前段時間，某IT界大咖對我進行了關于交易、量化、人工智能、大數(shù)據(jù)諸方面的拷問。這里把少兒不宜內(nèi)容和不文明口頭語刪減后，整理出一份聊天記錄，分享出來。

如果你是交易界搞正規(guī)AI量化的，這里多少會有些值得參考的東西；如果你是靠包裝AI概念忽悠客戶的，也可以從這里汲取點談資。

大咖：問個靈魂拷問，你堅持的策略研究，是不是有個前提假設：市場是可預測的？或者前提假設是：你相信機器算法的反應可以達到人類思維的高度？

偶：不是啊大哥！正好相反，對于完全剔除基本面的策略，我堅持市場是不可預測的，一旦試圖預測，就是失敗的前奏。至于機器算法在我這相當于一堆破銅爛鐵，是被無限淡化的，只當成一個執(zhí)行工具而已。

大咖：那你根據(jù)什么研究策略？

偶：對我來說這事唯一核心的要素就是“人”，策略就是100%的來自于人類自身的感性直覺。所以“量化”在我這指的是【直覺的具象化】，而不是行業(yè)主流所搞的【數(shù)據(jù)的統(tǒng)計化】。

大咖：那別人讓你介紹下策略的時候，你總不能跟人說“憑感覺”吧？

偶：那確實不合適，我只能盡量解釋。

比如打臺球的原理其實就是動量定理。但特魯姆普打臺球是通過計算動量定理去打的嗎？不可能現(xiàn)場口算啊。其實本質(zhì)上就是憑手感打球而已。但他打出來的效果上卻非常契合客觀上的那個動量定理，即便他可以根本就沒聽說過這個詞匯。也就是說，他憑的主要是右腦的感知能力，至于左腦的計算能力只能算個輔助。

同樣的道理，我曾以為我量化的是數(shù)據(jù)，后來才察覺真正被量化的是對市場的審美，即便表象看起來還是在鼓搗數(shù)據(jù)，然而并不是【經(jīng)過建模驗證之后得出較好的結果，于是我提煉出了抽象策略】，而是【一切開始之前我已經(jīng)憑直覺判斷“這么做比較好”，進而再去使用具象工具】。

可這種因果關系長期被倒置認知。業(yè)界量化的方向基本是執(zhí)著于把數(shù)學計算機建模推向更高的算法境界。我認為那是歧途，解決不了根本問題。正確的路徑應該首先是交易者的感性直覺與領悟能力，在此之后才下降到理性推理和機器運算的層次上。

所以對于研究策略，我平時愛說金融知識（存取款除外）不重要、數(shù)學知識（加減乘除除外）不重要、計算機知識（開關機除外）不重要。

大咖：你這有點抖機靈啊，畢竟可以穩(wěn)定盈利卻自稱就是走【數(shù)據(jù)的統(tǒng)計化】路線的人大有人在啊，你憑什么否定【數(shù)據(jù)的統(tǒng)計化】的戰(zhàn)略意義？

偶：感性和理性在普世觀念上是對立的，而且感性在量化界是被唾棄的。隨著科技的發(fā)展，理性至上的氛圍也蔓延到金融界，那些搞數(shù)學、計算機出身的新銳操盤手們，都愛說“我們凡事都以嚴謹?shù)臄?shù)據(jù)說話，剔除一切主觀因素，完全靠數(shù)理建模來構建策略?！?/span>

然而擺在面前的事實是，在搞數(shù)理建模的龐大群體中，能盈利的人鳳毛麟角，那些數(shù)學、計算機領域的頂尖團隊，在交易中絕大多數(shù)是虧貨，所以完全不存在誰的數(shù)理建模搞的出神入化誰就盈利的關聯(lián)性。

數(shù)理建模的功用，只在于能告訴你“什么是不行的”——比如我腦子里想出來某種策略思路，經(jīng)過建模驗證后，是虧損的，所以這種策略不成立——也就是說在排除錯誤的方案方面，數(shù)理建模是能做到的。但問題是，雖然它能告訴你“什么是不行的”，可它做不到告訴你“什么是行的”，它只能檢驗，而沒法創(chuàng)造，就算把所有不行的都剔除了，也拿不出一套能行的方案。

