资产管理/投资，本质上是信息的运营。其价值创造，在于信息在整个收集、整理、传递的流程中，在某个环节产生了质变。在资管/投资场景下，这个环节是判断。信息运营业务，每个单元的输出是一个判断，由多个判断串/并连组成整体
资管作为一门生意能够正常运转，说明其面临的必要判断问题，一定有可用的解。同时实操中，绝大多数判断是不断重复做，并且总体上产生价值的。这样的操作必然有科学的标准被人掌握，而有标准的决策，一定存在自动化/智能化的可能，所以说人工智能炒股票，一定是可能的
任何事如果能用机器做，长期一定比人做得好。AI是广义IT的一部分，IT是研究信息运营的基础学科。科技的发展单向向前，我们已经观察到AI的能力边界在不断拓展，可预见的未来也一定会更准、更快、更兼容。以AI作为核心生产力构筑业务，将自身发展绑在一个快速进步的基础学科上，让学科发展带动自身发展，长期看一定是划算的
我们的意图是以机器学习为核心，构建投资能力，也就是围绕主战兵器构建战术。机器学习擅长在不变的场景中找到规律，则运用机器学习的指导思路，是要在变化中把握不变的部分。金融市场不变的部分是人，由人来主导，为人来服务。所以永远可以相信市场体现人性，有理性和非理性，短期看一定有人不理性，长期看一定是趋于理性的。行为金融告诉我们，非理性行为从整体看有统计规律；价值投资思想告诉我们，上市公司的价格会向基本面价值回归。判断一定是预测未来，不可能是监测。预测有两路，趋势的延续和均衡点的达成，并不矛盾，可以融合
研究市场非理性的基础学科，是行为金融学。行为金融学认为，人的非理性/无意识/下意识行为，是有总体上的统计规律可循的。最简单的做法是人工智能看K线，特征上大概可以总结为“目前的股价比过去的股价的比例”，指导未来的变化幅度或方向。这个方向最容易上手，但不应该放太多时间在量价指标上，天花板并不高
AI对于基本面的研究，需要想清楚，公司的基本面价值，在于公司未来为股东产生价值的能力。而这种能力，与公司的成长能力（G）和盈利能力（ROIC）成正比。所以公司未来的成长能力和盈利能力，就是基本面价值。判断依据上，不要一上来就用大数据，没什么用，需要先把财报用好。个人认为，对成长能力和盈利能力的预判，会是智能投资的主战场
此外，将基本面抽象成盈利和成长，可以解决大数据应用的问题。选择就是取舍，给出任意两家公司，需要能比出好坏。不得不说目前做数据的各方不太能回答这个问题，回答不出就是数据没有价值。而将各类数据转化为成长、盈利两项，则全局可比，就可以相对完备的回答比较问题。对任意两家公司可判断投资价值的高低，则全局可以形成一个顺序名单。所以“另类数据挂财报”应当成为基本操作
个股之外是择时，猜测择时其实是在研究分布，需要自上而下做。从宏观层面，分部门把流进股市的钱倒挤出来（想象资产重估理论），用存量算供需平衡点。由于市场指数的市值加权性质，同一笔钱流向不同成分，对指数的影响不同。所以择时更像是研究分布，需要用分布的口径来研究，钱决定的是均值和方差。那么问题就变成，如果市场是随机游走，你有没有本事兑出收益来
轮动，当前猜测可能是伪命题。所谓轮动，要在“有效边界”上轮动。任何持仓，如能找到未来价值（成长能力*盈利能力）更高，且估值更低的公司，则不是轮动，而是事故，或说失误。所以所谓轮动，一定是在有效边界上寻找。有效边界做好了，加上对短期非理性的把握，可能根本不需要做轮动