Ai发展那么快，有了机器学习，量化就好做了？

很多人有一个错觉

觉得现在ai发展的那么快，各种CNN RNN 树模型，有了这些后，我要在金融市场赚钱肯定很简单
其实你错了，他们的本质都是差不多的数学原理
重要的是你的策略问题
你指望塞一坨屎进去之后就能给你变成黄金吗？屎里面有黄金的分子吗？
正如我上一篇文章所说，那些随便用点日频数据塞进LSTM里，就是渴望把屎变成黄金，最后还觉得能把屎变成黄金

AI是神？

不管是什么AI模型，Transformer、CNN 或者是LGB XGB之类的树模型
其实他们的本质都是求数学期望，而Transformer之所以变得最流行，是他解决了如何并发求数学期望这问题，让你的算力可以并发运行让你的1000张卡可以同时训练
并且现在的大模型，它没有抽象思维，是一个高级的复读机
你理解了AI模型的底层原理后，你就不会觉得AI是神了
甚至回过头，你会觉得就这？我要早几年我也能发明

量化公司都在怎么做？

高频：
很多公司只用最简单的线性回归，然后可能会用遗传和RL去找超参数，这样的过拟合的概率会比较低
还有些公司会用LGB这样的树模型，LGB实盘可以做到因子计算和预测30us
为什么不能用深度学习强化学习？就一个问题，效果不一定变好，但是速度一定慢几百倍，高频里用不了！

低频：
没了速度限制后，基本每家公司都不大一样，数据处理的方式也都不一样

重视的点

一个完整的策略的产出：
数据处理 -> Alpha因子挖掘 -> 设置Label -> 训练 -> 回测 -> 跨品种跨周期回测检测过拟合

所以要使用AI做一个量化策略，涉及到的AI模型的底层数学问题很少很少，你如果改了Ai底层数学/代码，也只是可能让ic0.05变成ic 0.06，这一点点很重要吗
而一个AI模型的训练（策略）问题
则可以让你的ic翻倍
所以，用AI做量化策略，更多的是看你怎么理解市场，怎么规划每个步骤

数据处理：极端数据、空值数据
Alpha因子：可解释性、历史有效性
设置Label：分类？回归？还能涨多久？交易量分割？数据量分割？时间分割？
训练：采样、降权
等等.... 这些才是带AI的策略要干的事情

不要过度神话AI，其实他干的事情就是把你的这些步骤策略变成可以一个动态的求期望问题
重点在于你这些步骤是如何实现的，如何设计你的策略