你早上打開手機，收到一條推送：某隻港股剛觸發「莊家試盤」訊號，被放進關注名單。這條訊號是從哪裡來的？不少人第一次聽到AI選股時，都以為是電腦替你隨便點一隻股票，點中就算。
實情完全不是這樣。它背後是一條從原始數據一路走到你螢幕的工業級處理鏈路，中間經過資料清洗、特徵計算、模型評分、風控過濾好幾道關卡。這篇文章我想把這條鏈路攤開，陪你一步一步看清楚：一個訊號，究竟是怎樣從一堆看不懂的數字，變成你手上那份可以執行的關注名單。
數據源：財報、行情、新聞與另類數據的四層燃料
任何選股系統的第一步都不是「選」，而是「餵」。模型能吃進去的，必須是先被採集好的資料。以我們 SPEED RADAR 為例，系統同時覆蓋超過 2,500 隻港股與 8,000 隻美股，合共一萬隻以上的標的，每日要處理的資料量相當驚人。這些資料大致分成四層。
第一層是財報與基本資料，包括上市公司的營收、毛利、負債比率、現金流，通常按季更新。第二層是行情數據，從分時成交到逐筆 Tick，價格變動以秒級甚至毫秒級頻率進來，這正是訊號延遲高低的分水嶺。第三層是新聞與公告，系統會讀取財經媒體與交易所披露，把文字轉成情緒分數。第四層是另類數據，例如大單資金流向、板塊資金輪動、甚至社交平台的討論熱度。
以頻率來說，行情層的 Tick 資料每天產生的筆數以億計，系統每分鐘重新計算一次基礎特徵，把訊號延遲壓在數分鐘內；財報層雖按季更新，系統仍會在公告當日即時納入，避免用舊數字誤導判斷。舉個例：同一檔股票，財報層顯示營收年增由負轉正，行情層顯示股價悄悄放量站上均線，新聞層同時出現券商上調評級，三層在同一週共振，才是高質素訊號應有的樣子。任何一層缺失，訊號的可信度都會打折。
我在 AI Trading Academy 教學時常提醒學員：資料覆蓋的廣度，決定了訊號的天花板。只看股價的系統，永遠選不到財報轉強但還沒被市場發現的標的；能把四層資料疊在一起的AI選股工具，才有機會在價格反映之前就看到異動。想知道訊號背後的完整運作邏輯，可以先讀 AI 選股如何運作一文。
特徵工程：把原始數據翻譯成機器看得懂的語言
採集回來的原始資料，機器是讀不懂的。一份季報有幾百個欄位，一檔股票的逐筆成交一天可以上百萬筆，直接餵進模型只會得到雜訊。這中間需要一道翻譯工序，業內叫特徵工程。它決定模型吃進去的是營養還是垃圾，是整條鏈路裡最容易被外行忽略、卻最影響訊號品質的一環。
具體做法是把原始資料壓縮成有意義的指標。例如把「過去二十個交易日收盤價」算成一條動量曲線，把「成交量相對於六十日均值」算成異常倍數，把「大單買入佔比」算成資金強度。這些指標就是特徵。一套成熟的選股系統，背後往往維持著上百甚至上千條特徵，有些是人類交易員熟悉的技術形態，有些是純統計得出的隱性規律。
維持這麼多條特徵，背後是持續的運算與人工校對：市場環境一變，舊特徵可能失效，團隊得定期回測、剔除掉準確率下滑的項目，再補上新的。關鍵在於特徵要穩定、可解釋。我見過不少號稱厲害的系統，用的特徵在回測裡漂亮得不像話，一上實盤就失效，原因就是特徵偷偷「看見了未來」——例如用收盤後才公布的資料去解釋當天的訊號。特徵工程的功力，決定了訊號是真有預測力，還只是事後諸葛。這也是為什麼我總強調：評估一套選股系統，先看它的特徵說明書，而不是看它宣稱的命中率。看不懂特徵從哪來，就等於把資金交給一個不會解釋決策的人。
模型與規則：訊號如何被計算出來
