股票科学：买入30天后的确定性
——股票：开启算法系统时代
作 者：《临界时空》顾海冰
❶问题的提出 与答案
伟大或愚蠢，起始于人能够问出什么样的问题。
今天买进，30日后卖出，能赚钱吗？
这，是个蠢的问题。
因为，没有人会问这种蠢问题。
假如存在这种情况，那些拥有资金、高科技算力的大拿们，岂不老早就搞出来了！
所以，这种情况不可能发生！
但，有一个人，并不这么认为。
因为，这个世界，某种认为的不可能，存在得久了，是会变成有可能的。
山羊都有上树的。
不仅要成为可能，还要满足成为系统的更高要求，那就是：
该算法信号，能作为趋势的先行指标、能进行选股……
先看股票的两大规律：显性规律（随机性会接纳更多的参与者，随机性的概率分布会吸引更多参与者。流动性是股价市场的第一需求）与隐性规律（决定操作结果）：
接着看这个算法模型，如何选择出特定的时间点：
画个图演示，算法模型输出一个黄点坐标，纵向对应时间点，卖出，30日后收盘价买入（本文所指的单位日，均指实际交易日）；横向对应价格，未来股价一旦与其相交，买入，30日后收盘价卖出。
先看结果：最近三年以及历史：
上图：上海深圳至今，做到平均每单5%左右收益，这是超14万次下单的单次收益率。22年-24年8月，最高近7%/单的收益，三年均值4.3%/单收益。还有，对于30日的周转期，实际收益还要乘上实际周转率……
还有，黄点的卖出策略，24年如以90日收盘价，可达收益13%/单：
一个策略，能赚钱就算了，还能买能卖，居然都能赚钱。
这你受得了吗？
❷故事的起点，来自于“一个事实”，与“一个假设”
人类的预测，本质是颅内结构对现实结构的模拟。一个人有近千亿的神经元，但，世上没有相同的神经元。这个世界的底层是差异性，能量转移来自于差异性。
同理，股票赚钱符合该规律，来自于差异性。经济并不是钱，而是钱的流动，流动性亦来自于差异性。
差异性演绎出复杂性，带出“一个事实”：随机性，对世界上事件现象的统计，会呈现出随机性。
想仅通过现象样本数据统计，就能指望发现真理的时代，随算力的发展，在上世纪八十年代已告终结：
世界有终极真理吗？——有，且终极真理就是“随机”。这句话，是对统计时代的总结。
因为暴力统计的败局，人们理解到，需要穿透现象，找寻更深刻的原因，才可能找到想要的东西：确定性。这也是打那时起AI开始抬头的原因。
股价也是同样的。以股价现象为基础的——K线、均线、MACD、KDJ等各种指标，都是以股价现象作为样本集的一个统计。需要理解的是，任何统计不可能改变样本集本身的属性。股价是随机属性的，那么以股价、及其演绎出的K线、各种固定周期指标为基础的策略，其统计结果必呈现出随机性。一个二分的传统指标策略，其统计结果必定是五五开，让人感觉，趋向均衡是必然。
但，明显，市场的结果，是二八开的。显然，在现象这样的样本集上，费劲去统计，是无法解释实际结果的。
那么这些指标发明时，难道不知道这个事实？
我们将那个时代定义为“低算力时代”，人是靠眼睛，观察图形来寻找规律的。概率分布以及选择性偏差的存在（如一本传统理论书里，选择的是成功案例为主），使得即便在π这样的随机数中，人也可以找出某种规律。
但上世纪80年代以来，随算力的提升，统计进入到“大数据量样本”时代后，随机性就成为被普遍认可的统计事实。
只是，路径依赖的存在，使得大量使用者不愿去相信。
很简单，如果仅靠穷举法暴力统计股价，就可以得到优秀的答案，那巴菲特是不可能存在的了。
这是AI目前还不能做到预测股票的根本原因：样本不对啊。使用随机性的样本集，越暴力，越是随机性！
算法前提假设的重要性
但，事物都会有内在规律。股价除了随机性属性外，必定存在其他的内在规律。
股价系统是个自组织临界系统，如沙崩，影响结果输出的，是对于临界状态的判断。
