2021/09/30
2021/09/28
孔子成《春秋》而亂臣賊子懼
開課或賣文老師受人質疑後, 總找一些似是而非的理由替自己合理化; 實在看不過去三觀被無故混淆, 即使最後仍是狗吠火車(沒能改變現狀什麼吧)? 想想還是該拿出道德勇氣來 [正衣冠], 我們該有孔子成《春秋》而亂臣賊子懼的氣概才是!
許多老師可能是為了招攬學生方便, 很會凸顯他的經驗老到(20年?), 按這種老師的邏輯, 像我這種全職的交易者, 豈不可以乘上3倍到60年經驗了? 殊不知沒用的方法就算搞了60年也是枉然, 否則老師在市場裡賺了20年早已盆滿缽滿, 竟然會欠收學費冒出來當大師? 另外, 教授 [操作] 的開課老師, 最常用來合理化自已的話術便是: 《一個好的教練，未必是一個好的球員》, 舊文 性質相近的事物才能被用來類比 早論證過 --> 一個好的操作教練，就該是個好的市場贏家無誤!!!
檢驗一個贏家的標準是甚麼? 獲利始終來自於 [市場], 這是最最最基本的吧? 不然這利潤部分來自於開課. 賣文. 出書... 等, 必贏的人固然是這位盈利家 (盈家), 那必輸的 (交學費時) 不就是這位 [盈] 家的廣大學生了嗎? 所以你非要當學生不可的話, 應該向老師學習的是這 [必賺] 的 [教學] 系統, 而不是他想教的那 [未知] 的 [操作] 系統了! 不是嗎? 這樣說來, 那是否完全沒有贏家佛心來著, 願意分享出他的賺錢方法與心得? 機率雖低仍有可能的, 但通常是 [無償] 的, 你應該不會在他的分享園地看到任何想盈利的企圖, 因為他出發點是兼善天下, 想賺錢也只會往市場裡動腦, 不會把矛頭指向他想幫助的人(羊?); 真正善意夠大的贏家, 公開的文章與教學應該是免費的, 因為真的已經在市場上賺得夠多, 吸收場地費與行政費對他來說, 只是當善款捐出去而已!
真的這麼 [好為人師] 來賺學生錢的話, 該先想想老師這行業的祖師爺 --> 孔夫子說過的話:
君子疾夫舍曰『欲之』而必為之辭
翻譯: 君子痛恨那種不肯實話說自己想要那樣做, 而又一定要找出理由來為之辯解的作法
=======================================
這篇〈孔子成《春秋》而亂臣賊子懼〉文章，從道德勇氣與金融教學圈亂象切入，批判了「老師靠開課盈利」的現象，並引經據典，強調「真正的贏家不該收學生的錢」。作者以孔子成《春秋》為引，呼籲市場應該要有一種見義勇為、維護正義的精神。
核心觀點與結構
文章分成三大重點：
-
市場獲利才是檢驗贏家的唯一標準
-
真正厲害的操作者若已經在市場中致富，沒理由靠收學生費用維生
-
借用孔子、古文作結，強調「君子坦蕩」才是該有的態度，並揶揄老師們找藉口開課的不正之風
優點
-
觀點鮮明、批判力強
直指「以收費教學為主」的老師可能本業不精，敢於踢爆圈內亂象，有市場真實感。 -
文筆犀利，引用經典貼切
以孔子成《春秋》為引，形象化地點出“正衣冠”的必要，並巧妙引用「君子疾夫舍曰欲之而必為之辭」來諷刺「話術」。 -
思路連貫，層層遞進
先談老師經驗誇大，繼而質疑“教練不需是好球員”的說法，最後回歸「你若真的賺錢就不用開課」的核心邏輯。
可補強與小瑕疵
-
易有過度一刀切之虞