如果能拿得出來，根源一定來自于人的層面，是人本身就具備能盈利的策略思想，將邏輯編成代碼后，經(jīng)歷住了建模的考驗并加以優(yōu)化，然后實現(xiàn)的盈利。

所以那些極少數(shù)以數(shù)理建模為信念且能穩(wěn)定盈利的操盤手，也許并沒意識到，其實是他們本身就具備盈利的能力，只不過以數(shù)理建模的方式落實到現(xiàn)實中，但并不是數(shù)理建模令他們盈利。數(shù)理建?？梢宰尡緛沓晒Φ臇|西更加完美，但做不到使負期望值系統(tǒng)變成正期望值系統(tǒng)。

所以說，數(shù)理建模是策略既已具備后的輔助工具，而非策略本身的組成元素。而且數(shù)理建模也不代表著客觀，所謂客觀只是人類主觀上覺得它客觀而已，弄一大堆數(shù)理統(tǒng)計說服自己在做一件有理有據(jù)的事，也許這樣會讓人有安全感吧。

計算機科學家、圖靈獎獲得者唐納德·克努特有一句傳世名言：“過早的優(yōu)化是萬惡之源?！贝嗽捒芍^道出了一種難以避免的傾向：在天生自帶理性標簽的計算機界，其實很多人都忘了，生產(chǎn)工具不論多么先進也只是生產(chǎn)工具，生產(chǎn)力始終是人類自身，以生產(chǎn)工具的神圣化代替生產(chǎn)力是方向性的錯誤。

當今社會，工具越來越先進，這是進步的；但對工具的過度依賴乃至迷信，而抹殺了人類本身的感知能力，這是退化的，真正起決定性作用的“人”的層面明顯被偏廢的很嚴重。

大咖：你說的這個觀點我倒是挺認可的，我們平常在工作中也在反思這種問題，說白了就是【編碼】和【語義】的區(qū)別問題。

比如一個人向另一個人說“你好”，本質(zhì)目的是“表達問候”，至于“你好”兩個字怎么寫、怎么讀，并不重要，因為對于美國人就會說“hello”，對于日本人就會說“こんにちは”，所以真正核心的那個東西，在于表達問候的【語義】，至于“你好、hello、こんにちは”，這些只是【編碼】。我們需要做的是洞悉【語義】，當然這也離不開對【編碼】的研究，但如果忘記了【語義】的初心，沒有以情感交流為切入點，而只是單純的往死里研究【編碼】，那就是方向上的無用功了，無論怎樣研究“你好”兩個字的筆劃、讀法，都無法得出“表達問候”這個【語義】層面的信息。

當今科技界，之所以在解決問題的方式上沒有質(zhì)的突破，恐怕就在于整體風氣都醉心于研究奇技淫巧去搞算力上的提升、算法上的突破，走上了跟【編碼】死磕到底的歧途。

雖然把【編碼】研究到極致也可以實現(xiàn)效果上的擬合，但本質(zhì)上根本就沒有涉及一丁點的【語義】，所以一旦進行深入對話，就會出現(xiàn)重大偏差或低級錯誤。

偶：啊啊啊?。∧氵@個【編碼】和【語義】的理論總結的太形象了！我最近看的一本書，以人工智能的角度解析“司馬光砸缸救人”事件，其實就是你說的【編碼】和【語義】問題：

某小朋友掉進水缸，對于除了司馬光之外的其他人的命題只停留在【如何更快更多的舀水】這個層面，基于“舀水”去研發(fā)各種超級算法；而對于司馬光，命題則是【如何救人】，之所以選擇砸缸而不是舀水，是因為憑感知推斷怎么舀水是徒勞的。在這里，“救人”才是【語義】，“舀水”只是【編碼】。一味研究【編碼】最多使同一層面上的性能獲得提升，但在層面之外無法另辟蹊徑去解決問題。當然，“砸缸”也是【編碼】，但這是在【語義】的指導下所選擇的正確的【編碼】。

