@Gekou #36 训练数据做了处理和过滤。
确实很多顶会论文都在用欧美市场 包括印度市场进行验证。
有一定的正反馈，但唯独对中国 A 股市场是失效的，我想作者可能没有做 localization 。
同时，模型也需要不断地根据市场情况进行迭代

@blufaux #35 我在焦虑初始规模 也确实 这东西一旦规模过大还管不管用 还得另说。但感觉 2000 以内应该问题不大。我一般同时持有 5-8 只标的。如果按 2000 算的话，一只持有 200 多，对市场影响微乎其微。

@grindsgears #33 前十几年确实大部分时间被市场毒打 谁没几年黑历史 现在基本不做选股工作 依靠模型去辅助决策 能有收益且风险可控 也确是事实

@Sawyerhou #30 嗯 打算实盘一年的 最好能经历一段熊周期
回测周期前移会过拟合 因为是基于 2006-2022 全样本做的训练 那些数据他都见过。

@purringpal 这句话回应的确实不恰当 乐观者也有可能成为悲剧性的人物。
我更欣赏邓公，做一个乐观的实用主义者

@chanChristin 这是为了从理论角度回应他，我不想自己打大段文字了，我比较懒。

就用 GPT 对这个问题生成了那段理论基础

@gransh 正如前面大家说的 20%确实有近期小微报复性反弹的因素 但也有模型的带来的决策上的辅助 目前是要再实盘一年 观察一下 并连续调整迭代交易策略 更好利用模型的特性

@czfy 这个确实 外边没有不代表内部没在用 也肯定还会有其他因子 交叉印证 最后才到交易决策

@hello2090 08 年次贷危机的时候, 易凯资本的王冉建议可以长期布局美国资产, 我的同学和我说"A 股还没搞明白 还搞美股?" 就这一句话让我产生了退缩。现在再看看 nVidia Google Apple

@chanChristin 不是 GPT 不是 GPT 不是 GPT

wsl2 改进了不少 我甚至在上边跑深度学习训练 个人感受很方便，不用考虑单独架虚拟机还有显卡直通问题了。
另外 WSL2 上也实现了通过 systemd 管理服务

@GoogleQi 并不是这样，

我的训练数据集是 2006 年（股权分置改革后）-2022 年的全样本数据的 90%，验证数据集使用的是剩下的那 10%。在这个验证集上，精确度和召回率表现的更好一些。

同时 2023 年全年数据作为训练外单独的验证集，进行了二次验证，由于 23 年普遍表现不好单边下行，更能验证模型的性能，发现在维持精确度、提升阈值的同时，牺牲了一部分召回率。但是从交易角度，模型依然可用。

再有就是从 2023Q4 开始的实盘数据，之前补发过 Q4 的实盘截图。

我是通过这些方式，综合来判断模型的性能

@defel 不太想从基础理论角度进行解释了，自己去看吧
https://chat.openai.com/share/91c1f831-393b-4083-8cbe-273676355fa3

@frankies 股市是门槛最低的市场，同时也是门槛最高的市场。

@defel 另外，我不认为深度学习技术带来的预测，完全能够归入到经典经济学那一类。

@testonly 确实规避了 1-2 月份的大跌，成功抄底进了场，也确实 1-3 月以来只有那段进行了操作。

但也确实那段时间模型每日给出的预测样本数非常少，就意识到市场可能要失效，进行了清仓，你可以看到我后来补充的图，12 月底的时候做了清仓操作。

@imes 22 年后端全栈 03 年创建个人网站 当年日活 10 万。
目前基于 CNN Transformer GRU 研究金融市场二分类任务。抱歉我不用 BiLSTM 。另外脱离任务谈参数是不是耍流氓？

@defel 我认为这不是预测，而是模式识别。
“经济学最忌讳的就是基于过去的数据和趋势对未来进行预测。”根据这句话，你能说：基于过去的数据和趋势完全不能预测未来吗？完全给不出概率吗？

@testonly 补一张刚训练出性能还可以的模型时候的收益，2023Q4

https://imgur.com/a/dcjMiVu

仁兄说的最客观 谢谢