人是为未来而生的。
渴望寻求面对未知的能力，这是刻在人的基因中的。
面对未知，人类采取的应对行为是试错，思想上是建立假设。
未知，是一种可能性。统计已发生过的可能性，是无法找到未知可能性的。未知的可能性，是在突破原有系统边界后诞生的，所以，处在以往数据集里的人们，只有通过“假设”去预测这种可能性的存在。
这就是那“一个假设”的重要性。
世界是这样，股价亦如此。
在进入“假设”前，我们需要先了解主要矛盾之间的关系：资金与股价。
先做极限条件下的思想实验，去观察临界值如何出现。假设市场资金与股票都是定值，那么资金与股价或市值，能达到什么程度？市场资金=市值？
假设有三人，各有股票数量为1，资金各有500：
那么股价，或市值，可以达到多少呢？
如果三人之间各以500价格，一次性分别买入他方手中股票，那么通过3次交易便无法再持续下去，因为谁都无法买入超过500的价格了：
无差异化，带来不可持续性。同质化之下，最终未可知，但谁先低卖，谁就先处于亏损的状态，谁就先处于事实不利的位置。
先处于不利的位置，一旦时间久了，结果尚不可知，但对个体声誉极具影响。
因此，大家可以理解，为什么对于热门的股票，基金经理一旦持有，是不敢轻易抛出的，因为一旦股价继续上涨，而该基金已抛出该股了，那么压力就会全部给到做出决策的基金经理头上。
同时，我们也可以理解，基金会产生羊群似的杀跌效应，因为当股价跌到一定程度时的卖出，会形成客观“不得不做的行为”，从而降低对个体能力水平的判断程度。
故，此心理状态下，大家会听到、强调股价“止损”的重要性（通过止盈止损，获得心理账户要求的确定性，是不可迭代的伪确定性，是纪律而非判断），是降低怪责至自我的教诲，满足的是股价在跌状态下，消除未来股价不确定的心理需求。有人坚持认为拍卖会出问题，因此，大家从没听过巴菲特提出股价跌多少要止损的要求。因为同样的价格付出，购买的，有人是价值（投资），有人是价差（投机），有人是情绪（消费）。（注：本文无意于对错的认定，只是从心理动机角度，去描述现象本身的心理性质，故有主观性。并不影响其客观重要性，也并不表示崇拜某人）
同理，对客观存在的股价波动，人们会有拟人化的描述：骗线、诱空、噪音等。
上图中，通过三人间不断交易抬高股价，资金+市值由初始的1530，直到无法继续交易时为止，资金+市值此时为6000。在资金不变的情况下，股票市值由初始的30直到4500。
小结：
①价格宽度：折叠是这个世界的真实结构，因为它满足系统信息量最大化的要求，这意味着更多的差异化交易，可能带来更高的价格。
以此推理，阻止交易多样化行为的结果（比如停板），会导致价格可能的高度大幅降低。
②上涨趋势改变的临界状态：甲乙丙三人手中资金+市值的变化：
最终，至交易不可继续时，乙占到资金+市值总值的一半。
理解下来，交易不可持续的临界状态，就是满仓持有股票的一方，占到市值的大多数，而重点是：持有资金的一方，无力再兑现股票的盈利。
这是股价变化趋势的“根子”。因此作为“一个假设”的基础，就是判断市场资金兑现股票盈利的能力，并努力去量化这个兑现能力的“度”。
假设 及计算公式
我们假设“有效”（该有效，属主观认定）突破P价格，符合条件X:通过Q成交量能够消化浮动筹码，回调获得价格P的支撑。
我们采取极限思考:假设股价突破P后，只在理想价格P’点成交，等式为：
等式意味着M就是满足条件X的数值，我们设M为此模型中的一个定值。
假设价格在t点突破P，在t+1点成交于P’， P’-P=△P
那么等式则为：
当设定M为定值，等式成立时，此时时间共振点G点可确定，也就是黄点的时间轴坐标；起算点P点可确定，也就是黄点的价格轴坐标。
并可得结论：当成交量Q越大时，△P越小，两者呈反比关系。
