小技巧赚大钱

如果不知道这个，一年就错过了十几万。

其它的先不说，我们先看看收益：

是什么能够做到这样低风险高收益呢？

港股打新。

以上在过去一年里，不同资金投入情况下的回测结果。

实盘的情况如何呢？我们可以看一下下图：

这仅仅是一个账号的收益，实际上你可以有2个、3个、4个账号，收益就变成了2倍、3倍、4倍。

一年下来，十几万的收益，是可以预期的。

之所以能够获得这么高的收益，策略优化是其中一方面，另外一方面就是市场环境确实不错。

2018年截至6月1日，累计发行新股95支：

首日上涨的有62支，平均涨幅在35.07%，最高的是毛记葵涌，首日涨幅达到了431.67%。

首日亏损或者平价的有33支，平均跌幅只有9.19%。

如果说A股打新是买彩票，中签几率非常低，那么港股打新就是抛硬币，中签的几率就要大得多了。

虽然港股打新需要提前垫资，并且认购也需要不低的成本，但打新的收益却远远超过所需的成本。

虽然港股新股有可能破发，但是经过一些方法的过滤，可以将获得负收益的几率降到最低。

原先在**进行新股认购的推荐，为了更好地继续提供服务，现在放到知识星球中进行。

当然，除了推荐之外，其它打新相关的内容也会整理在这里，方便你进行阅读，以节省时间：

知识星球“量化港股打新”收费168元，免费加入方式：

扫码关注**“止一之路”，回复“量化港股打新”，根据引导进行操作即可。免费加入截止至6月30日！

港股打新筛选参数调整

今年的1月11日，写了一篇文章《保底年化收益29.54%，期望年化收益70.12%。》，提到的新股筛选策略主要是两条：

1.认购募资额小于1亿港币的新股
2.认购楼宇建造行业的新股

但是在实际操作的过程中，第二条由于数据的原因，没有利用，实际上也只是根据第一条进行推荐。

当然实际的情况比统计的结果还要好一点，从2018年1月1日开始，到2018年5月25日，我实际的收益是9828.93，按照之前所说的3万港币投入进行计算，收益率是32.76%，折算成年化就是105.10%。

详情如下：

当然其中也许有一定的幸运成分。

不过从实际情况来看，按照募资额小于1亿港币来筛选新股，确实可以获得不错的回报。

但这个数值应该如何确定呢？

毕竟通货膨胀一直在持续，10年前的1亿和现在的1亿，其购买力是不一样的，类似的现在1亿的购买力也肯定比不上10年后的1亿。

也就是说随着时间的推移，筛选条件中的这个1亿，其数值应该是变化的。

怎么才能确认最优的数值呢？

我统计最近一年的新股情况，时间更长也没有太多的参考价值了。

以0.1亿为间隔，遍历了0.1亿到10亿这100个数值，并按照最差的结果降序排序，得到排名前20的结果如下：

最差结果：除了100中签的新股之外，只中签了产生负收益的新股。

从目前的情况来看，总募资额2.1亿是当前的最优解，当然这个数值在未来肯定会有所变化。

在此之后，推荐新股的筛选条件，会根据最新统计出来的数值进行筛选。

文章提前发布在**：止一之路

基于有效因子的动态多因子策略

1 动态多因子策略逻辑

参考《安信证券-基于有效因子的多因子选股模型》构建了动态多因子选股策略，策略主要逻辑如下。

1.1 有效因子筛选

设置一段回测的周期（例如下面提到的例子分别是三年和一年），计算因子升序排序后，各个组合每个时间切片的收益，进而计算得到该周期回测的年化收益。

应该同时满足下面三个筛选条件：

条件一：年化收益序列和序数1到10的相关性强，要求相关性的绝对值大于0.5；
条件二：对于年化收益，胜者组明显跑赢市场均值，败者组明显跑输市场均值，跑赢跑输的程度的绝对值要大于10%；
条件三：胜者组大概率跑赢基准，败者组大概率跑输基准，概率要求大于0.5。

1.2 有效因子去冗余

和上面一样的回测周期，基于上面筛选条件得到有效的因子。

获取周期内每一个时间切片的因子数据，计算因子排序后，各个组合的平均收益。

如果组合10的收益大于组合1，那么就将组合 i 各个股票的各个股票分值设置为 i ，各个组合的分值从低到高进行排列分别是 1,2,3,4,5,6,7,8,9,10 。

如果组合1的收益大于组合10，那么正好是反过来 10,9,8,7,6,5,4,3,2,1 。

通过上面的分值计算每一个时间切片各个因子之间的选股的相关性，然后计算整个周期相关性的平均值，得到一个因子间的相关性矩阵。

对于相关性大于0.5的，只保留回测年化收益最高的因子。

1.3 最终因子平权计算得分

对剩下的因子，根据因子收益情况，按照因子值进行升序或者降序排序，并从1到10平均计算股票得分。

将多个因子的得分相加，得到的就是最终的结果，或者说是合成的因子。

2 回测的效果

回测区间是2010年到2017年。

2.1 因子筛选回测周期：过去3年

首先看一下回测总览：

10个分位回测结果总览

此处主要是检验选股策略的有效性，因为此处没有考虑滑点、手续费、是否停牌、涨跌停等情况，以及对冲的升贴水，因此和实际情况可能存在较大的偏差。

从各分位的收益排列来看，策略是明显有效的。或者我们看一下下图会更清楚：

因子选股分组超额收益

从曲线上来看，区分度还是挺高的：

纯多头与对冲后的净值走势

经过对冲后，虽然有些净值损失，但曲线走势更加平缓了。

不过明显看到，2017年的走势是明显向下的。

一来是因为市场不好，二来是因为选择到市值偏小的股票。

2017年因子市值分组特征

上图是2017年因子选择到股票的市值分组特征，可以明显看到，1分位选择到的股票市值偏小。

设置初始金额为100万，选股数量为10，使用聚宽回测效果如下：

聚宽回测结果

如果缩短因子筛选的回测周期会怎样呢？

2.2 因子筛选回测周期：过去1年

10个分位回测结果总览

收益有所下降，不过对冲后的回撤也变小了很多。

从长期来看，策略虽然还是有效的，但显然不如三年周期的更明显：

因子选股分组超额收益

纯多头与对冲后的净值走势

从曲线走势可以看到，在2017年大势不好的情况下，不仅没有回撤，曲线还有所上扬。

估计是因为回测周期缩短，使得筛选结果较为灵敏，进而更能适应市场的变化，选择到合适的因子。

这一点从市值的分组特征上，也能明显看的出来，1分位组合不仅没有偏向于小市值股票，反而是稍微偏向于较大市值股票：

2017年因子市值分组特征

设置初始金额为100万，选股数量为10，使用聚宽回测效果如下：

聚宽回测结果

点击阅读原文可以查看研究及相关方法。

这几天巨亏的，来喝了这碗鸡汤。

1 地狱模式的开局

2018年才过去一个多月，但是却亏了大钱。

特别是最近几天，市场一次又一次的大跌，不少人已经关灯吃面，泪流满面了。

我也好不到哪里去，之前分享的动态因子策略，过去一年的收益，在昨天终于亏损完毕。

真是辛苦交易了一年，一下回到解放前：

虽然今年沪深300指数上涨了2.93%，但是很多人却说赚了指数亏了钱。

为什么呢？

整个市场全部股票平均跌幅是12.60%。下面是今年全市场个股涨跌的情况：

上涨的股票数量431个，占全市场股票的12.36%。
不涨不跌的股票数量143个，占全市场股票的4.10%。
下跌的股票数量2893个，占全市场股票的82.94%。