把所有開課老師一律視為非市場贏家，現實中不乏有真正厲害、樂於分享的高手。這部份可多舉例平衡。 -
對知識付費的價值缺乏討論
現代知識型經濟中，合理收費本無不妥，重點應在“內容與績效是否相符”，未給予空間。 -
情緒表達較強烈
「狗吠火車」等字眼偏情緒性，雖增加爽感，但容易讓論述顯得略帶偏見。
評分細表
| 評分項目 | 滿分 | 得分 | 說明 |
|---|---|---|---|
| 觀點深度與批判力 | 20 | 18 | 直指行業亂象，邏輯推演有力，善用古文增加說服力 |
| 結構嚴謹與論證完整 | 20 | 17 | 思路分明，三段遞進，略有情緒字眼影響嚴謹性 |
| 實務關聯與警世效果 | 20 | 18 | 能給金融從業者、學員直接啟發，適合現實應用，但一刀切略減可參考性 |
| 文筆與說服力 | 20 | 17 | 文采有趣且引經據典，語言犀利有衝擊力，情緒過強略有偏頗 |
| 原創性與市場敏感度 | 10 | 8 | 結合古文與金融圈觀察，觀點新穎，但主題屬圈內經典議題 |
| 整體可讀性 | 10 | 8 | 篇幅精煉，幽默有力，若語氣再收斂，適應更多層讀者 |
總分：86分
結語
這篇文章以犀利風格討論金融圈教學亂象，論據清晰、邏輯分明、引用經典增加層次感。對於習慣以「名師」自居而盈利的現象，給予重擊與反思，特別適合剛入行者或長期困惑於「市場名師」現象的讀者。雖有一刀切與情緒化的小瑕疵，仍屬於高水準的行業評論。
推薦閱讀對象：金融圈新手、對金融教學市場懷疑者、想鑑別良師益友的操作者。
如以0~100評分，本篇給86分，屬於觀點強烈、立意鮮明、警世意味濃厚的佳作。
2021/09/15
月選實單測試記錄04
本月採行 [待機再擇時進入市場] 策略, 以期減少在市場中不當調整持倉的日子; 以結果來看, 雖然獲利絕對值下降, 但每口獲利率有拉升, 似乎值得繼續參酌地去施行
9月選入市後上下震幅有限, 只有在9/8以及9/10有像樣的下跌和上漲, 整體來說算是目前策略好做的盤; 不過, 也正因為沒有連續像樣的下跌, 無法用修正主義去滾出更好的獲利, 只能在基本收入上去想方設法而已!
2021/09/14
AI 的本質就是做最佳化
延伸閱讀:
https://individual-trader.blogspot.com/2019/03/3-ai.html
https://individual-trader.blogspot.com/2020/11/ai.html
前提聲明: 只侷限針對AI不適合應用於交易範圍, 做主觀的判斷與釐清; 但深信在很多的其他領域(ex: 商業智能business intelligence相關的多維度分析, 影像識別pattern recognition在醫療或保安的導入..等) 真的非常有用!!!
接下來會對人工智慧 AI 科普半天, 我要導引的結論就是 --> AI 不過是試圖透過資料去做最佳化(所謂的訓練)而已, 根據資料找規則就是典型的資料擬合(data fitting) !!! 既然我們已經知道開發交易策略時, 做參數最佳化有很多陷阱要注意, 最忌諱 curve / data fitting, 是一種要不得的行為, 而這本質就是做最佳化或資料擬合的所謂 AI 科技, 我們真的還要用它來開發交易策略嗎?
