祖国的大好河山让人流连忘返，股市的波峰波谷也让大家乐此不疲，人一辈子能踏过的名山大川屈指可数，股市的波峰波谷也难以穷尽。
一是资金有限，不可能把所有的好股票都买一遍
二是精力有限 股票多了根本盯不过来
但股市里的行情却都保存在电脑里 只要需要就可以历史重现，因此说股市里的“万水千山”都在你的电脑里。
“盲人摸象”
问题一：业绩好的股票一定涨吗？
答：不一定
问题二：机构专用席位买入的股票一定涨吗？
答：不一定
问题三：大股东要减持的股票一定会跌吗？
答：不一定
问题四：走出”多方炮”这种两阳夹一阴的形态的股票一定涨吗
答：不一定
如果你对四个问题的回答都认同，说明对股市有敬畏之心 认识比较清醒，这四个问题就好像在盲人摸象时提的问题 如果是回答一定，那基本上就犯了以偏概全的错误 对于上面四个问题 客观一些的回答应该是这样的
问题一：业绩好的股票一定涨吗？
答：要看估值，业绩好但估值高也不容易涨
问题二：机构专用席位买入的股票一定涨吗？
答：要看机构进场的时点和位置，每年亏损的机构大有人在
问题三：大股东要减持的股票一定会跌吗？
答：不一定 有些机构席位就喜欢买大股东减持的股票
类似于股票的批发，对机构的胃口。
问题四：走出”多方炮”这种两阳夹一阴的形态的股票一定涨吗？
答：不一定 还要看成交量和换手率
股票的特征主要体现在资本面、技术面、资金面，任何一种方法没有经过全市场、全部股票、全部时段的测试，其结果难免都以偏概全 都是在盲人摸象
电脑测试
股市的历史行情都是以数据的形式保存在电脑里，任何一种方法只要能转换成计算机的指标就可以测试历史行情的有效性。
股市三面（基本面、资金面、技术面）最容易进行历史行情测试的是技术面，因为技术面的最基本的四个变量是成交量、价格、时间、空间是记载历史行情的最基础的数据。
你肯定没有机会去亲身经历历史上的所有行情，但只要有一台电脑就可以用历史行情去测试你的方法的有效性。
历史行情测试起源于美国，上世纪九十年代就被引入国内，可能由于人们对历史行情测试不太重视，所以二十多年过去了，历史行情测试的功能并没有太大的改变。
这是对一个指标使用4181只股票从1996年到现在日线数据进行测试的结果，胜率高 成功率也不错 但这只能代表历史，因此量化选股的必须经过的阶段就是历史行情的测试。
历史行情测试的一个重要功能就是优化
优化
你的常用的技术指标的参数改过吗？，行情是千差万别的，总用一套不变的参数去观察多变的行情，其结论往往容易误导你的判断。
在进行历史行情的测试时可以计算不同参数组合的最优解，这就好像是在参加汽车拉力赛中，机械师都会把车辆调整到最佳状态。
电脑进行参数优化的原理就是把所有的交易都列出结果，根据最优的结果选出最佳参数
需要注意的是毕竟是用历史行情进行的优化，未来的行情千变万化，最优参数适合历史行情 但未必适合未来行情，因此也要避免过度优化。
另外测试时也要避免未来数据的干扰
所谓未来数据就是使用了不确定的数据，未来还会改变，例如三周期共振这个条件 日线、周线、月线同时发出金叉，在周线和月线还未结束时引用周线和月线就是未来数据，因为只有在周线或者月线结束之后，它们的收盘价才是确定的，在此之前都在变化。
使用未来数据的指标测试效果不错，但用于实战就是非常危险的，未来数据其实可以理解为“马后炮” 当时测试可以 当行情一变结果就不成立了。
发展
当今世界人工智能技术蓬勃发展，电脑已经不只是保存历史行情这么简单，人工智能技术正在逐步影响到量化交易的方方面面。
变量是指标的基础，指标是量化的基础，而量化现在已经进入人工智能阶段，就智能选股来说，机器智能选股是上半段，自动交易是下半段，两者结合形成一个闭环。
而智能选股的核心在算法上，以前视频节目里讲过正态分布，根据正态分布原理设计的指标布林带就是一个很好的算法基础。
现在还有很多智能选股是多指标多模型融合的结果，例如加入财务指标、舆情数据等等。
如果算法里没有用到神经网络算法，就算不上是真正的智能。
现在很多广告打得很凶的所谓人工智能软件都是基于程序量化的选股，这类选股工具算不上真正的人工智能。
真正的人工智能它是有自我学习功能的，要实现自我学习的功能就必然要用到神经网络，因为目前只有神经网络才具有自我学习的功能。
第一个战胜围棋世界冠军的阿尔法围棋（AlphaGo）是一款围棋人工智能程序。其主要工作原理是“深度学习”。
“深度学习”是指多层的人工神经网络和训练它的方法。研究出一个股票（AlphaGo）人工智能选股程序是很多搞量化的人的终极目标。
尽管来源于经验的选股方法是小样本事件，具有偶然性，但经过历史行情的全市场 全部股票 全部时段的测试，就变成了大样本的事件 增加了发生的概率。
股市中充满了不确定性， 唯一确定的就是收盘后的数据，在不确定中寻找大概率事件才是正途。
作者简介：全中余磊 从业二十余年 某私募基金投资总监 《全论》创始人。
来源：全中余磊
声明：本站部分文章及图片转载于互联网，内容版权归原作者所有，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！