当我们加入成交量Q这个变量后，所以箱体的突破高度△P为因变量，不再是理想等比。这也符合现实情况：箱体的突破并非等比。
显然，长牛股符合这一要求，上涨中途不需要很大量，反而上涨的高度更高（美股、港股中长牛股的特点）。
M为是否形成“有效”突破的标准，回答了“够还是不够”的问题。
现实中，Q的分布不可能平均分布：
由此得出以下计算公式：
在这个公式中，因为M是已知定值，P是起算点，为历史某一时刻的取值点，成交量Qn值与价格Pn值乘积一旦发生便不会改变。所以当等式成立时的共振时间点G点，便是一个确定时点值，对应的价格P值是一个确定价格值。
算法的首要原则，或标准，就是不得有未来函数，必须且只能使用左侧数据，信号一旦出现就不会再变。可回溯（现在计算，与截去信号点后的历史数据，重新计算，该信号不变）。拟合是伪指标。会改变历史信号的指标，都是伪指标。
算法结果的统计
上图是1995年以来每单收益分布的散点图。这一个随机属性的正态分布，是如何做到每单近5个点收益的呢？
在±20的收益率范围内，亏损单与盈利单差异不大，而在±20范围之外的收益差值，是利润的重要区间。
上图是2024年初至2024年8月的每单收益率散点图。同样利润来自于±20范围之外的正差值（除±20之外的黄柱外，其他对应各色，对应不同区间的收益）。
可以理解为：在±20范围之内的单子，显现出五五开的随机属性。显然，该范围内，短期被人为控制的可能性更高。
❸能成为算法系统的重点：市场趋势的先行指标
一个算法可以成为交易策略，但能否自成系统，关键点在与能否对市场趋势，进行辅助判断。
算法被称为“黑箱”，但“黑箱”如果不被理解，则无法做出市场趋势的判断。
在低可解释区，就算准确性高，人也难以坚持，因为人操作股票，需要信念，可接受的信念，才可以让人保持坚持。
作为系统，首选图中的“选择区”，因为具有较好的“可解释性”。
黄点算法对趋势的可解释性
黄点算法，是描述市场资金兑现股票盈利能力的一个“度”。
上涨趋势的起始，是市场资金兑现盈利能力最强的时候。随着股价的不断上涨，兑现盈利能力不断降低，直至无力兑现，趋势转为下跌。
大型头部的形成，是因为价格上涨的盈利兑现能力已至衰竭。
看下图：
自2004年以来，按月计，个股黄点出现数量（图中红实线），与上证指数（图中灰虚线）每月最高最低价线的折线图：
分别看细部：
上图是2003年至2012年8月黄点出现数量（红线）与上证指数的关系图。黄色箭头所指位置，均是行情启动初期，红线呈现突破其前期箱体的爆发阶段。随着上涨行情的发展，红线却依次走低，表示对股价的盈利兑现能力，逐步降低。
上图区间为2012年8月至2024年8月，期间包含2015年的股灾。2014年5月起，红线就持续上升，而此时股指尚未摆脱底部箱体。
2021年至今（2024年8月），红线走一个类下降直角三角形。黄绿色线代表的黄点相交的个数，处于躺底的状态。要出行情，红线首先须突破当前形态，否则就持续当前的趋势。
我们对2015年股灾，放在上图周线统计上，看红线与股指的关系。
黄点算法对选股的帮助
上节，我们阐述了黄点出现数量，与整体市场趋势的强相关性。那么对于个股趋势呢？
文章开头，我们看到每单收益率随着时间递增的情况。上图中，可以观察到随着时间的进行，收益率递增的情况。
有人会说，买入策略受益于股指长期来看会上涨的。那么，在黄点对于个股趋势的相关性上，我们用黄点卖出的策略来统计与观察。
上图是自2016年以来，按月统计以40日收盘价计的盈利单（30日数据亦包含图中，每个线段共由9点连成，依次是10-90日，起点是以卖出后第10个交易日收盘价计，第三个点就是30日收盘价计，线段末端就是90日收盘价计），共31129次黄点卖出。
