而类比人类的学习，我们不会拿1万张猫的图片让孩子学习什么是猫，一个小朋友也许只见过几只猫，他几乎可以认出各种图片的，抽象的，卡通的猫。所以有了alpha go， alpha master和alpha zero这样的围棋大师，然后它们的技能迁移的打战略游戏上，也是一等一的好手，都拜强化学习所赐。昨天我们讲的DNN的模式，我们是让模型学习过去的因子“预测”当天的收盘价的“涨跌”。我们学骑自行车，并不会

ETF排重之后（像沪深300指数的ETF有几十支）有150多支，从量化的角度，我们选择交易量最大的，通常也是规模最大的一支即可。——像黄金ETF，不方便同步指数数据的，直接使用ETF数据。大家可以会好奇，为何不直接使用ETF，使用ETF自然是方便，但有些ETF的上市时间很短，所以数据很有限。在大类资产上，两周（10天）的动量IC值是明显的，因此，我们之前的周调仓，应该优化成两周调仓。A股的指数，我

虽然DRL的训练过程较为复杂，且必须面对市场的不确定性，但它的自适应能力和长期优化的潜力是其显著的优势。这是官方给的代码，大家可以结合论文先看作者的思路，后续会结合我们自己的数据，考虑整合到Quantlab框架中。最近开始，还会把星球沉淀下来的模块，生成相应的专栏，可能会使用小报童的形式，大家这几周可以关注下。爱迪生的研究所，在经济周期面前，仍然需要断臂求生，这就是商业法则——生存为第一要义。“一

第二个五年，而立之年，来自父母的催婚，房价的高企，遇到过所谓心动的女生，雄心凌志不足以支撑现实之困局。去尝试，希望快速突破，被抛到空中，落回地面，“恍然大悟”，并无速成之法门。毕业那五年，初出社会，带着玫瑰色眼镜，感觉自带主角光环，“我命由我不由天”，经历年事情，都看成“天将降大任于斯人”。房子，车子，孩子，在社会阶梯中攀爬，慢慢积累一些财富，懂一点人情世故，心态平和且稳健很多。等，支持vnpy，

说缺点的话，打包后文件夹比较大，200M，压缩后60来M，还算可以接受吧。另外就是杀毒软件可能会误报，我是直接加到信任名单里，不过可以看下，如何解决让它不误报的问题。短期，一天，能做的事情，很有限，其实不必列长长的清单，也许某几天可以完成的很好，但长期会压力大，没有必要。aitrader的框架后续计划在gitee上托管，地址已经同步在星球中，并发布的初始代码。选择脚本，基本参数，然后把本地目录选择

bond_value IC值不明显，分层不单调，但lightGBM的权重重要性很高。咱们还是使用lightGBM集成学习的方式，决策树是可以筛选特征的重要性的。——这是与股票市场不一样的地方，股票退市相对少，而转债本身就有退出周期。有时候，淡定一点，把事情处理得稳妥一点，后续的事情会更少。IC值大，但分层效果不好，大概率因子里包含了非线性因素。结果有可能，事情也许办了，但引入其他更加不可控的事情。

拟在走通策略模型，明显出现了过拟合的情况，这个下周我们继续来做超参数优化，如何避免过拟合等，如果挖掘到更好的因子。rank需要特殊处理，它是groupby('date')，就是某一天截面数据的排序分位点。咱们的函数基本都是时序的，比如 log, std，或者常见的均线，macd，布林带等。代码在engine/models下，一个分类模型，一个排序模型。在轮动之前，新增了SelectByModel算

前面说了，学习投资从指数开始。指数的数据比较全，不受操控。我们优先关注几个重点的指数，宽基指数和重要行业指数，把它们的数据导入到qlib的存储中。我们重点关注几个指数：class Config:def get_index_codes(self):return ['000300.SH',#沪深300'000905.SH',#中证500'399006.SZ', #创业板

以下是一些可能的途径和策略，但请注意，这些方法都涉及不同程度的风险，并且成功并不是保证的。但在深度学习时代，最大的一点进步就是不需要特征工程，因为特征工程本身是对现实数据的简化。——本身也是一种”拟合“，或者说试图”解释“过往的收益率，有一种符号表达的方式。图像识别就是端到端，AlphaGo就是端到端，深度强化学习端到端构建投资组合——从逻辑上更符合金融投资的场景——它甚至不需要label。所以，

因子集的生成当然也可以自动化，人工可干预的模式，比如自动挖掘，自动筛选，人工给一些建议或者修改，自动合成，自动评价，前向滚动更新迭代等。机器驱动的交易系统，比传统的信号驱动的系统，更容易标准化，ML4T主要就是因子集，使用什么样的因子集，其余都是可以标准化。周期上行时，顺风顺水，偶尔还能兑现一些期权，大房子，豪车，国际学校，全职主妇。在迷茫的时候，或者心情低落的时候，或者事业不顺的时候，多读书。擅