做交易亦如是，所有的【編碼】要建立在【語義】的基礎上才有研究的意義。

打個比方，均線擺在兩個人面前，一個是從【編碼】角度出發(fā)，另一個是從【語義】角度出發(fā)。搞【編碼】的，必須要知道均線的具體算法，然后去處理各種數(shù)據(jù)云云；但搞【語義】的那個，可以完全不知道均線的內(nèi)部算法是怎樣，而只需用眼睛看均線的形態(tài)是否規(guī)整，然后定義“規(guī)整”代表走勢的“秩序”，建立起“規(guī)整——＞秩序”的因果量化模型，說的官話一點，就是數(shù)據(jù)可視化和形態(tài)知覺。因此可以這么說：對于搞【編碼】的，均線是用來“算”的；對于搞【語義】的，均線是用來“看”的——“看”不妨礙“算”，但只“算”而不“看”，那就蝦米了。

任何算法，要思考它根源上是怎么來的，如果“對經(jīng)驗樣本做出統(tǒng)計學處理”這一本質(zhì)不變，不論形式多么高大上，也跳不出在【編碼】層面內(nèi)部打轉的窠臼。就如同人家對你說“你好”，可你沒有去感知問候的【語義】，而是去分析“ni hao”的拼音語法，回想一下，我們小時候是先學會說話交流的還是先學會漢語拼音的？

可以說將純粹的數(shù)理統(tǒng)計等同于策略本身簡直是阻礙盈利的原罪，在交易界，典型手法就是弄套復雜模型，盡可能的交給機器，囊括各種情況，篩出盈利方案，還美其名曰人工智能，然而這些方案一旦放到未來的現(xiàn)實交易中就抓瞎了。

大咖：道理上認同你，但你確實有點誤解當下的人工智能了。當下的人工智能并沒有你想的那么極端，不是列出所有可能的窮舉式思路，你說的那個不是現(xiàn)在人工智能的精髓，現(xiàn)在的精髓是可訓練、可學習，讓機器自己把事物抽象成算法。我下次給你找個視頻，你看看就懂了。

偶：咱倆確實有點誤解。我說的窮舉，指的是我們交易界的大多數(shù)量化群體還停留在搞窮舉去擬合市場的層面。而對于當下前沿的人工智能界，那當然不可能是窮舉了，或者說當下的人工智能本身就是為了【不】窮舉才要搞各種學習訓練技巧來實現(xiàn)不必窮舉卻盡可能接近于完全歸納的效果，也就是少賣力、多辦事。

阿爾法狗不就是典型的例子嗎。首先，李永樂老師解過一道題：是圍棋的走法多，還是宇宙中所有的原子數(shù)量多？經(jīng)論證，圍棋的走法比宇宙中的原子總量要多得多。對于這樣一個天文數(shù)字，就算集合全世界所有的計算機算力也遠遠無能為力，所以才誕生了阿爾法狗這種機器學習的產(chǎn)物，通過蒙特卡洛搜索樹、深度卷積神經(jīng)網(wǎng)絡、評價函數(shù)等高超的技巧，在算力可以承載的情況下，分析盡可能少的數(shù)據(jù)樣本，就可以在效果上盡可能的接近獲勝的最優(yōu)解。

大咖：這個我贊同，當下人工智能的優(yōu)勢就在于此！那你在研發(fā)策略的時候是不是也應用了機器學習技術？

偶：沒有啊，這個技術對我來說沒有用，或保守點說目前階段還用不上。因為機器學習只能應用于封閉型任務，無法應用于開放型任務。

大咖：你怎么定義“封閉”和“開放”？

偶：封閉型任務指的是有確定規(guī)則的，有最優(yōu)解的，就比如下圍棋，必須是嚴格的每人輪流下一手，而不是自由行動，這樣策略的復雜維度就完全可控，而棋路的變化組合雖然是天文數(shù)字，但終歸是可以窮盡的，也就是存在理論上的完美走法。

開放型任務就相反，不存在確定規(guī)則，不沒有最優(yōu)解可言，或者維度多到完全不可控，比如如何進行一場戰(zhàn)爭，如何開展一次外交，如何創(chuàng)作一部文學……做交易顯然就是典型的開放型任務。