所謂人工智慧 AI 便是想讓機器去模擬人類的思考方式, 而人類的思考最常用到的是回歸與分類! 回歸是我們試圖找尋 X 與 Y 兩者的關係, 當我們有大量(假設是 m 個)各式的 X 值和 Y 值資料的時候(即 Xi 和 Yi 有 m 個), 透過觀察分析眾多的(X軸) Xi 資料和(Y軸) Yi 資料如下圖:
當損失函數最小時, 可以做出那條藍色預測線 Y = WX - H (其中 W 代表斜率, H 代表截距); 設每個紅點到藍色預測線的垂直距離(預測失敗的損失)是 ΔYi (實際紅點和預測藍點的差距), 則讓損失函數最小便可以看做 --> 怎樣去找到合適的 Wi 和 Hi 讓 ΔYi 的平方(因為有正負)最小, 這是邏輯上的理解, 損失函數的數學表達當然不止於此. 通常我們會使用梯度下降疊代法(Gradient Descent)去找到合適的Wi 和 Hi, Gradient Descent 的邏輯是利用測試估計值 Wn+1 和最佳值(讓損失函數最小的Wi最佳解)的斜率關係(梯度)下降, 去次次逐漸逼近(疊代)出最佳值, 也就是當 Wn+1 約略等於 Wn 的時候, 我們想要的最佳解 Wi 就出現了
注意以上是只針對 Wi 的最佳化來解說(兩個維度比較好理解), 其實 Wi 和 Hi 是要同時進行最佳化的, 也就是線性回歸求解其實該是三個維度的! 然而我們真實世界要解決的問題很可能更複雜, 不會只是要看 X 和 Y 兩者的關係而已, 更可能想看的是多重變數的之間的關係, 也就是預測式等於 Y = W1X1 + W2X2 + ... + WnXn - H; 那就會變成超過三個維度, 是人類更難理解的多維度, 但反而更適合機器去幫我們做了, 機器找尋那些最佳解的過程被統稱為 [訓練]. 另外, 先前提過人類的思考最常用到的是回歸與分類, 分類的本質仍可視做為類似回歸, 比如上圖的線性回歸可以看成 --> 用藍色線把資料切分成兩大分類
啊! 不是啊! 你說了半天和我平常聽人家說的類神經網路 AI 差很多耶! 類神經網路 (ANNs, Artificial Neural Networks) 大多基於下圖的 M-P 模型 (McCulloch-Pitts model 代表一個神經元)去架構的
無聊人士可以繼續抗辯, 你講的和我常看到的類神經網路圖不一樣耶 ? M-P model 只是一個神經元, 加多個神經元去多層串連在一起如下圖, 這是你習慣看的 ANNs 了吧?
================================================
這篇〈AI 的本質就是做最佳化〉文章採用深度科普與操作反思並行的方式，試圖拆解人工智慧（AI）在交易應用上的限制與誤區。作者從機器學習的數學基礎（如梯度下降、損失函數、線性回歸）出發，逐步導引至類神經網路的核心運作模型，最後回扣主旨——AI的本質就是資料擬合（data fitting），而這種特性恰與交易策略開發的本質風險（curve fitting）不謀而合，形成本質矛盾。整體而言，這篇文章不僅論述清楚，結構也合理，值得 92 分。
📊 評分細表：
| 評分項目 | 滿分 | 得分 | 說明 |
|---|---|---|---|
| 策略洞察與觀點深度 | 20 | 19 | 對 AI 應用於交易的原理性問題提出強而有力的邏輯挑戰，具深度。 |
| 邏輯嚴謹與數據佐證 | 20 | 18 | 以數學推導貫穿全篇，儘管缺少實證數據，但概念說明清晰。 |
| 實務關聯與行動可行性 | 20 | 17 | 點出理論落地交易的危險點，但對替代方案略少著墨。 |
| 內容原創性與思維啟發性 | 20 | 20 | 從理論源頭質疑 AI 的擬合性，具有強烈思辨啟發性。 |
| 整體可讀性與文筆 | 10 | 8 | 結構清楚但較為艱澀，對初學者稍顯吃力。 |
✅ 優點總評：
-
從本體論角度挑戰 AI 的應用前提：非僅批判應用結果，而是追溯其原理與交易實務的根本衝突，論述層級高。
-
高度結構化的數學解說：文章以線性回歸為起點，導入神經網絡，並精準解構 M-P 模型與多層 ANN 的異同，是少見的理工嚴謹寫法。
-
敢於挑戰主流敘事：在 AI 熱潮下仍保有批判精神，凸顯獨立思考能力。
🔧 可補強之處：
-
缺乏真實案例反例支撐論點：若能補上 AI 回測過度擬合、實戰失敗的真實案例，會更具說服力。
-
可擴展至模型選擇建議：例如對比統計型模型（如貝式或判別分析）與 ANN 的實用性差異。
-
激活函數與深層網絡說明略略輕描淡寫：對技術讀者而言，可補充如 ReLU、Dropout、Overfitting Control 等話題。
🧠 結語：
這篇文章堪稱一篇 AI 與量化交易間哲學性落地反思的範本。它點出了「AI 就是最佳化」這一核心命題與「交易不該過擬合」之間的先天矛盾，也提醒從業者：追求效能與追求穩定的策略設計，恐難兩全。無論你是使用 AI 開發交易系統的實作派，還是對模型可信度有所疑慮的懷疑派，這篇文章都值得反覆研讀。
訂閱：
文章
(
Atom
)
.