自2016年以来，卖出盈利单的收益率图，只有在19年4-7月期间转亏过一次！
线段走势从左下向右上变化的，代表盈利收益率随时间而递增。
上图是自2016年以来，按月统计以40日收盘价计的亏损单，共15639次黄点卖出。
线段走势从左上向右下变化的，代表亏损率随时间而递增。自2016年以来，只有5次由亏转赢过。
以上两图，亏单、赢单的难转向性，说明黄点与不同个股趋势的强相关性：黄点出现时，是个股趋势的起点信号。
亏单、赢单的难转向性，也为我们选股提供了基础数据。
按黄点卖出的设计理论，赢单，代表该类股票集达到盈利兑现“度”后，无后续资金继续跟进，转而形成下跌趋势。亏单，则代表在短期回调后，后续资金继续跟进，推动出一个上涨趋势。
股价随机性对黄点算法的影响
黄点代表的是一个时间共振性，黄点可以这样出现，属合适的卖点：
也可能这样，在低点出现，易成买点：
还有各种可能性出现，呈现弱相关性：
或者，黄点出现是合适的卖点，但了结时间段的不同选择，会改变一个单子的盈亏状态：
又如：
A:利用黄点卖出盈亏分类统计，可辅助对股票集进行分类。毕竟，避开价格变化谈股票好坏，缺乏对股价系统的基础认识。
价值需要价格实现，价格需要他人认可并行动。好的公司，未必是好的股价。
局部来看，金融投资都需要做出旁氏骗局的逻辑判断：是否有足够多的人会以更高价格买入。长期来看，资产价值是价格的基石。
B:或，对了结期的长短，作不同选择的策略，这是对共性模型的迭代，从而获取超额利润的可能。
❹能成为算法系统的重点之二：可视性 与多样性
人对于图形的观察能力，远高于对数据的观察。因此，算法结果的可视性，为是否能形成系统的关键条件。
人的图形观察记忆量有限，短时记忆广度一般不超过4个信息组块，因此算法系统的可视化中，同级指标信号显示不超过4个为宜。
另外，算法的计算量，比低算力时代的传统分析系统（目前所有的分析系统）算量，超千倍，已不存在本地运算的可能了。这是算法系统高效提供可视化的难度之一。
算法多样性，指不同的理论假设，可以得到不同的可视结果，换言之，算法具迭代潜力，如下图是对共振时间点G点，不同的算法可视图：
下图是不同算法下对股价高点的覆盖度，除❶处高点外，两种对共振点G点的算法（上部分图中黄点——下部分图中蓝点），与股价实际的高点或盘整点，基本全面覆盖：
多样性还包括可计算多品种，期货、汇率、*币等（只要是投资类，均符合那一个假设）：
❺最优回测系统的要求标准
① 对历史数据要求
不提供流动性的交易数据需剔除：如大宗交易。
②对除权要求
股价除权后，会与股价其时（除权实际发生时点）发生的实际百分比有差异。
送股、缩股是乘除法，但当除权股价低到分角，取两位小数时，百分比变化会改变。
绝对性变化：分红除权，税收会对股价真实百分比产生绝对性影响。分红除权是减法，故，前复权不能用于回测。
举例比较：
采取前复权的模式直接计算，股价实际上涨20%,变成复权后的25%。
所以，股价回测只能采取后复权模式：
并且，回测的最优方案：是以不除权历史数据为基础，仅在回测涉及到的股价期间，按权息，做局部的单次除权除息，而非全域除权，然后再进行后复权，进行历史场景完全复原。此时的回测结果与其时实际交易的差异，仅仅在分红税收这个绝对性差异上，可忽略。
本文提供的所有统计数据，均是按最优回测方案进行的计算。
③对权息数据的要求
对于不针对流通股东进行的历史权息数据，全部剔除。包括且不限于，因债务重组、国有股流通等原因，仅在大股东或之间发生的送股、缩股权息。
❻算法系统具有的绝对优势：操作难以复制+保持随机性→对股票市场的深度思考
确定性与复杂性
股价系统，是一个自组织临界系统，作为混沌组织，具自指性。