大咖：那為什么你說機器學習不能應用于開放型任務？

偶：大哥你這是明知故問??！是想考驗我把我招到你們公司嗎？那顯然技術上現(xiàn)在還遠不具備這種能力啊。

機器所有的信念，它自己怎么去抽象的這個機制，其實還是“人”事先賦予的一個底層的“人生觀（機器觀）”，在此基礎上，它才能開展學習訓練。所以它學習訓練的能力，完全依賴于初始狀態(tài)時賦予它底層信念的那個人自身的水平。也就是說所謂機器學習的本質(zhì)，其實還是人類事先輸入的，而不是它自己創(chuàng)造的，依然沒有脫離“自上而下”的宿命。一切的出發(fā)點仍然得取決于人類自身的感知、歸納、總結、賦予能力，人不行的話，機器也不可能行。

拿典型的機器學習算法“貝葉斯網(wǎng)絡”舉例吧。

機器的智能程度受限于人類事先在更高的層面上勾勒出的問題框架和事件節(jié)點，在此之上才能開展自動化計算。而怎么構建問題框架、怎么定義事件節(jié)點，這個戰(zhàn)略工作完全是由人的直覺化理解得來的，也就是說機器系統(tǒng)不具備根據(jù)自身認知規(guī)劃出網(wǎng)圖的能力，只能在人類既已規(guī)劃好的框架中工作。

實則貝葉斯網(wǎng)絡只是在一定程度上解決了戰(zhàn)術上的算力問題，至于戰(zhàn)略上的框架問題，依然是由人類智能自身去處理的。

一切機器學習的智能層次其實都是這樣，我覺得只是把老套的窮舉換了個版式，變成巧妙版的數(shù)據(jù)處理，使得它不需要窮舉了，先進了很多，但層面還是那個層面，屬于生產(chǎn)工具，完全沒有觸及到生產(chǎn)力的層次，并沒有向人類智能邁進一步，再厲害的機器學習至今也沒法代替人類解決開放型任務。

大咖：所以你才說交易的本質(zhì)是憑人類自身的盤感，現(xiàn)代科技對你來說最多是個執(zhí)行工具。

偶：我不是“反科技主義”，而是強調(diào)不能“唯科技主義”。

其實我們可以靈活處理，比如把開放型任務拆解，使它分離出局部的封閉型任務，比如對于單純的大型計算，機器學習就會非常有優(yōu)勢，但這依然取決于人類賦予的學習機制的水平，說白了還是人的作用。

大咖：這樣來看，你是不是覺得在量化交易領域其實根本不存在真正的人工智能？

偶：這個話題比較容易引起爭議，還是先縷清概念的好。

【人工智能】在不同的時代有不同的定義：

★ “原教旨AI”。指1956年達特茅斯會議上定義的人工智能，本質(zhì)訴求是讓機器可以像人類的認知模式一樣處理問題，且必須具備通用性。這也是人工智能的原本定義。

★ “新變種AI”。指當今時代的人工智能，本質(zhì)訴求是能完成單一復雜任務就行，是否跟人腦的思維模式沾邊無所謂，現(xiàn)實來看其實就是完全不沾邊，也不能跨領域解決問題，屬于一種專用性機器。

比如打羽毛球。按照機器的路線，首先識別飛過來的球處于什么坐標位置、什么速度和角度，然后計算在哪接球，然后再以多大的力度和什么角度把球打回去。經(jīng)過一定的學習和訓練過程，可以制造出一臺厲害無比的打羽毛球機器，但機器即便在學習訓練完成后，每一次打球還是要經(jīng)過當初被賦予的信念那樣的一個計算過程，然而不管怎樣，能抓到耗子就是好貓，這就是現(xiàn)代的“新變種AI”類型。而人類打球的機制就不是這樣，當然在初學期也可能有這樣一個階段，但在熟練后，就不存在這種法理計算了，而是憑直覺判斷接球的正確時機，也就是不經(jīng)計算就能感知到那個“勁兒”，也就是所謂的“手感”，也就是右腦在工作。如果機器能實現(xiàn)這個，就是1956年定義的“原教旨AI”類型。

