量化技术的反常识

量化技术的反常识

咱们不讲高频自动化，咱们讲真正的量化，而且咱们讲经过实战论证的量化。

（1）数据

看似中国股市受：政策调控/窗口指导、新闻消息、情绪、资金很多影响，是半有效市场。
但是我们经过实证，还是证明了那句古老的话：价格已经包含了一切。

所以，看似大量的信息与数据，其实，嘿嘿嘿，都是水中月雾中花，都是相。
所以，大家也无须Care大A市场的信息：公开数据少、公开数据颗粒度粗、公开数据造假多、公开数据滞后、公开数据结构化不好/标准化不好。

（2）因子

传闻达利欧的桥水基金有上亿个因子。现在全世界的因子挖掘都已经走入了死胡同，人类能想到的因子在过去40年里都已经想了个遍，设计的因子都变态了。
但是我们经过实证，因子越多，越把大模型搞乱。
就如同我刚刚用小龙虾的时候，兴奋地装了很多Skill，发现效果更差，把大模型的脑子都搞乱了。

（3）模型

原理：我们经过实证，自回归原理的模型不行。因为大A就不遵照自回归特点，大家老想着价值回归，做梦去吧。

输入序列：不是越长越好。回看、回测这个东西是个幻相，相当于你看着后视镜往前开车。
输出序列：不是越长越好。就如同天气预报，大家滚动地看最近5天是预报准确的，看未来15天就没谱了。

训练数据：专有数据越多，越容易过拟合，嘿嘿嘿。反而，越是机器合成的数据，泛化效果越好，越适应咱们信噪比极低的大A。

架构：最早的MoE模型路由做的不好，经常路由错导致效果不行。后来的MoE模型，看似模型很大，但是能激活的参数少导致效果不行。

参数量/模型大小：不是重点，并不是越小效果越不好、越大效果越好。而是上述的决定因素更大。