特徵準備好之後，才輪到模型出場。這裡要澄清一個常見誤解：AI選股不一定是某個神祕的深度學習黑箱。市面上的做法主要分兩派，一派是統計模型加明確規則，例如「動量大於閾值、且成交量異常放大、且處於築底形態」就觸發；另一派是機器學習模型，讓系統從歷史樣本裡自己學出哪些特徵組合更容易出現上漲。
SPEED RADAR 的五大皇牌訊號就是規則派的代表：波段之昇捕捉趨勢啟動，莊家試盤偵測主力動向，築底反彈鎖定低位轉強，資金出逃預警派發，VCP 則是收斂中伺機突破。每一個訊號背後都是一組寫死的條件，優點是你能解釋它為什麼亮燈。想學懂 AI 選股邏輯的人，從規則派入手比直接面對黑箱踏實得多。兩派沒有絕對優劣：規則派好解釋、好除錯，但容易漏掉沒寫進規則的形態；機器學習派能抓隱性規律，卻可能在市場結構改變時突然失靈。成熟的系統多半是兩者並用，用規則兜住底線，用模型補充彈性。
無論哪派，上線前都要經過樣本外檢驗：用模型沒看過的近期資料跑一遍，確認訊號在未知環境仍站得住腳，才敢放進實盤。這一步偷工，後果就是回測漂亮、實盤崩塌。模型計算出來的，最初只是一個分數或一個布林值。例如某檔股票在「莊家試盤」這條規則上得 0.91 分，超過 0.8 的觸發線，系統就會標記它。但標記不等於推薦，從這一刻到進入關注名單，中間還隔著最重要的風控關卡。
訊號輸出與風控過濾：為何多數訊號到不了關注名單
這一節是整條鏈路裡最容易被忽略、卻最決定成敗的一環。模型每天可能吐出幾百個訊號，但如果全部放進關注名單，你等於什麼都沒選。真正的過濾在輸出之後才發生。
第一道過濾是流動性。日均成交額太低、買賣價差過寬的標的，訊號再漂亮也難以執行，系統會直接剔除。第二道是風險閾值，例如單日波幅過大、或處於停牌邊緣的標的，會被降權。第三道是相關性，如果訊號集中在同一板塊的十幾隻股票，系統會做分散，避免關注名單變成一籃子同源風險。這三道閘各自有參數，例如流動性門檻設在日均成交額五千萬港元以上，波幅上限設在單日百分之八以內，相關性則限制單一板塊最多佔名單三成。
我在課堂上做過一次覆盤：某日模型原始訊號有兩百多個，經過三道過濾後，真正進入AI選股關注名單的只有十一隻。這個比例很能說明問題——選股的價值不在「找得多」，而在「濾得準」。任何宣稱每天給你幾十個必漲標的的系統，都該先問它過濾邏輯是什麼。
根據 CFTC 關於降低外匯詐騙風險的指引，對外宣稱必勝的選股工具，本身就需要打上一個大問號。風控過濾正是把這類誇大宣傳擋在門外的第一道閘。我習慣把過濾後的入選率當成檢視系統誠實度的指標：若一個系統聲稱每天精選卻從不剔除，反而比直接給你全部訊號更可疑。真正的 AI 選股，敢於告訴你它今天「沒選到」。
關注名單與落地：從訊號到你可執行的清單
經過風控過濾，剩下的標的才會進入關注名單。但名單本身不是交易指令，它是一份「值得你花時間研究」的清單。這一步的設計，直接影響你第二天的操作節奏。
一份好的關注名單，通常會附上每隻標的的觸發訊號類型、觸發價位、以及當時的關鍵特徵數值。例如「A 股觸發波段之昇，突破位在 12.4，成交量為六十日均值 2.3 倍」。你看到的不只是一個名字，而是一句可以驗證的判斷。SPEED RADAR 會把名單推送到手機與 Telegram，讓你不用整天盯盤也能掌握盤中異動。