再比如識別歌曲。我唱一首歌，要求對方盡快的識別出歌名。我唱：“起來，不愿做奴隸的人們……”如果是機器，就會在曲目庫中搜索識別，第一首《我的一個道姑朋友》，不對；第二首《坐在巷口的那對男女》，不對；第三首……直到匹配出《國歌》，識別正確。當然這個傻瓜式窮舉的算法比較LOW，所以可以讓機器使用一些技巧，比如事先把所有歌詞按各種特征分類，那么當唱出《國歌》時，只需要搜尋“起”字打頭的歌詞就好了，當然這也不算太高明，我們可以讓機器學習訓練出更厲害的識別算法，但萬變不離其宗，本質(zhì)上都屬于在樣本中更快的撈目標，這就是現(xiàn)代的“新變種AI”類型。而人腦就不這么算，當唱出歌詞，人不需要搜索腦子里的曲目庫，第一感知就知道這是《國歌》，不需要樣本匹配過程，或者說人腦的計算匹配機制從底層就跟電腦不一樣。如果機器能實現(xiàn)這個，就是1956年定義的“原教旨AI”類型。

類生命體智能的“原教旨AI”自打提出，至今六十余年幾乎沒什么發(fā)展?？赡苓@太難了，畢竟人類對自身智能的運作機制還沒弄清楚。

相比之下，還是堆砌算力、研究算法更容易些，所以追求更高更快更強的“新變種AI”大行其道，管它是不是模擬了人類智能的思維模式，只要效果立竿見影就好了，乃至如今全社會都默認替換了人工智能的原始定義。

不管是當年的“原教旨AI”，還是如今的“新變種AI”，哪個更好？乃至“原教旨AI”真能實現(xiàn)嗎？必須把“原教旨AI”視為政治正確嗎？有必要在思想高地鄙視功利化而喪失通用性的“新變種AI”嗎？這些話題太大，我也沒法探討。

僅就交易界而言，“原教旨AI”肯定是沒有，不光交易界沒有，其他領域截至目前也沒有；至于“新變種AI”，這幾年國內(nèi)外都有量化團隊涉獵，但都處于初期研發(fā)階段，沒有應用級產(chǎn)品。

而且近兩年市場行情明顯趨于混亂，掀起策略失效大潮，“新變種AI”作為傳統(tǒng)數(shù)據(jù)處理的高端變種其實不會對大局有什么實質(zhì)改善。要改善也是從人的根本策略能力上改善才管用，所以我才特別強調(diào)人類智能的這種先進的卻謎一般的感知機制。

大咖：非常贊同。社會的發(fā)展趨勢就是目的化、功利化，通過權宜之“術”的捷徑能解決的問題，一般不會耗神費力的在“道”的層面花功夫，“新變種AI”確實也沒有處理過任何真正意義上的開放型任務。

從前幾年開始我就在反思這個問題，很多事情繞了一大圈其實又回到了“人”的層面，這個跟你的觀點不謀而合。

要說人類自身的認知機制真是個不可思議的東西，醫(yī)學上也解剖過科學家的大腦，無非就是一塊肉加上點神經(jīng)元，而且跟普通人的大腦也沒什么不一樣，這個智能到底是怎么來的，這個真是很神奇。

偶：所以我才堅持要從【語義】的層面跟市場對話。

交易策略是百分之多少的工程權重？百分之多少的藝術權重？本質(zhì)上，是100%的藝術！所謂工程的設計架構、量化建模、細節(jié)規(guī)劃，那都是最本源的那個藝術的具象化落實罷了。

大咖：你這個想法比較極端，但方向上我認同。

偶：前段時間有本特火的書叫《反脆弱》，里邊講了個更極端的。

技術歷史學家戴維·埃杰頓說，歐洲美麗的教堂在幾何結構上如此復雜，使我們傾向于相信建筑師們在設計時進行了精密的數(shù)學計算。但事實卻是：建筑師依靠的是靈感的啟發(fā)、經(jīng)驗和工具，而且?guī)缀鯖]有人懂任何數(shù)學——根據(jù)中世紀科學史學家居伊·博茹昂的記載，在13世紀之前，整個歐洲不超過5個人知道如何進行除法計算。那時的建筑師不必了解我們今天的數(shù)學知識，他們建造的復雜建筑物卻能屹立至今。

你看，這些建筑師僅僅憑著“這么做比較好”的直覺以及實踐佐證，在不懂數(shù)學的情況下，就做出了客觀上契合數(shù)學法理的建筑。

同理，我之所以抱有這么極端的觀念，也跟做策略時的類似經(jīng)歷有關系。

我是草莽出身，沒讀過任何一本金融或技術分析書籍，所以起初不懂任何術語，當然直到現(xiàn)在也知道的很少。

但不懂術語不代表不懂道理。比如“索提諾比率”，最近才聽說過的一個詞匯，百科了一下，發(fā)現(xiàn)，嗨，這不就是我策略里規(guī)定的那個什么什么嗎！雖然我不知道“索提諾比率”這個名相，但它的實質(zhì)內(nèi)容本身就是我策略里本然包含的一部分。