面对如此地狱模式的市场，我们未来应该何去何从？

2 识别真假风险

对于投资而言，什么是真正的风险呢？

就是那些会让你的本金永久损失，再也拿不回来的风险。

我们来举个栗子。

假如你在2007年6000点的时候买入了中国石油，到了2015年5000点的时候，还是腰斩的状态，更不用说大跌之后了。

有没有机会解套呢？

应该是有的，不过很可能要等到你孙子甚至曾孙子那一辈了。

或许中国石油极端了点，不过在牛市高点买入了其他股票，恐怕就算解套也要相当长的时间。

拿招商银行来举例，这应该是一个好公司了吧。这两年涨的最快的银行就算是它了。

但是如果实在2007年高点入手的，也是到了2017年才回本呢。

在牛市，股票暴涨之后，大家感受到的是歌舞升平，但真实的风险在上升，那种让你本金永久性损失的可能性越来越大。

而当前，市场天天“跌跌不休”，大家会感到凄风苦雨，但是真实的风险却在下降，本金永久性损失的可能性很小。

就拿比较惨的中证500指数来说。

2018年的最低点是1513.49，相对于2018年的最高点5487.09下跌了70%，但是过了这个坎之后，就是一路高歌猛进。

当前的点位是5704.26，相对于2015年的最高点11545.89，已经下跌了50%。

当然，不排除有继续下跌的可能，但是肯定不用等到孙子辈才能解套。

所以，前面的问题，其实你应该已经有答案了吧。

就像五月天在倔强里面的歌词一样：“被火烧过才能出现凤凰”

3 福利

如果你不觉得上面这碗鸡汤有毒的话，那么下面的福利就是为你准备的了。

去年6月我分享了一篇关于上海机电的文章，还记得在那之后，买入的价格是20元左右。

在2017年12月20日，27块卖了出去，赚了36%。

现在它的价格下跌到了19.85。虽然2017年年报没出，但是看前几个季度的报告，预收款一直比较稳定。

我对它的估值也没有太大的变化：

估值：27.24
安全边际：27.13%

你说我是买好呢？还是买好呢？还是买好呢？

文章提前发布在**：止一之路

这几天巨亏的，来喝了这碗鸡汤。

1 地狱模式的开局

2018年才过去一个多月，但是却亏了大钱。

特别是最近几天，市场一次又一次的大跌，不少人已经关灯吃面，泪流满面了。

我也好不到哪里去，之前分享的动态因子策略，过去一年的收益，在昨天终于亏损完毕。

真是辛苦交易了一年，一下回到解放前：

虽然今年沪深300指数上涨了2.93%，但是很多人却说赚了指数亏了钱。

为什么呢？

整个市场全部股票平均跌幅是12.60%。下面是今年全市场个股涨跌的情况：

上涨的股票数量431个，占全市场股票的12.36%。
不涨不跌的股票数量143个，占全市场股票的4.10%。
下跌的股票数量2893个，占全市场股票的82.94%。

面对如此地狱模式的市场，我们未来应该何去何从？

2 识别真假风险

对于投资而言，什么是真正的风险呢？

就是那些会让你的本金永久损失，再也拿不回来的风险。

我们来举个栗子。

假如你在2007年6000点的时候买入了中国石油，到了2015年5000点的时候，还是腰斩的状态，更不用说大跌之后了。

有没有机会解套呢？

应该是有的，不过很可能要等到你孙子甚至曾孙子那一辈了。

或许中国石油极端了点，不过在牛市高点买入了其他股票，恐怕就算解套也要相当长的时间。

拿招商银行来举例，这应该是一个好公司了吧。这两年涨的最快的银行就算是它了。

但是如果实在2007年高点入手的，也是到了2017年才回本呢。

在牛市，股票暴涨之后，大家感受到的是歌舞升平，但真实的风险在上升，那种让你本金永久性损失的可能性越来越大。

而当前，市场天天“跌跌不休”，大家会感到凄风苦雨，但是真实的风险却在下降，本金永久性损失的可能性很小。

就拿比较惨的中证500指数来说。

2018年的最低点是1513.49，相对于2018年的最高点5487.09下跌了70%，但是过了这个坎之后，就是一路高歌猛进。

当前的点位是5704.26，相对于2015年的最高点11545.89，已经下跌了50%。

当然，不排除有继续下跌的可能，但是肯定不用等到孙子辈才能解套。

所以，前面的问题，其实你应该已经有答案了吧。

就像五月天在倔强里面的歌词一样：“被火烧过才能出现凤凰”