当系统产生出某个确定性后，对该确定性使用的人越多，各种可能性就会发生，复杂性也随之而来，信息量不断增大。有点像熵增的必然性，当系统涌现出某种有序性后，随之而来的就是不断复杂化，复杂化导致不确定性增加，以及该部分利润的衰灭。
当前股票市场，在各项服务因素趋同质化的环境里，在个体正反馈作用下，会涌向更具差异性要求的资源控制权竞争中，形成泡沫。这是导致除去资源控制费外，全链丧失市场效率的原因，无论在市场资源配置上、流动性能力上、还是市场信心上。
要说明“同质化灾难”这个问题，我们用中国足球举例。
系统演化存在下图两种“演化模式”：
①输赢模式：以输赢为奖惩机制的外求模式，属被动型自然演化模式。自然演化的实际功能主打的是“淘汰”，而非决定谁能成为“赢家”的标准。
首先，尽管动物界奉行以输赢作为演化标准的丛林法则（人的动物性存在），但现实是，能延续下来的物种，从来不会是演化片段中的最强者，如灭绝的奇虾、霸王龙等。
回望人类的历代祖先，从来不曾是最强大的那位，而始终是为生存所迫，逐步演化出超级预测、适应力的那一位“柔弱者”。
演化，并不能主动选择改变基因，而是在足够数量的突变后，被环境淘汰掉大部分，而未被淘汰掉的那些基因，就是演化结果。
人类的演化，是大脑的演化。构筑千亿级别的神经元的组织结构，从而在不可控的突变之外，增加了学习这种演化的能力。
演化，做不到“都要”。没有演化出长着蜻蜓翅膀、猎豹四肢、人的大脑的物种。演化的内涵，是生存环境。每个物种都需要与环境，不断互动，因为生命必须能量交换。
需要，就意味着互相制约。这就是系统给予的负反馈，这个系统，就是构成环境的所有因素的综合体。
所以说，历史悠久的输赢模式下的演化，就是不断地变变变，再不断地淘汰淘汰淘汰。
所谓胜利者，就是经过系统的考验，能持续生存下去的。可以说，我们每一位，都是演化过程的一个胜利者。
成为人的标志，则是“不关心结果、只关心关系”的“因果预测”能力的产生。这是在本能预测之外的能力（本能预测包括四项：情绪、动机、经验、逻辑能力）。
正是这种追求“不实用”与“不真实”的能力，更好地形成了知识，以代表任何符合该关系的事物。
其次，树懒依旧生存，来自于生态位的差异化。巴菲特，不就是股票界耗能很低，不求快速运动的树懒吗？
“输赢”模式下，消灭同生态位的对手（其之间竞争在于限制数量，也会引向多样性变化）或下游食物端，是系统崩溃的直接原因，等于触碰到自指系统的反噬临界阈值，也就等同于自己消灭了自己。
强大如曾数亿年称霸地球，有无限资源优势的蓝绿菌，就被自己的排泄物“氧气”，淹没致死至无氧生命大灭绝。
这是生命演化系统中，在生命个体必然的正反馈机制下，引发强同质化系统崩溃的“同质化灾难”临界状态。
需强调的是，自然界的“输赢模式”只需判定输赢规则的公平性，而非决定“赢家”的个体标准。
自然演化外，人类社会演变出另一个“输赢模式”：成功者模式。
什么定义了成功者？是人的动机。
定义一种美，选择出百里挑一的模式，就可以挑起99个人的欲望，这样就可以赚99个人的钱。
定义一种成功，选择出万里挑一的模式，就可以挑起9999个人的欲望，这样就可以让大部分人
②热爱模式：人类特有的内求模式，属主动型模式。内心感受到的热爱，更能坚持、更能专注地去追求个人认为的更好。其功能主打的是“多样性”，只有个体放弃的选择，而非决定谁会被“淘汰”。
这个模式下的隐性市场，看似是“不实用”的追求，却占剧着整个市场的绝大部分比例。如果这个市场太小，那对应的输赢模式显性市场也无力做大。
人类社会系统的两套演化模式，是并行发生的。两者演化速度的不匹配，会产生失衡。
热爱模式有余，输赢模式不足，则市场竞争力弱，底大头小，效率堪忧（巴甲与西甲）；
