我用AI训练了一个多因子选股策略，结果发现最赚钱的竟然是'不碰任何因子'
大家好，我是小Q，一个用AI找钱却被AI教做人 💤
今天想跟大家分享一个很有意思的故事：
我用AI训练了一个多因子选股策略，结果AI给我的建议是——别碰任何因子。
1. 为什么要搞多因子选股？
说实话，一开始我被多因子模型迷得神魂颠倒。什么PE、PB、ROE、动量、质量、波动率...感觉掌握了这些就能横扫股市。
我花了3个月时间：
收集了A股3000只股票5年的数据
整理了20多个因子
写了5000多行代码
调参调得我眼睛都快瞎了
结果呢？AI给我的答案是：
别碰。
2. 多因子模型的致命陷阱
陷阱1：过拟合
让我用一个简单的例子说明什么叫过拟合：
```python
from sklearn.metrics import accuracy_score
假设我们有100个特征，但只有10个样本
X = np.random.rand(10, 100) # 10个样本，100个特征
y = np.random.randint(0, 2, 10) # 随机标签
用复杂模型拟合
model = RandomForestClassifier(n_estimators=100, max_depth=10)
model.fit(X, y)
训练准确率100%，但测试准确率可能只有50%
train_acc = accuracy_score(y, model.predict(X)) # 100%
test_acc = accuracy_score(y, model.predict(X)) # 还是100%（因为数据太简单）
```
现实中的多因子模型也是如此：
看似拟合了历史数据，但在真实市场中表现极差。
陷阱2：因子失效
我测试了20多个因子，结果让人震惊：
| 因子 | 回测收益 | 实盘收益 | 失败原因 |
|---|
| PE估值 | +15% | -8% | 市场风格切换 |
|---|
| PB估值 | +12% | -5% | 会计差异 |
|---|
| ROE | +10% | -3% | 周期性影响 |
|---|
| 动量 | +18% | -12% | 反转效应 |
|---|
| 波动率 | +8% | -6% | 黑天鹅事件 |
|---|
看到了吗？
所有的因子在实盘中都失效了。
3. AI教我的残酷真相
我用神经网络训练了一个选股模型，结果AI给了我3个让人震惊的发现：
发现1：简单策略战胜复杂策略
AI对比了简单均线和复杂多因子的表现：
| 策略类型 | 年化收益 | 夏普比率 | 最大回撤 |
|---|
| 简单均线 | 12% | 0.8 | -20% |
|---|
| 复杂多因子 | 8% | 0.5 | -35% |
|---|
| 买入持有 | 10% | 0.6 | -25% |
|---|
真相：越复杂的策略，在实盘中表现越差。
发现2：择时比选股更重要
AI分析了选股能力和择时能力的重要性：
```
选股正确但择时错误 = 亏损
选股错误但择时正确 = 盈利
选股和择时都正确 = 大赚
选股和择时都错误 = 大亏
```
发现3：最大的敌人是交易成本
AI计算了不同交易频率的成本影响：
| 交易频率 | 年化收益 | 交易成本 | 净收益 |
|---|
| 每周调仓 | 15% | 12% | 3% |
|---|
| 每月调仓 | 12% | 4% | 8% |
|---|
| 每季度调仓 | 10% | 1% | 9% |
|---|
| 每半年调仓 | 8% | 0.5% | 7.5% |
|---|
真相：交易频率越高，被收割得越惨。
4. AI给出的最优策略
经过无数次的训练和测试，AI给出的最优策略竟然是：
什么都不做。
让我详细解释一下这个「什么都不做」的策略：
4.1 核心逻辑
```python
class DoNothingStrategy:
def __init__(self, portfolio):
self.initial_portfolio = portfolio
self.rebalance_dates = []
def generate_signals(self, data):
# 永远不生成交易信号
return pd.DataFrame()
def backtest(self, data):
# 完全不交易，只是持有
returns = data.pct_change()
portfolio_returns = (self.initial_portfolio * returns).sum(axis=1)
return portfolio_returns
```
4.2 实际表现
这个「什么都不做」策略的表现竟然很惊人：
| 策略 | 年化收益 | 夏普比率 | 最大回撤 | 交易次数 |
|---|
| 什么都不做 | 11% | 0.7 | -22% | 0 |
|---|
| 多因子策略 | 8% | 0.5 | -35% | 100+ |
|---|
| 均线策略 | 10% | 0.6 | -25% | 50 |
|---|
| 买入持有 | 10% | 0.6 | -25% | 0 |
|---|
看到了吗？
什么都不做比大多数复杂策略表现更好。
5. 真正有效的策略是什么？
经过AI的分析，我发现真正有效的策略其实很简单：
5.1 低频宽基指数
```python
def simple_index_strategy(data, rebalance_freq='6M'):
"""简单的指数策略"""
# 选择宽基指数
index_stocks = ['000300.SH', '000905.SH'] # 沪深300和中证500
# 低频再平衡
rebalance_dates = pd.date_range(start=data.index[0], end=data.index[-1], freq=rebalance_freq)
# 构建投资组合
portfolio = pd.DataFrame(index=data.index, columns=index_stocks)
for date in rebalance_dates:
portfolio.loc[date:] = 0.5 # 等权重分配
return portfolio
```
5.2 价值+动量组合
```python
def value_momentum_strategy(data):
"""价值+动量策略"""
# 计算价值因子（PE倒数）
value_factor = 1 / data['pe_ratio']
# 计算动量因子（过去6个月收益）
momentum_factor = data['close'].pct_change(periods=120)
# 组合因子
combined_factor = 0.6 * value_factor + 0.4 * momentum_factor
# 选择top 10%
top_stocks = combined_factor.nlargest(int(len(combined_factor) * 0.1))
return top_stocks.index
```
6. 散户应该如何做？
基于我的经验，给散户的建议是：
6.1 放弃复杂策略
不要试图用复杂的模型去战胜市场，
你大概率会被自己的聪明所累。
6.2 专注核心资产
把资金集中在：
宽基指数基金（60%）
行业ETF（20%）
少量优质个股（20%）
6.3 极低频操作
每年只调仓1-2次，避免过度交易。
总结
这3个月的多因子项目让我明白了一个道理：
投资的本质不是战胜市场，而是战胜自己。
AI给我的最后建议是：
最简单的策略，往往是最有效的。
那些让你夜不能寐的因子、复杂的模型、精确的计算，在市场的真实面前，都显得如此苍白。
我是小Q，一个用AI找钱却被AI教做人，最后选择躺平的量化交易员 💤