3 福利

如果你不觉得上面这碗鸡汤有毒的话，那么下面的福利就是为你准备的了。

去年6月我分享了一篇关于上海机电的文章，还记得在那之后，买入的价格是20元左右。

在2017年12月20日，27块卖了出去，赚了36%。

现在它的价格下跌到了19.85。虽然2017年年报没出，但是看前几个季度的报告，预收款一直比较稳定。

我对它的估值也没有太大的变化：

估值：27.24
安全边际：27.13%

你说我是买好呢？还是买好呢？还是买好呢？

文章提前发布在**：止一之路

保底年化收益29.54%，期望年化收益70.12%。

今天主要来说说港股的打新。

大家都知道A股打新，基本上是稳赚的生意，但是想要中签，概率太低了。

而一河之隔的港股打新，中签率却高的多。

统计了2017年142只散户可以参与打新的港股，其中一手中签率100%的，就有72只，占了半壁江山。

相对于A股，港股一上市就跌破发行价时有发生，大家都比较谨慎，这或许就是中签率较高的原因。

1 港股打新的保底

如果这142只港股，全部都认购了，结果会怎么样呢？

假如我们运气很不好，除了100%概率能够中签的新股之外，只中签了那些收益还抵不上手续费的新股，我们依然能够获得收益2873.93港币。

这里仅仅考虑的是认购一手的情况。新股认购占用资金的时间大概是5个工作日。

在新股发行最密集的2017年7月，想要认购所有新股，大概需要5万港币。

这样算来的话，保底的年化收益就是5.75%。

当然实际的情况更可能是，其他的中签的新股既有可能亏损，也有可能获益，期望值是21521.67港币，期望的年化收益率是43.04%。

所以，从统计的角度来看，长期进行港股打新是一件能够获益的事。

2 交易策略的优化

如果我们对打新的策略进行简单的优化：

如果新股上市开盘后是正收益，那么立刻卖出，否则收盘前卖出。

仅仅是做了这么一个简单的优化，保底收益就变成4497.72 港币，保底年化收益变成了9%。

而期望的收益变成了25612.94港币，期望年化收益变成了51.23%。

当然，肯定有更优的策略，但肯定也会导致更加复杂的操作。

这样不仅可能产生人为上的操作损失，也会拉高我们时间的机会成本。

不好意思的说，我有不少次就是忘记认购、忘记卖出新股，满满的都是泪。

3 认购标的的优化

有没有办法进一步提高收益率呢？

3.1 募资总额过滤

按照总募资额升序排序你会发现，亏损会比较集中在募资额大的部分：

按照总募资额升序排序

所以引申出第一条过滤规则是：

选择总募资额小于1亿港币的标的。

经过筛选，可以看到正收益占了绝大部分：

总募资额小于1亿港币

总募资额小，其实是避免了公司自己定价过高，而市场不认账的情况。

如果投资者肯买单，那就没有关系了，例如阅文集团：

阅文集团

3.2 行业过滤

那么总募资额超过1亿港币的，怎么比较大概率的确定其有没有价值呢？

其实我们可以按照行业进行筛选：

行业：楼宇建造

楼宇建造其实就是房地产行业嘛，从筛选的结果来看，获得正收益的概率也是大大高于负收益的。

房地产行业需要的资金量比较大，所以总募资额较大，这其实是符合现实情况的。

所以第二条过滤规则就是：

选择楼宇建造行业的标的。

其他行业由于数据较少，不具备代表性。

3.3 收益情况

经过了这么两种条件的筛选，收益情况是怎么样的呢？

因为标的大大减少，所需要的总资金也变成了3万港币左右。

如果和上面一样，除了100%中签的，剩下中的都是亏损的，结果如何呢？

是8861.58港币，也就是保底年化收益有29.54%。

期望收益是21037.74港币，期望年化收益是70.12%。

4 综上

港股打新主要记住三条：

1.认购募资额小于1亿港币的新股
2.认购楼宇建造行业的新股
3.开盘盈利开盘卖出，开盘亏损收盘卖出

统计的表格可以点击阅读原文下载。

因为我用的是富途，需要注意的是，表格中交易佣金一列都是100港币，是包含了认购佣金和交易佣金的，都是50港币。

其中认购佣金无论是否申购成功都要收取，是交易佣金是可以减免的，也就是说实际上效果比统计的会更好。

如果您觉得本文对您有帮助，而您正好又没有港股账号，那就帮帮我啦，您注册之后我也有免佣：

文章提前发布在公众号：止一之路

止一之路2017年投资总结

2017年末，又到了总结的时间。

从2017年1月1日开始，截止2017年12月22日，投资收益为13.3%，最大回撤为4.47%。

因为净值是月度统计，所以最大回撤可能会有一定的偏差，不过差异不会太大。

先回顾一下今年的投资的情况吧。

1 主要投资经历回顾

出于个人的原因，可投资资产分成了两部分：一部分风险偏好较高，主要目的是赚取高收益，也能承受高回撤；另一部分风险偏好较低，主要目的是在保值的基础上有一定的增值。

1.1 高风险偏好资金

该部分资金收益占今年总投资收益的25.11%

从2016年6月6日以来，该部分资金一直使用二八轮动小市值策略，一直延续至2017年4月22日。

因为今年3月、4月市场风格产生了变化，小市值策略突然失效，导致该部分资金净值出现了较大的回撤。

从2017年1月1日开始，亏损了3.82%。

在认识到小市值策略不可行之后，开始使用自己研究的动态因子策略。

这个策略的本质上是一个市场趋势策略，从2017年4月23日实盘运行至今，年化收益21.46%，最大回撤10.29%。

1.2 低风险偏好资金

该部分资金收益占今年总投资收益的74.89%。

根据去年的去求嘉年华活动，以及别人的分析，在2016年11月，我以37元的价格买入了中国平安。

然后在今年2月的时候，因为尝试A50股指期货对冲打新的策略，把中国平安以36.3的价格卖出了。

运行了一个多月，A50股指期货渐渐从升水转为贴水，对冲成本太高，并且由于轮动策略与对冲指数存在了较大的偏离，最终也在4月底弃用该策略，通过该策略投资整体亏损2%。

