剛剛小組臨時online meeting，結果其中一個成員突然傳來喜訊，他台大商研所、台大財金所都正取。
󠀠
他開心到話都說不好了，我們一陣大笑，讓他先好好下線去慶祝。
我呢，也感到榮幸和理所當然，因為我沒看錯人，我也認為當初拉他合作是明智的選擇。
󠀠
稍早他還說感覺自己笨，認為「商科仔」機器學習底子不夠，程式碼看不懂。我說別妄自菲薄，其它人也說看不懂算正常。
「物以類聚，難道妳是在罵這邊的人都笨嗎?」我說。
「也不是，畢竟總會有幾個聰明的帶頭。」他回答。
這句話是真聰明，而我也喜歡聰明人 :)
󠀠
話說回來，被打斷的話題，和因子投資與深度學習有關，大家想法不一樣。
󠀠
路徑一，並行融合。
1. 取得約300個財報+價量+籌碼的原始資料，清洗。
2. 效法openFE的方式(也就是傳統金融的各種財報ratio)，時序回歸後，組合出約100萬個「因子」，總共約有兩兆個數據組。(二次複合因子的話再乘100萬。)
3. 做成矩陣並標準化、正則化，放進CNN模型(或是RNN/GNN)。
4. MVO/最大散度組合優化。
󠀠
路徑二，串接融合。
1. 取得價量+籌碼+財報因子並分類。
2. openFE，透過因子選股。
3. 畫成價量圖，包括K線、均線和成交量。
4. 丟入CNN
5. 組合優化。
󠀠
路徑三，不融合。
1. 只取財報因子(就是台灣在說的因子)
2. 傳統方法選因子，例如排序。
3. 選股。
󠀠
這些概念主要來自修大成/Kelly等人，融合了既有開源程式碼，大概是近期遇到最難的任務。聽說目前還沒有人成功復現，畢竟要兼顧IT/數學/金融/統計/機器學習等專業。
不過我們都覺得，既然論文這麼清楚了，代表作者很有誠意，該加油的是我們。
研究嘛，好玩和挑戰性都很重要。
󠀠
󠀠
#有人該請客了
#狂讀投資
#多因子