一个因子引发的思考：我们过去关于投资的认知可能都是错的
由ypyu创建，最终由ypyu 被浏览 298 用户
前言
棋手柯洁研究了大半年的围棋软件，竟然发现人类关于围棋的认知“全都是错的，……甚至没有一个人沾到围棋真理的边”。
而在投资上用了人工智能后会我们发现，人类过去关于投资的认知也可能都是错的
用户小a从事量化投资快三年了，在我们的平台上，做出了非常漂亮的结果，符合他过去的经验逻辑，但效果远超过自己过去的成果；后来 他随便选了一个因子——上市天数，最后发现该因子开发的策略效果很好。
于是他给我们反馈一个很奇怪的问题，为什么 只选择 上市天数(list_days_0)，也会有好的收益。他觉得非常不可思议，是不是哪个地方出了问题。
我们看了他发过来的收益曲线，有收益，但波动率也很大，坦白地说，那并不于是一个好的策略，但的的确确是一个有显著正收益的策略。
事后分析，该策略收益主要来自两个方面：
- 市场部分，回测期间有一段市场上涨明显
- 上市日期天数：这个因子可以区分次新股和非次新股，推测收益来自次新股期在此期间有较好表现。后面的分析，确认AI发现了这种模式，但即使经验丰富的小a也很难用这个简单的因子做出这样的效果 -- AI发掘出了因子的能力上限。
为了进一步确认和验证，我们也做了这个实验。
我们首先看了模型里的 因子贡献，确认只有上市天数(list_days_0)这个因子，并且确实有贡献
打开AI的黑盒
从下图可以看出，机器学习算法从历史的数据中，学习到上市天数(list_days_0)和收益有一个非线性的关系，在回测中会推荐某一段上市天数较小的股票。细想一下，该策略推荐买入上市天数较短的股票，这其实本质类似次新股策略，专业金融量化人员都知道，这一两年次新股策略本身效果就很亮眼。次新股策略也是很多私募团队资产配置的一个策略，只是一个新手要认识到这一点可能需要1-3年时间，而要做好这个策略，可能需要更长时间。
结论
以前人类需要5年、10年甚至更长时间来积累行业经验，因为传统的量化从业者更多依靠个人经验，希望得到“为什么”的因果关系，通过逻辑和因果来开发策略，而个人经验需要长时间的积淀。
但 人工智能1秒就超越了，AI开辟了一条新的路径，通过金融大数据、算法和强大的计算能力，可以快速发现人类难以发现的模式，因此可以做出远超人类的效果。
策略案例
我将完整的实验分享出来，欢迎各位小伙伴 克隆研究。
https://bigquant.com/experimentshare/b9cdbf2d5ee24c259eb07951c54df9c4
\