在此之后，开始寻找其他保值增值的方法。

例如通过价值投资的研究方式，分析了格力电器，上海机电，华域汽车，长城汽车等几家公司。

当时在价格较为低估的情况下买入，除了港股的长城汽车之外，其他几个股票都有所斩获：

由于仓位不高，这部分收益占今年总投资收益的19.1%左右。

还有一部分仓位，因为对银行未来的预期看好，并以此为基础找到了一个银行轮动策略。

虽然该策略回测效果很好，但实际操作中容易出现滑点，并且滑点占收益比重太大，不大可行，最终决定同时持有多个银行股。

从2017年7月18日至今，收益是4.02%，占总体收益的8.5%。

虽然我的账户只中了两个新股，但因为通过长投的团队打新，收益比较平滑。扣除了对冲部分的亏损，今年打新部分收益，占总体收益的41.55%。

虽然打新收益算在了低风险资金的部分，但高风险资金部分的仓位较重，是获得较高打新收益的前提。

还有剩下一点的收益来自于港股的打新、腾讯的涡轮、ICO的尝试等操作所造成的损益。

2 较为满意的地方

总的来说，2017年对于我而言，虽然收益不高，却也是一个有所收获的年份。

相比前两年，通过分级基金套利，跟从别人的策略，以及胡乱做一些尝试的投资，今年写了不少文章，既整理了自己的投资体系，也形成了一套相对稳定的策略。

2.1 对策略的坚守

从最初的使用二八轮动小市值策略，到后面的动态因子策略，中途都出现过不低的回撤。

我将每天交易的时间设置在了14:50分，并且交易的标的也多达10个。

如果策略存在交易指令，要么就全情投入，要么就来不及交易。

根本没有太多的时间来思考，自然就避免了情绪方面的干扰。

通过这样的方式，最终让我无论盈利还是亏损，都能够按照策略机械化地去执行，很好的坚守了量化策略。

2.2 折价买股票

以便宜的价格来买入还不错的股票，向下的概率和空间都很小，风险是非常低的。

在这样的情况下，我本来只想要获得保值收益的账户，却赚到了还不错的收益。

因为股票的价格要大大低于自己的估值，我相信自己的判断，并且不为中途的波动所迷惑，现在也达到了目的。

当然，不排除今年是价值发现的一年，这样的结果有一定的偶然性。

但在买入的时候，其实未来还并不清楚这一点。

2.3 事件投资的尝试

“王者农药”对腾讯的股价的影响微乎其微，基于这一判断，果断使用涡轮投资腾讯，获得了还不错的收益，最终验证了自己的想法。

当然，比较可惜的是，所投入的资金太少了。

3 还需改进的地方

3.1 警惕摩擦成本

银行轮动策略回测效果不错，但是在实际操作中，正验证了那个说法——“摩擦成本毁灭价值”。

与其在几个银行股之间进行轮动，还不如平均持有这几个银行股。

从一开始的心存幻想，到后来的承认现实，中间损失的不仅仅是资金，也有盯盘的时间。

3.2 拿来的不是自己的

在投资上，鲁迅的“拿来主义”一再被人提起，现在雪球上抄作业也很方便。

但是有时候拿来的，还不是自己的。

只有经过自己真正的消化，才能使用，否则的话最终还是会丢掉。

我今年2月卖出中国平安，就是因为这个。

如果放到现在，价格都翻了一倍多了。

之所以没有拿的住，之所以这么快抛出，是因为当时觉得找到了“更好”的投资策略——A50对冲打新策略。

当然，事后回首，哪一个更好已经不言而喻了。

3.3 控制心中的欲望

想要通过投资来实现一夜暴富，也许每个人心底或多或少都埋藏着这样的想法。

同样我心中也还抱有这样的念头，对于ICO的尝试，其实就是这样的念头在冒泡。

还好总投资的金额不高，最终亏损的也不多。

人可以有欲望，但更重要的是对欲望的控制。

太阳下没有什么新鲜事，那些在牛市中巨亏的故事一再重演，真的是“咎莫大于欲得”。

文章提前发布在**：止一之路

2017年9月2日聚宽演讲视频

上一周就已经收到视频的原件了，限于下载速度，一直没有上传，今天终于搞定。

说说我自己这一次上台演讲的感受吧。

第一次当着上百个人进行演讲，其实还是挺紧张的，特别是在一开始的时候。

还好准备充分，没有忘词，哈哈。

不过在进行了一段时候，我发现自己的情绪渐渐趋于稳定，想要表达的内容，可以很顺畅地讲述出来。

再然后，见到大家一直看着我说话，竟然产生了一种奇妙的愉悦感，那是我会记住一辈子的感觉。

从这一天开始，我有点喜欢上演讲了。

废话不多说，下面是截取过的演讲视频：

https://v.**.com/x/page/t0552wvkk7v.html

此处附上演讲的文稿《过去一年，未来一天》。

其他三位基金经理的演讲可以查看完整视频，下面视频的分享链接和密码：

链接：http://pan.baidu.com/s/1boKIRF5
密码：9etx

机器学习笔记004 | 矩阵和向量，提升效率的数学工具

重新复习了下矩阵和向量的知识。

1 矩阵

例如我们有这么一个矩阵：

矩阵

可以看到，这是一个 4 × 2 的矩阵。

那么我们怎么得到其中的数据呢？

对于这样的矩阵，有两个下标，分别是i和j。其中i代表着行，j代表着列。那么Aij就可以指向对应行和列的数据。

如果索引从1开始，那就是：

A21 = 110
A31 = 50
A42 = 120

如果索引从0开始，那么就是：

A10 = 110
A20 = 50
A31 = 120

向量是一种特殊的矩阵，它只有一列，例如：

向量

和矩阵类似，对于向量的调用，直接使用vi即可。

如果索引从1开始，那就是：

v2 = 110
v3 = 50

如果索引从0开始，那就是：

v1 = 110
v2 = 50

2 运算

对于矩阵的运算，具体是怎么样的呢？

2.1 加减法运算

加法运算：

矩阵加法

例如：

矩阵加法例子

颜色相同的方框数字进行相加，例如这里： 8 + 3 = 11，6 + 10 = 16

减法运算：

矩阵减法

需要注意的是，进行加减运算的两个矩阵维度必须是相同的。

2.2 矩阵乘以标量

矩阵乘以标量：

矩阵乘以标量

所谓的标量，其实就是指具体的常数。

例如：

矩阵乘以标量例子

标量和矩阵中每一个数字相乘，这里是： 4 × 2 = 8，5 × 2 = 10

矩阵除以标量：

矩阵除以标量

如果是除法的话，可以看成乘以它的倒数。

我们看一下稍微复杂点的运算：

在这里： 4 ÷ 2 - 3 × 2 = -4

2.3 矩阵相乘

矩阵乘以向量：

矩阵乘以向量

矩阵A是一个 4 × 2 的矩阵，向量B是一个 2 × 1 的矩阵，矩阵A乘以向量B，得到的结果向量C是一个 4 × 1 的矩阵。

计算的方式如下：

矩阵A的每一行中的数字，都和向量B对应中的数字相乘，加总后的结果落在向量C上，行对应的就是矩阵A对应行号：

1 × 1 + 2 × 3 = 7
0 × 1 + 3 × 3 = 9
-1 × 1 + (-2) × 3 = -7
1 × 1 + 5 × 3 = 16

需要注意的是，左边矩阵的列数，要和右边矩阵的行数相同。

矩阵乘以矩阵：

矩阵乘以矩阵

矩阵乘以矩阵可以看做矩阵乘以多个向量，当然，也同样要遵守一个规则：左边矩阵的列数，要和右边矩阵的行数相同。

最终得到的结果矩阵C，行数是矩阵A的行数，列数是矩阵B的列数。例如下面两个矩阵相乘：

计算的方式如下：

所以计算的过程如下：

1 × 1 + 3 × 2 = 7 ， 1 × 0 + 3 × 3 = 9
2 × 1 + 4 × 2 = 10 ， 2 × 0 + 4 × 3 = 12
0 × 1 + 5 × 2 = 10 ， 0 × 0 + 5 × 3 = 15

3 应用

又是列公式，又是写演算过程的，到底这个东西，有什么用？

不知道你有没有发现，矩阵的相乘，是一种打包的运算。一次运算，就能得到我们想要的结果。

还记得我们之前那个预测函数吧：hθ(x) = θ0 + θ1x

对于房价数据：

我们有预测函数hθ(x) = -40 + 2x

那么我们可以构建一个矩阵和向量：

为了方便演示，对于房价面积，这里仅仅使用了前4行数据。

这样，经过一次计算，就能够得到所有的预测结果。

如果我们有多个预测函数：

1.hθ(x) = -40 + 2x
2.hθ(x) = 200 + 0.1x
3.hθ(x) = -150 + 4x

也是类似：

通过矩阵相乘的方式，可以大大降低编码复杂度和计算的时间。

编码

4 注意

4.1 相乘的位置不能互换

A × B ≠ B × A

例如前面这个图：

矩阵乘以矩阵

如果将顺序换过来，完全就不能满足规则：左边矩阵的列数，要和右边矩阵的行数相同。

矩阵B是 2 × 2 ，矩阵A是 3 × 2 。

4.2 相乘的次序不影响结果

( A × B ) × C = A × ( B × C )

