或者价跌量涨，它反映了股价运动的阻力，这个因子通常也比较有效。

从0-1分布、到二项分布、正态分布，概率密度函数，从期望到方差、标准差、协方差，中心极限定理，样本和抽样，从最大似然估计量到各种置信区间，从方差分析到回归分析，bootstrap方法，最后到马尔可夫链。这些的确是会让专攻概率与数理统计研究方向的朋友们贻笑大方，但我想说，这于我而言，是基础而又关键的。

此处不敢班门弄斧，但在我多年的学习来，我诚恳而真实得体会到，关于人类发明计算机，虽说的确是为了辅助人类解决现实生活中遇到的问题，然而计算机科学毕竟只发展了数十年，但在数学统计学中，诸多现实生活问题已经思考了数百年甚至上千年。因而我觉得，计算机若想更好的服务人类解决问题，须有效借鉴或参考数学统计学。世间万事万物，究其本质乃数学，于变化莫测中寻其规律谓之统计学。

关于我在挖掘有效因子的经验分享，此文便不详细展开。在聚宽社区论坛，这已经是一个很火的话题，没有人不在寻找。不论是市面上的通俗讲义，或者是大佬的教学讲义，众人各有千秋。与我而言，这其中的漫长艰辛，我深有体会，它们是这三样东西，即：墙外降下了奇迹，墙内横生了不安分，但在这半摸索中，终究是存在着一丝微弱的光亮。




机器之心——AI选股-稳赢500
在介绍我的策略之前，有必要向大家先普及一下：

机器学习是什么

人工智能之父，艾伦·图灵很早就曾预测，“有一天，人们会带着电脑在公园散步，并告诉对方，今天早上我的计算机讲了个很有趣的事”。

机器学习的核心是，“用算法解析数据，从中学习，然后对某些事物做出决定或预测。”这意味着，你无需明确地编程计算机来执行任务，而是教计算机如何开发算法来完成任务。机器学习主要有三种类型，它们各有优缺点，分别是：监督学习，无监督学习和强化学习。

>>> 监督学习

监督学习涉及到标注数据，计算机可以使用所提供的数据来识别新的样本。

监督学习的两种主要类型是分类和回归。在分类中，训练的机器将把一组数据分成特定的类。比如邮箱的垃圾邮件过滤器，过滤器分析之前标记为垃圾邮件的邮件，并将其与新邮件进行比较。如果达到某个百分比，则这些新邮件会被标记为垃圾邮件，并发送到相应的文件夹；不像垃圾邮件的将被归类为正常并发送到收件箱。

第二种是回归。在回归中，机器使用先前标注的数据来预测未来。比如天气应用。利用天气的相关历史数据（即平均温度，湿度和降水量），手机的天气应用可以查看当前天气，并对一定时间范围内的天气进行预测。

>>> 无监督学习

在无监督学习中，数据是未标注的。由于现实中，大多数的数据都是未标注的，因此这些算法特别有用。

无监督学习分为聚类和降维。聚类用于根据属性和行为对象进行分组。这与分类不同，因为这些组不会提供给你。聚类将一个组划分为不同的子组（例如，根据年龄和婚姻状况），然后进行有针对性的营销。另一方面，降维涉及通过查找共性来减少数据集的变量。大多数数据可视化使用降维来识别趋势和规则。

>>> 强化学习

强化学习使用机器的历史和经验来做出决策。强化学习的经典应用是游戏。与监督和无监督学习相反，强化学习不注重提供“正确”的答案或输出。相反，它专注于性能，这类似人类根据积极和消极后果进行学习。如果孩子碰到了热炉，他很快就会学会不再重复这个动作。同样在国际象棋中，计算机可以学习不将王移动到对手的棋子可以到达的地方。根据这个原理，在游戏中机器能够最终击败顶级的人类玩家。

你可能会问，我们说的是人工智能吗？有点相似，毕竟机器学习是人工智能的一个分支。人工智能注重开发能像人类一样完成复杂任务的机器，甚至完成得比人类更好。这些任务通常涉及判断、策略和认知推理，这些技能最初被认为是机器的“禁区”。虽然听起来很简单，但这些技能的范围非常广泛，涉及到语言处理、图像识别和规划等等。

机器学习使用特定的算法和编程方法来实现人工智能。如果没有机器学习，之前提到的国际象棋程序将需要数百万行代码，以及对手所有的落子可能性。通过机器学习，则只需要少量代码，还有深度学习和神经网络。但是请注意，深度学习是机器学习的一个子集，专注于模仿人类大脑的生物学和运行过程。

曾在网上看到一张饶有趣意的图，分享给大家，希望此刻你的所见，可以拼凑在每个人的想象里，变成一个轰隆作响的洞府。








策略分享-基本思想
基于对聚宽平台多年提供的帮助的感谢，还有不少朋友的指点指引，我将自己开发出的AI选股—稳赢500策略分享至社区，感兴趣的朋友可以点击文末的阅读原文，查看了解。独乐乐不如众乐乐，欢迎您捧个场。

>>> 投资理念：

过去几年来，我曾做过一些不错的策略，也写了不少烂笔头，无论状态起伏，无论方式转变，总算总结出自己的一套研究思想和体系。由于A股市场散户参与率较高，技术形态对股票的涨跌有着较高的预测效果。首先基于人工经验挑选可靠度较高的形态特征和技术因子，并加以统计分析确认效果。然后基于机器学习方法，融合多种技术因子和基本面特征构建量化预测模型。策略交易频率高，样本量大，因此机器学习模型可以充分发挥其统计优势，在回测和模拟验证上效果显著。




>>> 策略模拟表现：

策略从2019年1月1日模拟交易到2019年6月11日，日胜率接近0.6，相比ZZ500的超额收益为0.4%，表现稳定。


策略模拟交易图：



17年回测图：



18年回测图：





>>> 标的选择：

1.  全市场选股

2.  行业中性：不过于集中某些板块

3.  市值偏好：通常情况下偏好中小市值股票，同时也考虑大小盘轮动效应




>>> 买入原理：

利用多种技术指标和基本面因子，构建机器学习模型，筛选出上涨概率最高的若干只股票整体买入。

>>> 卖出原理：

次日卖出上一日买入的股票




>>> 风险管理：

个股：

单只股票的波动性较大，策略不对个股做止损处理。

组合：

策略有着较稳定的alpha收益，因此也不控制仓位。




最后
感谢聚宽平台给予我分享经验的机会，回想一路钻研历程，唏嘘不已，好在，运气始终不算太差。事实上，买股岂止在于朝朝夕夕的选股“赚钱”上，通过不断研究和总结经验，才算是真正意义上“增加了我们生活上的情趣”。

引用电影《肖申克的救赎》里的台词：“希望是美好的，也许是人间至善，而美好的事物将永不消逝。”

这份选股策略，是我多年钻研所得，在科学性或者可行性方面，已经得到多年实操与验证，并且受益不匪。

我诚挚希望与你分享交换更多想法。在思考与幻想走向畅通和主流的路上，我们相识相知，走出去，抬头观望，绝非为了那些空泛的大词，还有可能是为了一份成就，一个梦想，一种激情，还有内心的向往。

我亲爱的朋友们。

点击【阅读原文】，查看AI选股策略。

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

关键词：量化投资 机器学习 人工智能