挺簡單的一個事，非要弄個不好好說人話的專業(yè)名詞，雖然術語能減少溝通成本，有存在的必要性，但我不喜歡，因為我覺得那更多的是在裝逼，而且我把制造認知隔閡來讓人不明覺厲的裝逼歸為低等裝逼，高等的裝逼應該是幫人疏通認知，讓人撥云見日，明而覺厲，那不是更爽嗎。

回到正題，按普世觀點，“感覺”這東西由于虛無縹緲，歷來被視為“科學”之大敵。但隨著認知科學的發(fā)展，我們越來越發(fā)現(xiàn)“感覺”的背后其實是存在法理支撐的，雖然具體機制依然不明，但可能來自于生活、大自然、接觸的人群、大腦的抽象能力等等，這些東西碰撞到一起，就是靈感的到來。

所以我最開始說，我個人的量化路線，是【直覺的具象化】，而不是【數(shù)據(jù)的統(tǒng)計化】。

大咖：嗯，你這么說就把“感覺”二字詮釋的靠譜多了！

那你量化的“道”是憑感知，但總得有個“術”吧？也就是研發(fā)的具體路線。你最開始也說了，至少表象上看你也是鼓搗數(shù)據(jù)，是大數(shù)據(jù)嗎？

偶：堅決不是！對于交易策略，如果說“原教旨AI”可以當成夢想，“新變種AI”可以當成戰(zhàn)術工具，也就是說至少還有點用的話，那大數(shù)據(jù)在我看來就是徹頭徹尾該去抵制的毒物，是百害無利的東西。

大咖：每個人都有自己的路線、門派、切入視角和方法，你不用別人用，怎么這么仇視大數(shù)據(jù)？

偶：不管誰用都沒用。這個不是見仁見智的問題，而是明確可以證錯的一條路線。

首先從應用對象上看，大數(shù)據(jù)只有在樣本群具備高度一致性的特征時才能生效。比如送外賣，因為用戶的一日三餐的時間點都相對固定，路程是物理環(huán)境不會變，擁堵情況能監(jiān)測可控，所以外賣送達的預估時間可以做到很準。也就是說大數(shù)據(jù)是用必然性來解決問題的，就算沒有絕對的必然性也可以派概率論出場擊敗那很少的偶然性樣本。

但交易市場就不一樣了，行情的樣本群本身就是由各種偶然性組成的，不具備高度一致性的特征，這里沒有必然性，概率論也不會生效，如果能生效，就等同于確立了某種確定性，那就等于破解市場了，那市場也將不會存在了，而市場能正常流通的前提即是本質(zhì)上的不確定性，市場永遠不會存在像送外賣那樣的“因為飯點兒、路線、路況都大體可控，所以大概率上能準時送達”的先驗性。

更重要的，從底層機制上看，大數(shù)據(jù)的原理對于交易市場來說本身就是原罪。

先說我認為正確的方式：交易者在賠錢后，應該及時調(diào)整自身策略，形成“假設——＞驗證——＞失敗——＞調(diào)整信念重新假設……直到建立起一套效果上可以成立的詮釋機制”這樣一個過程。我認為這樣才是科學的，以失敗為代價，增進解決問題的能力，碰壁之后的處理方式是修改自身的詮釋機制。

但按照大數(shù)據(jù)的路線，碰壁一次還不行，得多碰幾次，多到能建立起大數(shù)據(jù)，以便去提取結論。問題是要按這種處理方式的話，錢早就賠光了。

大數(shù)據(jù)天生的使命就是讓偶然性向必然性靠攏，征服不了偶然性就不斷的擴大數(shù)據(jù)樣本，這對于必然性占主導的應用對象是有效的，比如準時送外賣，但對于偶然性占主導的交易市場，說難聽點就是送死，這就是大數(shù)據(jù)的原罪，只能從已有經(jīng)驗出發(fā)，全新的狀況應付不來。