4.3 单位矩阵

单位矩阵，在左上到右下的对角线上元素都是1，例如一个 3 × 3的矩阵：

别的矩阵和单位矩阵相乘，得到的结果就是其自身：A × I = A

4.4 逆矩阵

逆矩阵就是使得与矩阵相乘得到的结果，是一个单位矩阵的矩阵，例如

A × A-1 = I

那么我们就说A-1是A的逆矩阵。

4.5 转置矩阵

转置矩阵其实是原来矩阵的行变成了新矩阵的列，以一个90°的角度进行了旋转。下面两个图就是矩阵A和它的转置矩阵AT。

A的转置矩阵

文章提前发布在**：止一之路

机器学习笔记003 | 梯度下降算法

为了达到最佳的预测效果，我们需要找到使得代价函数最小的参数。

还记得上一篇文章提到的代价函数么：

我们通过不断去调整参数θ0和θ1，最终找到让J(θ0 ,θ1)最小的参数。

如果直观来看，我们就像这样，一步一步地走下山：

走下山

具体是怎么实现的呢？

这里要提到一个算法：梯度下降（Gradient Descent）算法。

为了使得代价函数的结果越来越小，我们需要不断重复以下步骤：

来改变参数，以寻找使得代价函数最小的最优解。

需要注意的是，所有的参数θj必须同时更新，如：

同时更新

而下面这样的方式，是不正确的：

不同时更新

或者说已经不属于梯度下降算法的范畴，而是其他的算法了。

在这里，“:=”是赋值的含义，就是把等式右边的值赋予左边；α是学习的速率，代表着下山的脚步大小；后面这个是对代价函数的求导：

为什么通过这样的重复，可以找到最佳的参数呢？

为了方便理解，这里还是将θ0设置为0，也就是说，我们的预测函数为：

hθ(x1) = θ0 + θ1 xi = θ1 xi

那么对于θ1，我们需要重复的调整的步骤就是：

J(θ1)的代价函数大概是这样的：

代价函数曲线

对这样的代价函数求导，其实得到的，就是在某一个点的切线，也就是在该点的斜率。

斜率为正数

斜率为正，说明需要减去的是一个正数，θ1的值变小。

斜率为负数

斜率为负，说明需要减去了一个负数，也就是加上一个正数，θ1的值变大。

可以看到，两个图的绿点就是最低点。

因为斜率的原因，不管红点在绿点的左边还是右边，最终都会往绿点靠拢。

当到达最低点的时候，斜率为0，所以在这个位置，参数保持很定不变。

所以不管初始点设置在最低点的哪一边，在设置了合理的学习速率α的情况下，重复了这些步骤之后，最终都会往最低点汇聚。

为什么说是合理学习速率α呢？

因为如果学习速率α太大，那么有可能一直偏离，永远的去不到最低点。

如图，随着斜率的绝对值变大，脚步还越来越大，从距离低点最近的参数偏离得越来越远：

学习速率α太大

如果学习速率α太小，那么就需要很多的步骤，才能够找到最优解：

学习速率α太小

那么是否需要随着参数逐渐接近最优解的时候，降低学习速率α呢？

其实没有必要，你看一个在学习速率α固定的情况下，迈出的步子大概是这样的：

学习速率α固定

由于越接近最低点，斜率的绝对值就越小。

那么也就意味着即使学习速率恒定不变，由于斜率绝对值的不断变小，机器学习所走的脚步也会变得越来越小。

相信看到这里，你也对算法的原理有了个基本的理解。

下面是J(θ0 ,θ1)代入之后，得到的等式：

为什么两个等式会不同呢？

其中对于θ1求导数的过程如下：

求导过程

看完这个，你应该就能明白，之前代价函数为什么要乘以 1/2 了吧。

如果看不懂也没有关系，直接记住前面的等式就行了。

由于这样的梯度下降算法在整个训练过程中，每一步都去计算所有的训练样本，被命名为“批量梯度下降（batch gradient descent）”。

文章提前发布在**：止一之路

机器学习笔记002 | 怎么预测和以及怎么准确预测

1

对于监督学习，根据目标是否连续，分为回归（regression）问题和分类（classfication）问题。

如果我们想要预测的目标是连续的结果，那么学习的问题就是回归问题；如果我们想要预测的目标是少数不连续的结果，那么学习的问题就是分类问题。

这里首先说说回归问题。

给出一系列的数据，来预测房子的价格，就是要解决回归问题。

房价图片

我们根据一系列房价的数据，然后得到回归曲线，就是上图中的蓝线。

然后再根据回归曲线，来预测房子的价格。例如这里，预测房子的价格大概在333.33百万左右：

100平米房子价格预测

那么怎样才能得到这样一个回归曲线呢？

对于房子的面积和价格之间的关系，我们可以列一个表格：

房产面积与房价之间的关系

xi代表着房子的面积，看做输入变量，yi代表着房子的价格，看做输出结果。

( xi , yi )就是一组训练数据，例如这里，( x1 , y1 ) 就是( 80 , 200 ) 。

m是训练数据的数量，这里一共是16行，也就是16组训练数据。

那么( xi , yi ) ; i = 1 , … , m 就是训练数据集。

机器学习，就是根据这样的训练数据集，学习并得到预测方法h(x)，然后用h(x)来对目标进行预测。

整个过程如下：

机器学习的过程

对于上面的房价预测模型，回归方程可能如下：

hθ(x) = θ0 + θ1x

其中θ0和θ1是其中的参数。

2

对于预测的结果，存在一个准确性的问题。

怎么才能让预测的结果尽可能准确呢？

还是用上面预测房子为例，如果根据每一个房子的面积预测得到的价格 h(xi) ，和房子的真实价格yi的差异最小，那这样的预测模型不是相对准确么。

放在回归方程里面，就是每一个h(xi)和yi之间的差异( h(xi) - yi )加起来最小。

为了让这个值尽可能小，这里使用预测结果和真实结果之间的差的平方：( h(xi) - yi )2，其中hθ(xi) = θ0 + θ1xi。

然后，我们把每一个预测结果和真实结果之间差的平方加起来，就得到了这样的一个公式：

差的平方之和

然后将这个等式除以m（样本数量，就是上面16组数据中的16），得到平均结果：

等式中还多除以了2，是为了方便以后计算，起到抵消作用。

J( θ0 , θ1 )就是这里的代价函数（Cost Function），又被称为平方误差函数。

对于大部分线性回归问题来说，平方误差函数是比较常用的代价函数。

我们说代价函数J( θ0 , θ1 ) 结果的越小，那么回归模型hθ(x)的预测就越准确。

我们举个栗子，为了方便计算，这里将θ0 设置为0，那么预测函数就是：h(xi) = θ1xi

例如你看下图：

θ1在不同取值下的结果

这是θ1在不同取值1、0.5、0下得到的结果，其中绿线就是预测误差。

我们很直观地就可以看到，θ1 = 1 的时候，误差最小，而θ1 = 0 的时候，误差最大。

我们在代价函数对应的结果：

代价函数曲线

同样在 θ1 = 1 的时候，函数的值是最小的。

那么怎么找到θ0和θ1这样的参数，使得J( θ1 , θ2 ) 的结果最小，使得回归函数尽可能准确呢？

那是算法需要做的事情了。

文章提前发布在**：止一之路

机器学习笔记001 | 我对机器学习的理解

1

随着AlphaGo在围棋上战胜李世石，战胜柯洁，人工智能的概念火遍全球。那么人工智能来源于何处呢？

人类的智慧来源于学习，机器的智能同样也需要从学习中获得。

什么是机器学习？

有人（Arthur Samuel）曾经把它描述为：

让计算机在没有明确编程的情况下，获得学习能力的领域

后面又有人（Tom Mitchell）提出了一个更加现代化的表述：

计算机程序从一系列以（P）为结果的任务（T）中得到经验（E），在大量经验（E）的累积下，最终表现的结果（P）得以改善。

其中：P为performance，T为task，E为experience。

例如，下围棋（T）有输有赢（P），AlphaGo通过大量地下围棋（T），得到了丰富的经验（E），最终赢了李世石（P）。

这一个过程就是机器学习。

目前机器学习存在几种不同类型的学习算法，主要的两种类型被称之为监督学习和无监督学习。

2

所谓的监督学习，其实就是我们明确知道正确输出结果应该是怎样的，或者对结果有一个基本的预期。

例如我们在下围棋之前，就知道什么样的情况是输，什么样的情况是赢。

而监督学习的问题又分为两种类型，分别是连续型问题（regression）与离散型问题（classification）。

例如我们有市场中一些房子真实的面积数据，想要通过一个房子的面积，来预测这个房子的价格，这其实就是连续型的问题。

例如我们有一些病人得到癌症的案例，想要通过一个肿瘤的大小，来判断癌症到底是恶性的还是良性的，这其实就是离散型问题。

所以，如果我们通过监督学习的方式，利用股票的历史数据，来预测股票的未来价格，其实就是要解决连续型问题；而利用股票的历史数据，来判断股价下一次是涨还是跌，就是要解决离散型问题。

3

那什么是无监督学习呢？

有些问题，我们可能不清楚明确的答案，甚至对结果也没有什么概念。

在这样的情况下，我们没有办法告诉机器对与不对，也就是说机器学习的预测结果不会得到反馈，这就是无监督学习。

有时候，我们希望通过无监督学习，从一片混乱的信息中得到结构性的特征。

例如我们有一系列人脸的数据，我们可能从中得到年龄、职业、阶层等不同类型的特征数据。

然后根据这些特征，我们就可以把具备相似结构的数据归类到一起。

例如搜索引擎里面，我们搜索石油泄露，可能会找到的相关的图片、新闻事件、危害性等等。

并且根据这些特征，我们也可以将不同结构的数据区分开来。

例如在一个鸡尾酒会上，人声和音乐声交杂，我们希望将这两种声音区分开来。

无监督学习如果应用到股票上，在我的理解中我们得到的，可能是股价的涨跌情况、公司盈利情况、公司的行业类型等等，然后我们可以利用这些不同的特征，区分开不同的情况公司，从而找到能够给我们带来超额收益的股票。

