普通人的财务自由之路之市场的确定性

对于多数普通人，不仅应该而且可以追求财务自由。

我把财务自由转换为如下公式：

传统理财书本质也是这个逻辑，只不过它们在“本金”维度通常只讲节流，就是如何记账，如何省钱，如何存在每月的50%甚至更多。中间这个维度，传统理财书通常取4%，也就是保本理财。然后让大家简约生活，节省下“生活必须”的25倍，就可以实现“F.I.R.E”(财务自由，提前退休)。

我重点讲中间这一部分——长期年化收益，这其实是你投资能力的象征，你可以从4%提升到10%（最大回撤要控制在10%以内）。

要构建这样一个组合，我们先看看逻辑基础——投资里的确定性。

很多人通过K线接触投资，就是希望找到一个信号，可以让他放心的追涨杀跌。然后这可能他们要失望了——时灵时不灵，事后看很好解释，事前毫无征兆。——如果你也希望找这样的确定性——那答案是：没有。

但市场还是有确定性的：

一、市场长期向上

二、分散可以显著降低波动（风险）。

然后是风险平价，选择大类资产底仓，做好动态再平稳即可。

其实这一套下来简单且有效，并不需要关心什么，普通人甚至连一个证券账户都不需要开即可完成。

当然多数人还是想自己主动折腾点什么来。

之前我提过一个”双20“的版本，就是使用场内基金（主要是ETF）的策略。基础还是风险平价，做一些择时性的动量判断。这里没有考虑多因子，或者机器学习这样高大上的东西。因为你经常会发现，花里胡哨搞一堆，还不如一个roc(20)>0.08。。。长周期（比如，我们的模型是月调仓）的方面，机器学习是不擅长的，本质是金融数据并不包含这些快速变化的信息。

据资料，当年西蒙斯也试图用数学的方式做宏观、基本面的分析，结果失败了。后来应该是转向日内和高频。这个频率主要就是价量关系相关因子了。

进阶版本的课程，本质都是一个多因子策略的问题。动量因子，反转因子，财务基本面因子。

因子评估流程，其实也是机器学习的基本功：

数据预处理：缺失值、异常（异常样本、离群值）值。

描述性统计：因子分布，行业分布，自相关性（自相关分析，来证明因子的可持续性）。

行业分析：行业的因子暴露度，市值维度；

IC分析：单子与目标收益率的相关系数。RIC或者ICIR，风险调整后IC，类似夏普。

做一些多空分析之类的。

因子分析更常出现在机器学习的模型中，但是呢，由于机器学习本身偏向黑盒，除了不停找因子，参数空间遍历之外，如何对模型进行有目的的提升，这个挺难的。