这里说的是“AI量化”，区别于传统量化。
量化相对主观而言，以数量化的方式产生信号，“机械”执行信号。
但传统量化之于主观量化，并没有明显的优势。至少在国内这些年，仍然属于资管的边缘部门。
传统量化，更像传统技术分析的自动化版本。
只不过人工画K线，变成计算机来计算。金叉，通道突破等。技术分析的缺点，传统量化也有。
做得好一点的，加上超参数优化——对参数空间进行遍历，进而找到最优的参数集。——这一点看起来高级了一点点。
规则信号最大的问题，不好优化，就是hard-code的。而且更多的规则不好组合在一起，一般就是M条中满足N条这样的逻辑，不能更加模糊地组合到一起。
而多因子就没有这个问题，技术面，基本面，另类因子，可以通过机器学习按不同的权重复合到一个策略里，这样模型的预测能力就大幅度提升。
另外，通过排序算法，我们需要找出相对更优的股票、期货组合持有等。
StockRanker梯度提升树、排序学习用于股票排序 | gplearn和DeepAlphaGen端到端的因子挖掘系统（开源）
好消息是，私募机构至少当下的主流都是多因子。
多因子很适合拥抱机器学习，深度学习。
因子，对应就是机器学习里的特征工程。
自动特征工程，自动参数优化，在AI领域都是日新月异的进步。
因此，咱们Quantlab后续的计划，主要是支持多因子策略，甚至端到端去构建的。StockRanker梯度提升树、排序学习用于股票排序 | gplearn和DeepAlphaGen端到端的因子挖掘系统（开源）
Qlib本身就是AI-驱动的量化平台，它更加彻底，压根不支持传统量化。
交易模板也仅有一个top K的轮动策略。
当然，它主要精力花在各种前沿的模型上，而不是因子挖掘和筛选上。这一点上qlib走错了方向。
AI量化还有一个很大的好处，它的形式非常统一，我们更多是去积累高质量的因子，而不是花心思去“凑”参数。这一部分甚至可以通过数据挖掘去大量产生，筛选。
比如gplearn和DeepAlphaGen这样的因子筛选框架。
咱们下周要重点在这块上发力。