文章提前发布在**：止一之路

明明告诉自己不要时常看盘，为什么却依然忍不住。

记得前不久，听父母说起，堂弟高考才得了400分，勉强才能上个二本。

我当时听了非常惊讶，原来堂弟之前的成绩挺好的，不敢说考上清华北大，但是考重点本科应该是没有问题。

这到底是为什么呢？

因为他之前和一个女孩聊的挺好的，想要去追求人家。

别人选择了文科，他也就选择了文科。

但问题在于，人家擅长的是文科，而他擅长的是理科。

高考的结果就是，人家得了600多分，而他只有400多。

他这样的选择，短时间空间上是让两者的距离缩短了，但是他们实际的差距却在拉大。

为什么堂弟不考虑现实的情况呢？

也许在他心里面，只要和女孩拉近距离，其他都是可以克服的。

所以他不顾同学、老师、父母的反对，义无反顾地做出了这样的决定。

但他其实没有认识到，空间上的距离并不是两个人的真正距离，两个人实际上水平的差距才是。

不过他经历有限，即使别人跟他说了，他也听不进去。

少壮不努力，老大徒伤悲。

类似这样的话，我们已经听过无数遍了。

但为什么依然有那么多人在伤悲？

因为他们的体验，不足以支撑他们的理解

所以才常常是到了伤悲的时候，才认识到自己的错误，才后悔自己当初“不听老人言”。

我自己就有过类似的经历。

之前大学的时候，在老师的公司实习。

其中有一位副总级别的员工告诫我说：在这里工作，你其实少走很多弯路，可以得到更多。

还分享了一些自己的经历，讲了讲走过的弯路。

我当时听了，表面上也认可了他的说法，但实际上并没有往心里面去。

现在偶尔回想起来，单从工作上考虑，如果那时候就有了现在的体验，我肯定会做出不一样的选择。

我还有一个不好的习惯，就是在股票开盘之后，常常不自觉地去看看持仓盈亏的情况。

虽然明明知道这样做其实只会无谓的损耗精力，还会让自己做出不合理的决定，但就是忍不住。

为什么呢？

因为这样的行为并没有带来明显的恶果，也就是说并没有一个体验真实的告诉我，这样做其实是不好的。

武志红的心理学课里面有一篇题目是《自我05 | 我，是一切体验的总和》，我觉得这一句话改一改，放在这里很贴切：

人，是其一切体验的总和。

那些你没有体验过的事情，其实并不属于你。你所谓的知道，其真实情况依然是不知道。

所以，你才会在某一天掉入坑里后，才认识到之前谁谁说得很对，才发现这是自己早就“知道”的道理。

王阳明说的“知行合一”，讲的就是这个道理。

为了让自己少走弯路，为了节省爬坑的成本，我们要对别人的话抱有开放的态度，尽早尽快地去完成体验。

不至于事到临头，却因为做了不恰当的决定而付出巨大的代价。

就如入市投资，应该早早地小成本地去尝试。千万不能等到有钱才进行，因为有钱却没有足够的体验，结果可能会非常可怕。

文章提前发布在**：止一之路

为什么很多都喜欢别人拍马屁？

之前常常听到老婆抱怨，单位的领导怎么怎么滴对自己差，真是气死了。

例如老是区别对待，自己干了很多活，却常常视而不见，别人一看就在玩手机，她也不说一句。

父辈听到她的抱怨，给的建议就是想想办法讨好领导。

她自己也发现领导是一个喜欢拍马屁的人，但是她打心底讨厌这样的行为。

不过从侧面看出来，她对于讨好领导能够改善自己当前的困境，是抱有肯定的想法的，只是觉得自己不是那种人，也做不出来而已。

为什么会认为讨好领导是理所应当的呢？

这是值得让人深思的事情。

还记得之前看到一个故事。

在一个大会上，有服务人员斟茶倒水。

但是有一个人时刻关注着领导的被子，发现杯子空了，蹭蹭蹭当着众人的面，直接就去给领导倒水。

大家看到这样的行为，都非常鄙视他。觉得这个人溜须拍马。

他也很悠然自得地接受了这样的结果。

明明知道会产生这样的负面效果，为什么他依然会决定去做呢？

因为被别人鄙视这正是他所想要，这是一种自残式的效忠。

别人对他的看不起，其实就是他表达忠心所付出的沉没成本。

如果不能一直忠心耿耿，从领导这里得到回报，那么这样的成本就永远也收不回来。

所以，我们看到的送礼、自污、挖空心思的讨好，其实都仅仅是传递可信任信号的表现形式而已。

其根本在于，付出沉没成本，其实是让自己获得信赖的过程。

奥兰海战中，英国之所以要击沉法国盟友的舰队，仅仅是为了解除对自己的威胁吗？

事后来看，不仅仅是如此。

历史上，英国人是以理性主义著称的，打战仅仅是为了利益。

如果不划算，谋求停战，签订一下屈辱的停战协议也不是没有先例，至少在和美国的独立战争中就是这样。

所以，当时不管英国怎么说准备和德国战斗到底，外界都很难相信。

那英国取信外界的方法是什么？

就是击沉盟友的舰队。

通过付出这个巨额的沉没成本，让外界特别是美国人看清楚英国的决心。

但如果不和德国战斗到底，这样的行为有害而无利。

所以，也不怪父辈认为讨好领导是一种正常的行为，因为在这仅仅是传递信任，是人和人直接协作的一种方式而已。

但是为什么现在这样的行为没有过去那么理所应当了呢？

因为社会发生了变化，从认人的社会转变成了认钱的社会。

讨好领导和讨好客户，虽然逻辑上差不多，但是实际上价值却差异巨大。

花费时间讨好领导，得到的是一个人信任的价值。但是这种精心构建的关系，可能随着时间和人事的变动变得一文不值。

而花费同样的成本去讨好顾客，得到的是一群人信任的价值。虽然同样消耗了成本，但是也形成了人力资本的积累，不管我们走到哪里，这些收获都会跟到哪里。

和陌生人协作，信任是必不可少的，而付出沉没成本是其中一种方式。你付出了成本，你的决心才会被看到，你的行动才能得到外界的支持。

至于在什么地方支出成本，相信你应该有了自己的选择。

文章提前发布在**：止一之路

为什么你说得很有理，别人却不相信。

1

最近，我爸爸了解到我每天早早起来写作，他就问我：

“你为什么要做这样没有意义的事情呢？”

我说：“通过写作，我可以更加了解自己，可以影响到更多的人，甚至可以赚到钱呢。”

他听完之后不禁就嗤笑了一句：“我们家都是理科生的基因，写作这样需要强烈文科生思维的东西，并不适合我们。”

也许他是对的，因为在他的经历中，他确实是活成了自己所说的样子：

他觉得自己不是写作的料子，自然而然地接受了这样的现实，然后结果自然就是真的不适合。

从心理学的角度来讲，这是他的自证预言。

而我妈呢，她是从另外一个角度打击我的：

“你看你也写了这么长的时间了，好像没有收获到什么成效啊。”

当然，我的反驳也很犀利：

“提升有一个过程，并不是立竿见影的。我们为什么还需要读高中、读大学，甚至考研和读博呢，直接初中毕业出来工作不好么？”

2

再说说我另外一个故事，这是发生在更早的时候。

好像是去年年初的时候吧，那时候我刚刚接触量化投资不久。

根据对二八轮动模型的理解，我自己做了一个多指数轮动模型，经过一番拟合之后，实现了年化40%的回测收益。

我就以这个模型为核心，并且添加上通货膨胀带来的恶果，以及之前投资的经历和收获，做了一个PPT，找我妈妈去“路演”。

目的只有一个，就是让她和爸爸把口袋里钱掏出来，交给我投资和管理。

妈妈一开始不置可否，只是说了回去和爸爸商量一下。

过了几天，我突然收到爸爸的电话，他说：

“我这边要给你转多少多少钱，你注意查收一下。”

看起来，是我的这个PPT有效果了，当然也许更多的是父母对孩子的支持。

但不管怎样，这有一个前提，那就是我之前在股市中获得正收益的投资经历。

在给妈妈进行展示的时候，我确实在投资上做出来了一点成绩。

而我的爸爸，是一个鲜明的反例。

他在2007年入市，是个老韭菜了，股市高位下跌之后一直套牢着。

在2014年牛市出现曙光的时候，他终于把股票平价清仓了。用他的话来说，还不如一开始存银行。

3

同样都是自己的父母亲，有时候他们会泼冷水，有时候他们会支持，到底是为什么呢？

有一个成语很好的解释了这个问题的原因：

人微言轻

不知道你有没有过有这样的感觉，一些自己非常认同的道理，有时候分享给别人，却常常得不到重视，甚至还会得来一些白眼和冷水。

原因就在于我们没有说话的资格。

那些在自己身上没有经过证实的大道理，你拿去去说服别人，除非他本来就相信，否则只会给人这样的感觉：

你在装逼，在刷存在感。

还记得看《影响力》的时候，提到影响力的六个武器：

互惠
承诺和一致
社会认同
喜好
权威
短缺

我们缺的就是权威感，所以我们的话没有说服力。

你可以看看这个通过肛门治疗耳痛的例子：

有一位医生要一个病人将药水滴入疼痛发炎的右耳，但他没有在处方上将“右耳”写完整，而是所写成了“滴入R ear”。拿到这个处方以后，值班护士马上就把规定剂量本应滴到耳朵的药水滴入了病人的肛门。