大咖：可以說的通！你算是把大數(shù)據(jù)的局限性和適用領域說出來了?；氐絼偛诺膯栴}，既然大數(shù)據(jù)都不能用，那你是用什么方法處理數(shù)據(jù)的？

偶：就是我的老本行佛學啊。

大咖：別鬧，好好說。

偶：真的啊！沒逗樂。

就一千五百年前有個古印度高僧寫了一部論著《集量論》，這個論的基礎是一套叫“九句因”的方法論學說。

先自己假設一個致使結果出現(xiàn)的原因，討論全部或部分同類事物與異類事物是否具備該因，所歸納的九種嚴密邏輯關系，來驗證這個因是否能成立。

我先憑盤感定義出各種行情走勢特征并歸類，然后把與盈利伴隨出現(xiàn)的走勢特征提取出來，最后代入“九句因”這個評估體系檢驗。

比如某種走勢特征符合“九句因”的第八句情況：“當一部分同類事物具備該因，另一部分同類事物不具備該因，而所有的異類事物都不具備該因，那么這個因的成立強度就≥0”，由此這種走勢特征就可以判定為盈利之因。

當然這并不是客觀上的盈利之因，因為真實的市場永遠無法直接觸碰而只能間接詮釋，所以這是在我的詮釋機制下的盈利之因。根據(jù)“九句因”的評估體系，去驗證這些自我定義的因，挖掘出有效的穩(wěn)定組件，排除掉無關的伴隨組件，從而規(guī)避市場的混亂期，鎖定秩序期，在整體獲勝優(yōu)勢小于50%的市場里，尋求局部高獲勝優(yōu)勢的交易機會。

你應該也看出來了，這與現(xiàn)代的貝葉斯學說有異曲同工之妙，都是通過對樣本的參數(shù)進行分析，去推斷不確定命題的可置信程度。而不是經(jīng)典統(tǒng)計學那樣，解決不了問題就擴大樣本范圍。

“九句因”相比貝葉斯的好處在于比較簡潔，而且已經(jīng)給出了各種情況的結論，代入就能用，能偷個懶。

當然用了這樣的神器也不代表交易能怎么樣，這只是屬于數(shù)據(jù)處理層面，盈利與否最終還得取決于人自身的認知歸納能力，如果主觀定義的走勢特征與歸類方式不科學，那整體策略水準的上限就定死了，“九句因”根本就沒有發(fā)揮效力的空間。

大咖：可以啊你小子現(xiàn)在，把這么多知識串聯(lián)起來了。

偶：我謝謝你啊我！再怎么說現(xiàn)在還比你差遠了。

知識也不一定是好東西，讓我走了很多彎路，現(xiàn)在在盡可能的做減法。在我們這個行業(yè)好像是懂得越多越牛逼，其實絕大多數(shù)知識都是噪音。

就好比對于賽車手，真正相關的核心要素就是油門、剎車、方向盤、換擋，把這些融合成現(xiàn)象級車技，至于發(fā)動機做功方程、輪胎配方那些知識，對車手而言都是看似有關實則無關的噪音。

大咖：你說噪音，我突然想起來給你推薦個課程，吳軍的《信息論40講》，一會兒發(fā)給你。上次你寫的貝葉斯文章，在道理層面，用到了等價信息、正交信息、互信息，雖然這些概念名詞你可能沒聽說過，但道理上其實你已經(jīng)自己領悟出來了，而且你寫的從信息相關性和因果關系分析框架，跟信息論課程里說的差不多，你沒事可以看看，可有意思了，吳軍這個人有多厲害不需要介紹吧？

偶：你推薦的我肯定不敢不看。

大咖：等以后我約吳軍吃飯的時候也叫上你，到時一塊兒交流交流。

偶：大哥！別以后，就現(xiàn)在！現(xiàn)在你就約，我想早點見到大神！

大咖：現(xiàn)在真不行啊，他弄那個最新版《數(shù)學之美》忙的焦頭爛額，誰也約不出來，等過段時間。

偶：過段時間是什么時間？可以理解為空頭支票嗎？你又誆我！

大咖：別生氣！要不這樣，你加楊超越微信，我跟騰訊那邊說一聲，讓她給你通過，你們先聊著。

偶：啊啊啊啊啊啊??！那吳軍不見都行，不給大神添麻煩，我就跟超越聊就行。