量化选股的流程主要包括因子加工，因子分析、建模（Y的定义、表现窗口等）、回测。
我发现自己太过侧重于训练窗口的选择、模型的调整等技术环节，而没有考虑到最关键的环节是什么。股票、期货的数据不像其它数据，存在数据量不足的情况，反而是数据过于丰富了。每天、每分钟甚至每秒都能获得与价格相关的一系列数据。但是，这也导致了数的信噪比低，其中包含了大量的无用噪声甚至是虚假、错误的信息。那么你输入机器学习里的数据，大部分是没用的信息。如果机器学习把某些噪声认为是某种规律，这就麻烦了。再进一步，如果我们通过历史回测发现，机器学习通过输入的一大堆特征实现了很好的收益。这种情况也是存在风险的，因为你并不清楚机器学习得出的预测是否真有价值，即使有价值，你也不清楚这种价值在未来是否会消失。所以，最好的做法是回到特征，也就是说输入的时候，就已经筛选出了有用的特征。什么才是有用的特征呢？显然是那些与价格和收益存在因果联系的特征，这就需要你对特征的含义有足够深的理解。
芒格曾提到对他最有用的五个概念。其中一个是：简化任务的最佳方法是一般先解决那些答案显而易见的大问题。这一点，在解决问题的时候，得时刻牢记才行。不然，后续做的都是无用功。另外，抓住问题的本质还有一种方法，就是列举出影响问题的所有因素。然后通过最大化或者最小化某个因素，把整个问题简单化，这样重要的因素也会随之凸显。