把药水滴到肛门处来治疗耳痛显然是无稽之谈，但问题在于不管是病人还是护士都没有提出任何异议。

所以，为了让自己的话能够得到信服，你最好成为专家，成为那个有资格说话的人。

文章提前发布在**：止一之路

别相信疲惫的自己，要看见得到的希望。

如果说成长是最终的目的，那么什么时候才是终点呢？

根据《刻意练习》的理论，这个时间可能是一万小时。

每个人的情况不同，这个时间或长或短，不过我们可以先按照这个时间进行锚定。

也就是说这是我们达到目的，所需要重复的时间。

从今年2017年4月9日开始至今，每天早上我都是5点钟起来，开始思考或者写当天的文章。

写作的练习重复了多少时间呢？

272小时。

这是ihour软件中记录的数字。

也就是说，不过我距离目标的时间，还不够二十分之一。

但是最近，我发现自己常常出现一种幻觉，脑海里有一个声音，不断地提醒自己休息一下。

好像有一种坚持不下去的感觉。

1 身体的生理周期

为什么会出现这样阻碍自己前进的想法呢？

渐渐的，我发现了这样的念头出现的规律，那就是每次脑中信息过载，十分疲惫的时候。

也许是因为身体出于自我的保护，把当前的疲惫归因于思考，让我停止这样的行为。

因为当我恢复状态，充满活力的时候，这样的想法又消失掉了。

并且，感觉自己有使不完的劲，不管做什么都得心应手。

这也解开了我一开始的疑问，为什么天天睡眠时间超过八小时，身体还说我需要休息。

这或许就是身体的生理周期。

还记得之前总觉得时间得不到充分的利用，就算是身体疲惫的时候，也不想浪费这样的时间，通过听音频、看小说，把这些时间给利用上。

但我却发现，在这之后脑子却常常处于混沌的状态。

其实这样的做法，只是重新给自己打上了肾上腺素，暂缓了疲惫，实际上身体依然需要休息。

记得有一次，小说看着看着就睡着了。

按理来说，小说的信息是最不需要我们思考的，最容易接受的，但脑子就是连这样简单的信息都不愿意接受，那说明，我那时候真的是太需要休息了。

所以，疲惫的时候，休息就好。

2 看得见的希望

还记得我之前写过一篇文章《为什么亏钱了，却依然乐此不疲？》，市场中亏钱了，需要坚持吗？

只要心中尚存希望，就不需要坚持。

因为我们相信自己可以赚回来。

无独有偶，我发现玩游戏的时候，也不需要坚持。我发现内心的声音是我想要，我需要。

为什么呢？

因为在游戏的时候，我能够看到自己的进展：

距离下一次晋级还需要多少经验
距离任务的完成还需要多少步骤
完成了任务之后得到了什么奖赏
……

如此种种，都在驱使我继续玩下去。

那么写作，为什么就变成了坚持呢？

我觉得，很有可能是因为，没有花点功夫去深刻挖掘一下这样做的意义，以及看一看做了之后我们得到了什么。

如果没有写作，我也不会把自己的投资体系详细地整理出来，或许这会给我将来的投资埋下隐患。

如果没有写作，我对动态因子策略的思考也不会那么深入，那么在之后面临巨大回撤的时候，很难坚守策略。

如果没有写作，我也不会强迫自己不断地却阅读和和获取信息，也就不会发现银行的投资机会，以及银行股轮动这样的方法，这已经让我获得了2%的收益了。

如果没有写作，我不可能把自己的思考让几百个人同时知道，更不可能得到聚宽的邀请，在其2周年纪念的时候去深圳做量化的分享。可以点击阅读原文，跳转到活动的链接。

其实回想起来，虽然我这几个月的时间里好像付出了不少，其实也一直在得到。

这其实就是看得见的希望。

在想清楚了这些之后，我发现其实继续写下去也挺愉快的。

看见践行过程中的每次得到，对于我们的坚持都至关重要。

或许，这时候我们可能不会用“坚持”这样的词，而是变成了“需要”。

但行好事，莫问前程。

这样的话说起来简单，实践起来却不容易，因为人天生就对于前程有着欲望与追求。

那我们何不把好事和前程紧密联系在一起，让我们对自己行动的看法由“我能行”变成“我想要”呢？

文章提前发布在**：止一之路

关于实现财富自由，我会如何选择。

前几天写了两篇文章《知道选择很重要，但就是做不好。》、《如何把握自己的未来？》，写的都是关于如何选择，有朋友看了之后有点疑惑，到底应该按照哪个来执行呢？

今天我就以自己作为例子进行剖析，讲讲我选择的过程。

首先，我的目的是什么呢？

实现财富自由——不用再为生活所需而出售自己的时间。

那怎么实现呢？

我罗列出来了可能达到目的的方法：

投资
创业
工作
……

那么应该怎么给这些方法进行评分，怎么确定其中的重要性和必要性呢。

这时候，我们就需要对相关的发展规律有一定的了解。

巴菲特一直信奉“卵巢彩票”的理论，对于这个理论，《滚雪球》中是这样记录巴菲特所说的：

“还是个孩子的时候，我各方面的条件就很优越。我的家庭环境很好，因为家里人谈论的都是趣事；我的父母很有才智；我在好学校上学。我认为，我的父母是世界上最好的。这非常重要。我没有从父母那里继承财产，我真的不想要。但是我在恰当的时间出生在一个好地方，我抽中了‘卵巢彩票’。”

从这一点看来，对于个人而言，我们生在中国，天然就比那些发展陷入停滞、甚至处于战乱之中国家的人要有优势，活的要好。

所以我得到的规律是：

坐上自动扶梯的人，就算不走路也能继续前进。并且只要稍稍花费一点力气，就能达到其他人需要花费很大力气才能实现的效果。

这个规律也是我觉得最重要也是最基础的一点，不管是投资、创业还是工作，都应该在这样的基础上进行进一步的选择。

然后，在这个基础之上，我需要了解一些规律，发现哪些是“自动扶梯”，哪些不是。

就以投资为例吧，这里的选择，就是投资标的物的选择：

房产
股权
……

当然，投资标的有很多，这里为了方便仅仅对这两个进行对比。

还记得前两天看得到中刘润的专栏文章《028 | 4亿人不工作后，你打算怎么办？》，里面提到了两组数据：

数据1

数据2

当然，哪个数据更接近真实暂且不说，有一点无法否认的，那就是目前中国正处于人口老龄化的进程中。

人会老，人口的老龄化，就是规律。

人口老龄化，特别是老人家走了，空出来的房子就多了，住房的需求就下降了；与此同时，后辈的手里房产多了，又住不了那么多，住房的供应就上升了。

所以，这就是一个很简单的供需关系问题，需求下降、供应上升，最终的结果不就是供过于求，然后价格下跌么。

那么我就产生了一个预测：

在之后的十年里，房产投资可能不是最好的选择。

然后在这个基础上，如果这些后辈把房子出售了，空余出来的资金投到哪里呢？

恐怕会通过各种各样的方式，最终流入到股市中。

那么进一步，我就又产生了一个预测：

在之后的十年里，股权投资可能是最好的选择。

然后我会根据这样的预测进行行动。

当然，在这个过程中，我的视野可能会扩大，认识可能会改变。

根据另外一些规律，我认识到其实股权可能不是最好的选择，那么我的预测就会发生变化和调整。

这一个过程，是一个不断思考，不断选择，然后不断行动的过程。

最终，对于预测给予足够的耐心，等到结果的出现就好。

文章提前发布在**：止一之路

你看到的也许是事实，但并非真相。

前面我写了一篇文章《什么在决定价格？》，说明了稀缺，也就是未被满足的需求在价格上的地位。

满足别人的需求是有价值的，特别是那些长期得不到满足的需求。

但是想要找到这样的需求，并不容易。

有人认为自己有的需求，周边的人也有这样的需求，那么别人也应该会有这样的需求。

推己及人确实没错，但是每个人的自身的条件和所处的环境不一样，其需求自然大有不同。

并且，就算我们观察到的都是事实，也不一定是真相。

还记得小时候听过的一个颜回偷吃米饭的故事：

孔子被困在陈国、蔡国之间，一连七天都没有进食。

子贡通过以物易物的方式，和当地人换来了一些大米，颜回和仲由负责煮饭。

有灰尘掉入到饭里面，颜回就抓出来吃掉了。

子贡远远看到，很不开心，以为他在偷吃。回来对孔子说：“一个人变节了，还算的上仁义和廉洁吗？”

孔子说：“肯定不算。”

子贡又说：“如果是颜回呢？他不会变节么？”

孔子说：“是的。”

子贡就把颜回偷吃米饭的事情告诉孔子。

孔子说：“我相信颜回是仁者，即使你这么说，我也不会怀疑，肯定另有隐情。你先别说话，我来问问他。”

然后孔子把颜回叫过来说：“我梦见祖先将会保佑我们。你煮好饭了吗？我准备先祭祀他们。”

