股價走勢的科學思維

• 技術指標的運用。
• 外在因素的作用(包含市場消息、公司基本面等)。

價量數據的特徵轉換：技術指標

• 同時使用多種技術指標，並妥善設定好濾網，這麼做的好處是增加交易策略的隱蔽性，也同時可以對抗市場過多的雜訊。
• 修改技術指標的參數，通常的目標為領先市場反應；搭配使用的濾網非常重要，因為領先的訊號觸發對雜訊敏感，也因此常會出現假訊號。
• 自創技術指標，近幾年流行使用機器學習的手法，建立複雜到自己也搞不懂的人造神經網路模型(黑盒子般的存在)、修改人造神經網路模型的架構，或是採用監督式學習以外的架構(例如增強式學習，代表作為圍棋AI AlphaGo)。

• 創造出特定指標有效的假象來吸引市場參與者去追隨，強化指標的有效性。實際上卻是多數的指標都被觸發了。
• 當指標有效性被市場接受後，刻意觸發買進或賣出訊號後再反向操作，趁市場流動性充裕時進行高檔出貨或是低檔吃貨以符合自身利益。
• 當指標有效性被市場接受後，也可以刻意切換另一套模式讓指標失效，當市場失去依據時就容易被套牢或產生恐慌賣壓。

• 在出現泛化能力強的方法之前，忍受不同時期使用不同的交易策略進出。傳統的技術指標無法一招打天下，AI交易模型要辦到也並不容易。
• 掌握更多不為人知的資訊，或是更有經驗。AI交易模型的目的即在從大量的訓練資料中掌握有效且不為人知的資訊呈現方式，大量的訓練過程即類比人們的交易經驗累積。
• 交易方法須隱蔽不為周知。方法過於出名或簡單早晚會招致失敗，而AI交易模型就是為了製造複雜與隱蔽性(黑盒子)。然而成功的模型究竟有多少實在難說，畢竟它們絕大多數不會在檯面上為我們所知。
• 自己成為主力，拉攏市場籌碼站在自己這邊來強化所使用的交易方法！這不是一般人散戶能辦到的，但這是現實。

模型導向與資料導向的後市判斷

總結

1. 以資料科學的觀點視之，技術指標為價量資料的特徵轉換。因此，儘管可能減少雜訊而加強訊號強度，但蘊含的資訊量並無法超出原始的價量資料。
2. 在市場上賺錢的方法總是那套：不為人知的資訊與方法，這也是AI交易模型熱門的原因，不只是噱頭，其亦能達到這個目的。其他重點包含跟對籌碼，以及適時更換交易策略而不要輕易挑戰一招打天下。
3. 如要考慮外力對股價走勢的影響可採用資料導向的手法，然而須避免不合理的關聯性產生。