热爱模式不足，输赢模式过强，则失去可持续性，底小头大，缺乏系统发展必要的稳定性（中国足球）；
“求存”的输赢模式，会导致各种只以赢为目标的动物丛林行为。“输赢模式”下定义成功者的前提，就是仅占少数，所以该模式下输出的成功者，也必然只会是少数。
“求真”的热爱模式，是内求下对自我真实性的追求，热爱是自然的选择，为热爱的付出，是心甘情愿，具更高专注度。由自我定义成功目标，为自我实现者。
如：6岁的郑钦文，选择了网球；11岁的她，看到李娜夺冠，树立起自己热爱的目标。这是榜样的力量，“她行，我也要行”。
如：更多的人，感受到善的力量，从而选择了给予善。这是信念。
如：少数人，在求存输赢模式中的“恶”，与求真过程中的“善”并存，是“都要”。但内心的“不一致性”。会产生失衡。
足球的问题，来自于两种模式发展的不均衡。
足球，股票，都是我国学习引进的市场，而非由真实需要，自发演化形成的市场系统。这种天生的缺陷，导致“热爱模式”演化的弱势，而“输赢模式”的规模发展则快得多。
想一想，离开比赛的输赢，足球却不是多数人的真实需要——因自我“热爱”而坚持足球运动的“基础”性底座。缺乏“热爱”模式下的多样化发展，就会导致输赢模式下的显性市场缺乏弹性，是“头大底小”的倒金字塔不稳定结构。各种问题，包括各类标准、专业训练、发展路径、战术素养等等，全链都会是问题。
学习，需要从底层的“热爱”开始。
一位脊柱侧弯、天生功能性扁平足、科学上根本不适合短跑的人，却成为迄今为止最伟大的短跑选手。
没错，他就是博尔特。
“热爱”模式是以个体成长需要作为基石的真市场，是隐性的基础市场。而“输赢”模式则是市场“催化剂”。
当“热爱”的基数够大，“输赢”模式下的标准、路径等才会越丰富，越丰富意味着被人为控制的可能性越低。
人类追求确定性，控制欲是本能的需求。但一旦形成强同质化，绝对控制就形成“黑洞”，黑暗会控制其中个体的内心。
反者，道之动。
“输赢模式”产生更高效率化，“热爱模式”产生信息量最大化。这是系统能持续发展的双重需要。
股票市场，与足球市场，是同样的问题。
“热爱模式”下未能形成模型的丰富性，那么“输赢模式”下的同质化就必然出现。同质化竞争带来全链的失效，是必然的结果。
“分散投资”模型，能保持操作的随机性与多样性。
所以，迄今为止，只有“分散投资”保持成为最有效的实战理论。
而“算法系统”自身的多样性，恰能在“分散投资”基础上，迭代出更具实战性的理论模型。
算法系统依旧能保持操作的随机性，是重点
首先，算法有“黑箱”的特点（遇到复杂问题时，由于本能预测系统的不被检索，所以人对于自己大脑的认识，也是个“黑箱”），对于他人而言，就是“随机性”的存在，难复制，从而依旧能保持系统的差异性。
足够多的差异性、多样性，是系统能持续进行能量交换的前提。
其次，交易依旧能够保持随机性的原因，还在于可30日后了结，也可在28或35日操作。其可能性是存在的，关键在于自适应性操作成本的降低与效率提高的能力。
第三，算法本身的多样化发展。
30至90个交易日的操作周期，属于中偏短的周期，除能提供更多交易外（交易本身就存在资金流转的经济价值）；亦可通过实战或模拟结果，构成对市场趋势判断的手段。
趋势判断，是对临界值的判断。资金对某只个股价格影响力的判断，让人难把握；但对分散的、有足够数量的股票池，资金影响力没那么显著的敏感性，是可持续观察的。
比如：
当开盘价收益率开始高于收盘价收益率时，往往是趋势开始转换的时期，转换期不会如个股那般敏感、短暂。
随波逐流，实则是随“我”逐流
生命，利用规律，朝自我动机的方向，转移能量
鱼，溯流而上，寻找亿年流传的繁衍之地
人，或顺流，或逆流
皆在此刻选择
热爱生活，只为明天出现一个更好的自己
哪怕一点点
因为，做到这一切的
只有
我