颜回说：“刚刚有灰尘掉到锅里去了，把饭弄脏了，如果丢掉，又觉得可惜。我刚刚就抓出来吃了，不能用来祭祀。”

孔子点头说：“如果是我，也会吃掉。”

颜回出去之后，孔子对众弟子说：“我这样信任颜回，不是从今天开始的。”

大家听了都很信服。

后面查了一下，才发现这个故事出自于《孔子家语（卷五）困厄（第二十）》。

真相并不是显而易见的，我们看到的，很有可能仅仅是真相的其中一部分。

稍微调整一下关注点，就会发现世界大有不同。

少女和老太太

就像这副图片，如果把关注点上移一点，看到的就是一个少女，如果把关注点下移一点，看到的就是一个老太太。

我们能说这幅图片是描绘的是一个少女么？还是说这副图片描绘的是一个老太太？

如果我们不能从多个角度看问题，那么很有可能会陷入以点概面、以偏概全的陷阱中。

就如盲人摸象，每一个盲人感知到的都是事实，但却都不是事物的真相。

真相是所有的事实拼凑起来，组合在一起所描绘出图景。

难怪查理·芒格告诫我们说要学习多个学科的知识。

因为每一个学科代表着一种观察世界的角度，通过这样的方式，我们可以看到更多的事实，更加接近世界的真相。

再回到开篇的疑问，我们应该如何找到别人的未被满足的需求呢？

相信在你心中，已经存在了答案。

文章提前发布在**：止一之路

对于投资而言，专业和业余有什么区别？

昨天听了吴军的专栏文章《第280封信 | 专业和业余的区别》，提到其中的差异，就在于：

专业人士发挥稳定，结果是可以预期的。

对于这一点，我深感认同。

还记得之前打保龄球的时候，偶尔大出来一个全垒打，也就是全部击中，我就非常开心。

因为我可以获得接下来两球的得分，这可是非常大的优势。

保龄球每个环节可以击球两次，没有全部击倒，则按照倒瓶数计分。如果全部击倒，计分规则是这样的：

第一球全中，记为（X），本次得分为：10分 + 之后两次击球倒瓶数
第二球补中，记为（/），本次得分为： 10分 + 之后两次击球倒瓶数

偶尔来一个全垒打，这或许就是新手的运气吧。

不过有点尴尬的是，接下来的两个球我常常打得并不好，有时候一个没有集中，有时候击中了三五个。

这样的结果就是，就算把后面的两个击球倒瓶数加起来，总共得分也没有多少。

反观那些经常玩的朋友，虽然不怎么全中，但是经常可以击倒八个到九个瓶子，所以最终他的得分要比高出几十。

当然他们也算不上专业，只是比我发挥得更加稳定而已。

听说那些专业选手，常常能够全垒打，甚至一直重复，这样的得分有多少呢？

我们假设每一球都全中的话，那么全部得分加起来就是330。

这样的话，10个环节可以一共有12次击球，前面10次击球可以获得三次击球的分数10+10+10等于30，第11次击球可以获得本次和第12次击球的分数10+10等于20，最后一次击球只得到10分。

而每一个环节只得到9分的话，那么一共才90分，两者之间的差异是非常巨大的。

这让我想起，投资也是类似的情况。

还记得我之前写过一篇文章《投资的防御与进攻，应该怎么选？》里面有这么一幅图：

稳定的收益率

当你把时间拉长，暴涨暴跌和稳定收益之间的结果，确实存在巨大的差别。

所以说，投资收益虽然受到大高潮的影响较大，但如果投资收益不能稳定为正，整体的投资结果却不会很好。

那么怎么才能实现投资的稳定发挥呢？

专栏文章中提到稳定的发挥，需要专业素养，而专业素养来源于以下几个方面：

摒弃情绪影响
遵守流程规范
完整体系知识
不断寻求改进

我觉得用到投资上也是非常合适，并且我自己也是这么行动的。

除了遵守流程和行业规范我稍微改变了一下，变更为“遵守投资纪律”之外，其他几点都原封不动：

摒弃情绪影响
遵守投资纪律
完整体系知识
不断寻求改进

虽然投资对于运气有着强烈的依赖，但把时间拉长，运气却不是决定性因素。

只要我们具备投资的专业素养，长期稳定发挥，结果肯定不差。

文章提前发布在**：止一之路

世界正在发生变化

在我家附近，开了一家新的理发店。

出于好奇并且正好有理发的需要，我就去体验了一下。

发现整一个过程非常流畅，可以说是我理发以来体验最好的一次。

大概的过程是这样的：

1.在**上预约剪发师，**上会提醒等待时间，所以只需要在最后一个人理发的时候到店即可。

2.到店后，店员热情地问我要不要红茶、绿茶或者咖啡，并给我引导到对应的剪发师。当发现我不需要的时候，剪发师还会重复地再问一遍。

3.理发前，剪发师会往手上涂抹明胶，同时在消毒柜中拿出理发工具，以表示干净。

4.理发用的披风也很有意思，有两个袖子，可以把手伸进来，据说是为了方便玩手机。

5.在理完发之后，会使用一个类似于吸尘器之类的工具，将头上的碎发吸干净，然后从各个角度拍照，用来给下一次理发提供参考。

6.支付的过程也非常流畅，自动按照金额最大的优惠券扣减，只需要在**上点一下支付，整个过程就完成了。

我大概算了一下时间，一共用了半小时左右。

其中剪发用时25分钟，这倒是和普通理发店差不多，不过其他的各个环节却是大大节省了时间。

首先是不用排队，由于直接是**预约，所以最多只需要等待最后一个人，在扣去花费在路上的时间，其实是非常短暂的。

其次是没有推销，省了口水的同时，也避免了时间的浪费。

最后是不用洗头，直接用空气洗头器吸走碎发，这个步骤起码节省了20分钟。

之前在普通理发店剪发至少需要一个小时，还不算上排队的时间，现在至少降低了一半。

从此往后，我都不想再回去以前的理发店了。

理发店里面只有三个人，还个个都是剪发师，这一点其实是挺让我吃惊的。

但仔细分析，我发现了其中的微妙之处。

因为可以通过**预约，理发店可以合理的利用数据进行分析，最大化时间的利用。

因为可以通过**支付，把收银的人员省掉了，也节省了这部分成本。

因为纯剪发，把洗头的人员省掉了，同样节省了成本。

因为不推销，其实是让理发师更专注于理发，这样还有助于提高理发的效率。

因为用时短，单位时间内能够服务的用户就更多。

既降低了成本，也提高的效率，最终不就体现在了利润上面么。

这样的理发店模式和普通理发店相比，哪种更具备竞争力，不言而喻。

直到昨天我才了解到，原来这样的模式，是从日本的理发店QB House学来的。

顺道说一下，QB House这个连锁理发店，在日本开了500多家连锁店，并且在美国也干掉了一大票同行，去年一年吸金10个亿（人民币）。

还记得前不久在雪球中看到一篇文章《不要做卖地图的老太太》，十几年前老太太随便一天都能卖出几张地图。

十几年后的今天，随着人手一部手机，还有多少人需要纸质的地图呢？

那些依然如故的理发店，就像是一直在卖纸质地图的老太太，总有一天会被世界所淘汰。

曾经有一位仰慕者告诉经济学家凯恩斯，他特别喜欢凯恩斯的某一个观点。凯恩斯说：“我很荣幸你能这么说，不过，我已经改变观点了。”

今年开始写作之后，我发现自己也曾多次改变过观点。

其实这很好理解，因为这代表着我的认知一直在更新。发现自己昨天的错误，然后改正它，不是很正常的事情么。

正是基于这样的想法，我才能发现动态因子策略。

因为其思想的核心是：

根据过去一段时间的回测结果
预测未来某个时间的价格变化

既然量化投资离不开回测，为什么不能更进一步，把实盘和回测更加紧密地结合起来呢？

通过动态的回测得到动态的预测结果，不比只在某个时间段回测，然后一直使用策略的方式，更加敏感、更能适应市场环境么？

世界一直在变化，我们又岂能刻舟求剑。

文章提前发布在**：止一之路