@cocong 还有，不要抄底！没有对宏观大政策有顶尖的理解，那你就跟随趋势，顺势而为就行。A 股上涨一般是持续半年以上的行为，一波拉起来你就多进去，经济环境发生变化就空出来。现在疫情天天封城，经济环境本来就属于最差的时刻，这种时候还多进去那不就是送菜嘛？好歹等经济缓过来再做不行嘛

我是不能理解抄底思维的。

@cocong 楼主你的问题在于只做多不做空。

所有理财产品本来就是涨涨跌跌的。什么下跌补仓，每月定投，都是骗人的做法。真正的做法就是在行情来的时候多进去，行情没了就果断抽手卖掉。做基金的话，你做空唯一的方法就是卖掉了 2333

@zealboy 如果用游戏角色的角度考虑，我绝对不是那种一言不合开干的热血游侠，而是那种躲在角落里画三天三夜魔法阵的那种人 2333

@zealboy 我多少有一种悲观主义浪漫色彩。

“我要死在冲锋的路上”，大概是这么一种浪漫。悲观到不相信自己能达成心愿，但是也还是愿意去践行自己的心愿。

@zealboy lol 乐观好啊。像我这种就举步维艰，想做什么都会瞻前顾后

不过好在我是那种虽然会考虑很多事情，但是想做的事情还是会去做的人。比起别人而言只是要额外做很多很多准备工作，但是却也绝对会想办法做就是了。

@zealboy 换句话说你是很乐观的，”什么事情传到桥头必然直”。

我是很悲观的，需要足够的金钱去确保我还能活着，践行自己的愿望。

@zealboy 因为我不相信有什么岁月静好是不变的。

大厂可以裁人，研究话题可以衰退拿不到经费，国家经济可以下滑，一场大病可以卖掉房子。

我感觉活在世界上十分不安全，而我想给自己打造一个避风港，才有闲心去做有趣的事情。

@zealboy 相比较于亿万富翁 我更想找点有意思的 project ！
----

年轻真好哇，真好哇。我也怀念那个无忧无虑，不食人间烟火的时代。搞投资组合是为了做亿万富翁嘛？能做亿万富翁的能有几个（笑）。只是为了能给自己搭一个避风港，想做什么就做什么而已。

不然你做什么研究都要看别人的口味，不符合别人口味的研究你连经费都申请不下来。

@zealboy 客观来说 我做过的机器学习项目可能不比你少...
----

嗯好嘛。客观来说，我发过深度学习的文章，顶会。

@c0xt30a 换句话说，5000 支股票配 1000 个算法海选，确实组的出来几百个对象的投资组合

@c0xt30a 是也不是。不同板块的股票相关性本来就低，你再搞几十套算法怼上去，每个算法的买卖操作不一样，相关度就更低了。这样就能组出来一套可以降低抖动的投资组合。

当然 A 股不能做空所以没那么理想。能做空的市场，这么一搞，相关度就迅速下降了。

@zealboy 顺便不提 AI ，有个事实供参考：

若有 N 个独立同分布的变量 x1...xN ，均值都是 mu ，标准差都是 σ。那么如果我每个变量只取 1/N ，并加起来：

y = (1/N)(x1+...+xN)

那么 y 的标准差就是 σ/sqrt(N)。
----

这个事实有啥用呢？很简单，如果你全仓单吊一支股票，那它一个回撤抖动可能大小是 σ。但如果你选了 N 支和它表现差不多的股票，收益期望都一样，那么它们加起来的收益期望和原来一支股票的收益期望仍然相同，但是一个抖动只会给你造成短暂的 σ/sqrt(N) 的损失。。。

当然无论怎么样，收益总数的期望是一致的。但是抖动从 σ 变为 σ/sqrt(N)，相信你会好很多的，至少持仓过程的心理压力就不会那么大了。
----

所以我们需要 AI 。不然你怎么一个人自己配置 100 支股票呢？

不过我个人是偏向于价值投资理念的 对于量化以及中短期交易不是很感兴趣
----

这个理念和楼主不关心 AI 其实有着同样核心的内核：相信自己（作为人）的智慧，觉得机器没啥大不了的。大概是一部分程序员的常见心态吧。

我就不一样，与其相信我的智慧、精力（市场上那么多公司哪有那么多时间一个个看）、毅力（一个大跌我可拿不住），我更相信机器。

@jessun1990 顺便我的 Linux Mint 主机：

$ time seq 1 100000000 > /dev/null

real 0m0.544s
user 0m0.536s
sys 0m0.008s

1)

import numpy as np
im = np.array([0,1,15,16])
np.asarray(im / 16, dtype=int) # array([0, 0, 0, 1])

2)
随便运算，最后取整。

@jessun1990 是 mac 。看起来 Linux 做了优化，>/dev/null 不用过系统调用。mac 实打实系统调用花了 17 秒

1. 找一个巨大的语料库。
2. 用分词（比如 jieba ）抽取词的 token 。
3. 然后直接统计。

----

但是……

这个方法估计你得不到有意义的答案，原因是 word token 太稀疏了，所以是失真的。

改进方法：

1. 找一个巨大的语料库。
2. 用分词抽取 word token 。
3. 训练 word embedding model 。
4. 训练一个分类器，p(next word embedding | previous word embedding)

----

如果要增加效果，可以考虑

p(next word embedding | context)

而不是只给定上一个词语。相关的改进建议查询论文。