【原】机器学习驱动的策略开发通过流程 | 普通人阶层跃迁的可能路径？

原创内容第878篇，专注智能量化投资、个人成长与财富自由。

之前的系列，咱们主要集中的ETF的趋势轮动策略上，不同的因子，但逻辑类似，就是买入信号+已持仓-卖出信号，然后进行排序。

当然，这就是多因子策略的标准模板，只不过这里信号是主观设计的。

或者通过一些遗传算法的参数优化。

而机器学习驱动的策略设计呢，就是股票池，比如沪深300成份股，然后因子集，比如alpha158。

然后用机器学习模型来拟合这个因子，变成模型，而后进行回测。

后续一段时间，我们来做这个标准化的流程。

if __name__ == '__main__':    lab = AlphaLab(Path('D:\work\.aitrader_data\quotes_etf'))    df = lab.load_bar_df(symbols=['510300.SH','159915.SZ'], start='20100101', end='20250506',extended_days=10)    print(df)    dataset: AlphaDataset = Alpha158(        df,        train_period=("2010-01-01", "2014-12-31"),        valid_period=("2015-01-01", "2016-12-31"),        test_period=("2017-01-01", "2020-8-31"),    )    # 添加数据预处理器    dataset.add_processor("learn", partial(process_drop_na, names=["label"]))    dataset.add_processor("learn", partial(process_cs_norm, names=["label"], method="zscore"))    # 准备特征和标签数据    dataset.prepare_data(filters=None, max_workers=3)

下一步就是因子分析，模型训练以及回测等。

代码及数据下载：AI量化实验室——2025量化投资的星辰大海

吾日三省吾身

普通人阶层跃迁的可能路径？——创业、投资？

看起来都挺不容易的。

之前我们建议的方式是“一人企业”。但一人企业，做得好，可以让你跃迁到A8。但要到A9，还是需要一个大的赛道，不错的运气。

人还是要有梦想，万一实现了呢？

创业这条路，一种人特别合适，就是风险承受力特别强，而且就喜欢挑战，喜欢张罗事，不甘于寂寞。多数人不具备这种才能。

技术能力强的人，可以做二把手。

相当于把你的技能通过杠杆放大。

那你的技术就需要有独特且厉害之处。

未来，这里最重要的技术我相信是与大模型、智能体相关。这一块的技术我们可以再深入，跟进前沿。

技术+产品化到商业化。——这个很适合技术牛人，极客。

而投资这条路，有人做到，江湖总有传说，但冷暖自知吧。

目前比较确信的是，本金比较大，追求年化10%这样的长期收益是比较容易的，但从A7做到A8，甚至期望从A8-A9，客观讲还没有想好。

另外一个是关于成就感，就是社会价值与个人价值的统一。

AGI是技术的前沿，而且有利于社会发展，这个突破当然是非常厉害。

能赚钱的事情不好，能赚钱而且受人尊重的人就少一些了。

这也是一个逻辑。

从长远看，值得投入，去挑战一下AGI前沿。

最不济，紧跟前沿做落地应用也是不错的。

代码和数据下载：AI量化实验室——2025量化投资的星辰大海

AI量化实验室 星球，已经运行三年多，1700+会员。

aitrader代码，因子表达式引擎、遗传算法（Deap）因子挖掘引擎等，支持vnpy，qlib，backtrader和bt引擎，内置多个年化30%+的策略，每周五迭代一次，代码和数据在星球全部开源。

扩展  ·  历史文章   

EarnMore（赚得更多）基于RL的投资组合管理框架：一致的股票表示，可定制股票池管理。（附论文+代码）

年化收益200%+的策略集 | 实时板块资金热力图 「aitrader 5.0系统代码发布」

年化19.66%，回撤12%的稳健策略|manus的启发：基于大模型多智能体的智能投研系统（python代码+数据）

年化30.24%，最大回撤19%，综合动量多因子评分策略再升级（python代码+数据）

年化18%-39.3%的策略集 | backtrader通过xtquant连接qmt实战

stock-pandas，一个易用的talib的替代开源库。