相信我兄弟，這次的CNN LSTM策略一定會賺錢

Q&A 現已在部落格聊天室開放。目前已有 560 則回覆，許多問題已獲解答！對於想免費獲取產業知識的人來說，是很棒的閱讀內容 :)

我在 alpha 開發上的核心原則是：
1) 迭代速度
2) 可及性
這代表什麼？
第一點很明顯。如果你每天測試 10 個 alpha，而其他人每天只測試 2 個，那你會比其他人表現好很多。
那要怎麼做到？
首先，把資料抓取和前處理自動化。如果你沒有自動化腳本來做這些，你已經 NGMI（Not Gonna Make It）。這是基本門檻。
接下來，取得一個資料加載庫。你不應該每次都重寫 glob.glob(folder_path) 等等的程式碼。你應該使用：
load_data(
start_date=start_date,
end_date=end_date,
symbol=symbol,
等等
)
然後是研究數據。什麼是研究數據？
你可以從建立一個 universe 開始。你不該花時間手動定義 universe (而且理想上它應該是標準化的)。所以你應該載入一個檔案，內容是依 30 天交易量、市值或流動性等指標排序的前 X 名標的。你可以根據需求隨意調整。
接下來我們可以檢視報酬數據，我們應該有因子報酬、特異報酬、截斷報酬，當然還有原始報酬。這些全部都要事先產生好！
最後，我們要確保可以測試所有 alpha，而且測試程式碼要極速運行。你可能覺得只要 X 分鐘，但只要超過幾分鐘就是一次巨大的 context switch，會直接影響生產力。
我們剛剛講完了迭代速度，現在來談可

在需要估算一個效用函數時，迅速調用 Desmos

老實說，在這一點上，我寧願在維基百科上看到廣告，也不願意我的一半屏幕上都是他們乞求錢的內容。

讓chatgpt制作標記圖表非常痛苦。它根本不知道它們是什麼。

在某些事情上使用 tqdm 進度條是個好習慣，並且應該有很好的平滑效果。
讓你提前知道某件事情應該花多長時間，並圍繞它進行計劃。

有時候，當你看到1分鍾的K線收盤時，它非常逆趨勢或者通常是一個高信號K線，你會看到在它收盤後價格大幅波動，基本上是由於1分鍾交易頻率的機器人進行交易。K線的季節性變化是衆所周知的，但我認爲這裏有一些條件行爲……或許可以考慮一下報價邏輯。

去他媽的t+3h到t+6h。最糟糕的預測時間範圍。

如果你去日本，直接去京都/鄉村溫泉
去過很多次，京都是真正特別的"日本"地方。東京感覺就像其他城市，沒有那麼令人興奮。
鄉村溫泉令人極爲放松，性價比驚人。找一個沒有遊客的地方。

始終確保您的 .resample() 是：
.resample(“X”， label=“right”， closed=“right”)
默認情況下，它是左側的，因此週期的開始是時間戳(而不是結束)！
產生前瞻的簡單方法是忘記這一點。大多數LLM不會添加這個

IC >> RMSE / R2