圖(1)演算法選股是什麼？
AI 已無所不在
AI，即人工智能，通過機器學習使機器擁有類似人類的智能，從而實現了自然語言處理、圖像識別、無人駕駛、醫療診斷和智能助理等先前難以想象的應用。
AI 第一次讓全球驚豔是在 2016 年 3 月時，AlphaGo 勝過世界圍棋冠軍李世石所引起。而第二次則是由 ChatGPT 於 2022 年底再次引發全球熱潮。去年全球對人工智能（AI）的興趣急劇上升，如同雨後春筍般迅速增長，AI 應用遍地開花，開啟了全球技術應用的新篇章。
如今，AI在多個領域逐步成熟，包括自然語言處理、視覺化處理、機器學習、自駕車、醫療診斷、智能助手、智慧製造和物聯網等。各家公司根據不同的AI應用需求，採用多種機器學習模型，如 ChatGPT 的 NLP 模型、AlphaGo 的 DNN 模型以及金融領域常用的 HMM 模型，這些模型都旨在賦予機器智能，以提高人類的生產力和工作效率，甚至達到自動化。
什麼是演算法
演算法是 AI 技術的基石，在 ChatGPT 等由電腦訓練生成的應用出現之前，已是 AI 相關應用中最接近目標的技術。演算法並非某固定技術，而是通過一系列步驟解決特定問題。這些解決的步驟主要是由人類提供演算決策函數給機器做成大量運作，因此稱為演算法。但目前的人工智能應用則是讓機器浪費大量算力，來換取模擬人類思考的演算流程，有點類似於暴力破解法，兩者的運作方式是有所差別的。
儘管 AI 模型的複雜度遠超傳統演算法，但在達成目標的精確度和成本效益方面，演算法在開發成本上最具優勢，若演算法寫的好，效益未必會輸給大型 AI。而當演算法又結合了一些 AI 技術常用的機率模型，其實就已能達到類 AI 的應用水平了。
因此，演算法不僅是AI技術的基礎，而且在達到「解決問題」這一共同目的上，與 AI 有其獨特的地位。AI 旨在賦予機器智能，而演算法則更多地將人類智慧與計算機程序結合，加速解決問題和作業流程。
演算法選股
約 10 年前，筆者還在就讀在職研究所期間，對演算法就一直很有興趣，且所唸的學科都與數據科學相關。因此，過去在工程領域上所寫的數學模型，就已具有機率及條件化演算的雛形。當時，就已深深有個念頭，覺得類似的方法或許可做成理財投資小幫手。
而後迄今，筆者已將當時的念想，步步實踐用於選股方面。讀者若了解筆者前面所述 AI 與演算法的差別，就能知道本站的選股演算法，並非是交由電腦去自動生成；而是透過數據科學等方法，將個人選股的過程給予程序化，並且加上機率模型來精確演算的流程。
經過幾年調整與優化，本站的選股演算法過去曾制定過超過 40 條以上規則，目前已精煉至約 12 條，每條規則包含數個階段性步驟來選股，每一步驟又根據資料特性採用不同的演算法模型。
為了確認選股演算法的成效，本站將選股演算法所能選出的股票特性做區分，並分別做成實測紀錄。至 2017 年時，成立 913 理財估測站（前站），再依這些演算法的選股特性，將選股演算法組合為「成長型」、「價值型」、「成長價值型」和「混合型」等不同類型，並根據相應演算法每日進行選股與汰除。通過市場實測，即時調整和優化演算法，以最大化選股效益。
小結
投資本質上是一門概率學，市場實測是確認演算法成效的唯一途徑。筆者不太相信回測有用，是因為自已本身在所學電信工程領域裡的經驗，在筆者的經驗裡訊號就只有明確的 1 與 0，但訊號在空氣間不同環境傳遞本身相互的干擾與環境的雜訊，就已可造成理論與實際的嚴重偏差，何況是充斥更多干擾的投資環境？因此，個人相信只有長期和大規模的市場測試才可用來驗證其有效性，同時避免人為造假，並獲得真實的研究成果。
然而，任何選股方法包括演算法選股都無法保證在所有時期都有效。一個好的策略應能適用於大多數市況，如本站的選股演算法實測超過 6 年，年化超過 20% 的模型，卻仍有很高機率在 1～3 個月內累積績效慘輸給大盤。但是在 6 個月內累積績效輸給大盤的機率已降到個位數機率，1 年內累積績效輸給大盤的機率目前則尚未發生。
因此，不管是再利害的 AI 或人類，選股方法也無法達到完美，股神也會有績效不彰的時候。機器輔助選股，核心應用在於這套方法能否創造長期價值、能否長期贏過大盤，若能做到，則它就是一套有效的輔助系統。