我自己習慣在收市後花十五分鐘掃一遍當日名單，把訊號類型與大盤狀態對照，決定隔天觀察哪些、放掉哪些。這套流程讓我即便全職工作也能維持交易節奏。我會特別留意名單裡訊號類型的分佈：若某天全是「資金出逃」，往往是大盤轉弱的前兆，那時我不會急著進場，反而會把名單當成避險清單來讀。重點是名單給的是「觀察機會」，不是「下單指令」。我會先在小池子裡驗證訊號的延續性，確認形態未被破壞，才考慮是否建立部位，絕不對每一條訊號都全倉出擊。想比較不同方法的取捨，可以參考 AI 選股 vs 傳統這篇對照。
實戰框架：我用一條訊號跑完整的經驗
講完鏈路，最後用一個具體情境把六個步驟串起來。假設週三收市後，系統在港股池裡掃到一檔中型股：財報營收年增轉正（資料層）、股價站上六十日均線且成交量異常（特徵層）、規則判定「築底反彈」得 0.86 分（模型層）、通過流動性與波幅過濾（風控層），最後進入我的關注名單（落地層）。整段從資料到落地，耗時往往不到一分鐘，但背後是每秒都在跑的運算。對一般投資者來說，珍貴的不是那分鐘，而是系統替你守住了前面五道關卡，讓你不必自己盯著上千隻股票。
我參與 USIC 全美投資大賽的那些年，連續五年都錄得正回報，五年累積回報約 1,352%，2023 年也拿過 ACY Trading Cup 亞軍，靠的從來不是某一條神準訊號，而是這套「鏈路紀律」——這也是我在 AI Trading Academy 教AI選股時反覆強調的核心：每個訊號都要能回溯到自己從哪層資料來、為什麼觸發、過了哪幾道濾網。看得懂來龍去脈，你才不會在訊號失效時慌張。
順帶提醒，選股工具的背後公司是否持牌，和你輸入的資料安全一樣重要。參與任何平台前，建議先到 證監會的無牌公司及可疑網站警示名單 查核對手是否持牌。若你透過保證金或槓桿方式放大選股結果，也可先讀 投委會關於槓桿式外匯的基本認識，理解按金與槓桿如何放大風險。我見過學員為了追一條訊號而借錢加槓桿，結果波幅一擴大就被迫離場，這正是沒搞清楚工具邊界的代價。以上均屬教育參考，過往表現不代表未來回報。
常見問題
問：AI 選股是不是就是把股票交給電腦，我完全不用管？
答：不是。電腦負責的是資料處理與訊號產出，關注名單仍是「值得研究」的清單，不是買賣指令。你仍要判斷大盤狀態與自己的風險承受度，再決定是否出手。
問：訊號每天都很多，我該看哪一個？
答：先看風控過濾後進入關注名單的標的，而不是原始訊號。名單已經幫你濾掉流動性不足與波幅過大的項目，再按訊號類型與板塊分散去挑，比盲目跟每一條訊號穩妥。
問：免費的 AI 選股工具和收費的，差在哪裡？
答：主要差在資料覆蓋廣度與更新頻率。覆蓋一萬隻以上標的、行情以秒級更新的系統，運算成本明顯較高；只覆蓋少數指數成分股、日更的版本，訊號會慢半拍，適合純學習不適合實戰。
問：我完全不懂程式，能用AI選股工具嗎？
答：可以。現在多數選股工具都已視覺化，你只需要看懂訊號名稱與觸發價位，不必寫程式碼。重點是理解每條訊號背後的邏輯，而不是盲目跟單。
問：訊號失效的時候，我怎麼知道該停？
答：回到鏈路看它斷在哪一層。若是資料層出問題，例如財報季資料延遲，訊號自然失真；若是模型層連續多次觸發後無表現，就該降低倉位或暫停使用，等系統更新參數。
問：AI 選股會不會比我自己的研究更可靠？
答：它處理資料的速度與廣度勝過人，但判斷「現在該不該做」仍需要你。把 AI 當成擴大視野的顯微鏡，而不是替代你做決定的大腦，定位清楚才不會高估它的能力。
立即 WhatsApp 聯繫小風團隊免費諮詢：+852 5378 5383
網站：https://aitrading.ace-fortune.com/speed-radar
投資涉及風險，過往表現不代表未來回報。本內容僅供教育參考，不構成任何投資建議。
