股票为例 我的思路和纠错过程
1.1 思路
- 我手头的课件、资料是不会少的，都是可以喂给AI的素材;
- 偶尔有一些思考，喂给AI;
- 群友、公众号、视频号有些信号，可以跟AI聊聊；
策略一定会失效，但经济周期就4个可能，找出对应周期合适的策略，胜过用一个通用策略抗4种经济阶段。先定宏观，再定策略，宏观没选对，你必须要是一个非常好的个股挑选者才能扳回收益，80%以上的收益由宏观分析创造。
1.2 搭建工作流的细节
- 你需要像程序员一样，给你的研究任务从新建文件夹开始，归类素材、思路、工作流文件;、
- 你可以把每一个主要改进都新建一个工作流，而不是直接在原有工作流修改，方便对比成效;
- 从单因子工作流开始，筛选出过关的因子再组合成多因子模型；
- 目前只有仅包含量价因子的、公式形式的因子，可以用在非线性工作流，你可以对比同一个纯量价因子非线性和线性谁的效果更好；
- 如果线性因子是代码形式，可以让AI给你转成PandaAI可读的公式形式，前提是你把PandaAI基本因子库、因子搭建节点“专家模式”代码喂给AI；
- 非线性工作流目前特征工程标签可以让AI给你写一个，前提是你把“特征工程”节点“专家模式”代码喂给AI；
- 非线性工程中关于机器学习节点如果报错，可以让PandaAI的“工作流AI分析助手”解决，前提是你把“日志”里的报错信息复制给AI分析助手。
- 非线性工作流的“因子分析”节点参数设置：一般跟线性的保持一致是最佳效果
- 因子方向 (Factor Direction) —— 在公式或“多因子合成”节点处理核心逻辑：如果因子 A 是越大越好（如 ROE），因子 B 是越小越好（如换手率），你不能直接把它们相加。正确做法（两种选其一）：
- 方法一（在特征构建时改公式）：在特征工程写公式时，直接把反向因子乘以 -1。例如：-1 * TS_MEAN(TURNOVER, 20)，让所有因子在进入合成节点前，都变成“越大越好”。
- 方法二（在合成节点调权重）：如果你使用的是截图中的**“多因子合成”**（如线性加权合成）节点，你可以给正向因子分配正权重（如 ），给反向因子分配负权重（如 ）。我选的方法2
- 多因子权重调整过程：从等级开始（运行完单因子模型让“因子分析结果”的AI给个评价），接着调节主要因子和辅助因子（也可以让AI给个评价），最后是机器学习包含“未来预测”的 特征工程节点使用“future”的可以尝试-1。
2.1 纠错过程
- 机器学习“特征工程”和“非线性因子”节点的开始结束时间不能一致，否则过拟合
- 选择“非线性因子”时间段，时间跨度可以参考传统机器学习“训练”“验证”“预测”的数据样本量配比，我记得好像是60 30 10，来选择时间跨度。
- 选择“非线性因子”时间段，可以挑选“特征工程”节点时间段次年对应时间，至少可以消除季节性影响。
- 不要贪恋你的过拟合带来的优秀多因子结果，纠错后的结果不会差到哪儿去。
