在沙龙的交流环节，一位老师提出了一个核心问题：“我知道‘低估值+高成长’是好逻辑，但在机器学习的世界里，如何证明这不仅是‘马后炮’式的解释？”

我的回答很简单：AI不听“我觉得”，它只看“数据验证”。

作为一名估值研究者，我习惯了处理不确定性。而在量化领域，所有投资直觉在进入实盘前，都必须经过严谨的“脱水”验证。

1. 投研“脱水”的工具箱：机器学习模型

在我的系统中，机器学习模型负责将海量数据转化为可执行的策略。针对不同数据源，分工如下：

• 给基本面脱水（寻找“价值之锚”）：
普通投资者看财报是“看三年”，模型可以“看二十年”。利用 LGB 或 XGB 等集成学习模型，通过数百个财务因子，去学习 A 股历史上的盈利质量规律与现金流溢价。它挖掘的是指标背后隐藏的因果逻辑，旨在通过模型给出一个脱去水分的底层估值。 • 给动能做判断（寻找“阻力最小的前进路径”）：
动能分析负责捕捉市场节奏。在这里，我更倾向于使用微软开源的 Qlib 框架。它内置了 alpha158、alpha360 这样经过验证的量价因子库。这些量价因子为模型提供了不同维度的输入，帮助我们从价格波动中剥离出具备统计学意义的信号。 https://github.com/microsoft/qlib/blob/main/examples/benchmarks/README.md 2. 回测三问：你是在看未来，还是在看现实？

很多量化策略在回测里是神，在实盘里是鬼，通常是因为忽略了以下现实约束：

1. 手续费与滑点成本：高频 Alpha 的收益极易被单笔交易成本吞噬。

[!RISK] 真实教训：
我刚开始做实盘测试时，为了平滑交易，设计了“多次小额随机买入”。但我忽略了 A 股单笔最低 5 元手续费的硬约束，导致一笔 2500 元的小额成交，实际手续费率高达 0.2%，直接比预想的“万二”佣金贵了 10 倍。

2. 未来函数：这是初学者最易犯的错误。策略在判断“今天”买入时，是否无意中引入了“明天”的信息？ 3. 幸存者偏差：回测样本是否包含了那些已经退市或暴雷的公司？如果只在现在的绩优股里找历史规律，逻辑必然失效。

3. 稳定性比收益率更“值钱”

在 AI 量化中，最危险的行为是过拟合。为了让历史曲线好看而不断堆砌参数，本质上是在“刻舟求剑”。

因此，建立严谨的**“样本外测试”**是防范逻辑失效的底线：

• 训练/测试集的刚性切分：必须预留一段模型“从未见过”的历史数据作为盲测区。 • 对抗非平稳性：由于金融规律具有时效性，只有在完全陌生的环境下依然稳健的逻辑，才具备实战价值。

在量化世界，稳定性不是一种选择，而是抵御波动韧性的唯一来源。

下一篇，我将转向非结构化数据的处理：如何通过提示词范式优化宏观研究。

研究附录：工具与口径说明

文中部分结论来自本人维护的研究工具（用于数据整理与口径一致性校验，不构成投资建议）：

• 财务体检模块：结构化拆解财报并打分 • 估值框架模块：综合估值模型结果

访问方式：公众号「估值人老邵」菜单栏 →「服务」
边界声明：本文及相关工具仅供研究与学习使用，不构成任何投资建议。据此入市，风险自担。

追加内容

本文作者可以追加内容哦 !