那陣子流行「四貸同堂」（跟四代同堂諧音的自嘲：身上同時揹著四筆貸款），我跑去申請「不限用途款項借貸」（拿股票當抵押品跟券商借錢，用途不限）。
辦完才知道，不是所有股票都能拿去借。名單上只有特定 ETF 和 0050（元大台灣50，追蹤台股前五十大權值股的 ETF）的成分股，而且台積電不行。
台積電不行的原因不是它不夠格，是它的貸款額度已經被借完了。大家都拿台積電去借錢，跟我的認知有些不同。
不過這樣也好。我追求的本來就是穩定、波動不要太大的投資，這份「可抵押白名單」等於幫我先篩了一輪。
於是開始設計另一張表：把 00981A 跟 0050 合併成一份名單，資訊簡化，只留真的會影響判斷的東西，我希望可以更精準。
先爬 0050 的資料，再把前一張表裡實際有意義的欄位搬過來——量連增（成交量連續增加的天數）、每天的購買量與權重。
接著把分析師常講的公式一條一條設計上去。技術分析（均線、KD 這類從價量算出來的指標）：均線多頭排列加分、KD 過熱扣分；籌碼分析（法人和大戶的買賣動向）：法人連買加分、融資暴增扣分。
每檔股票每天算出一個總分，配一個評級。
跑了一陣子，總覺得不是很準。分數高的不見得漲，分數低的偶爾還飆給你看。
於是開始建 AI 模型，把二十年的歷史資料餵進去訓練。模型看每檔股票過去六十個交易日的技術指標和總經資料，預測未來五天大漲或大跌的機率。
訓練方式換過好幾輪：梯度提升樹（XGBoost，擅長表格資料的機器學習模型）、深度學習（讓模型直接讀六十天的走勢序列）、自動調參（讓程式自己試幾十組參數挑最好的），甚至按牛市熊市分開各訓練一個模型。
每一種都要過同一關：走動式回測（walk-forward）——模型只准用「當時已經發生」的資料訓練，然後拿下一年考它，考完往前滾一年，一路滾完二十年，橫跨金融海嘯、疫情這些大事件。這種量級的驗證靠人手做不到，還好有 AI 工具，即時模擬就把二十年滾完了。
結果跑出來，AI 的預測和技術、籌碼分析常常互相違背。
最明顯的是 KD。課本教的第一課是 KD 超買（指標數值大於 80）要減碼，但二十年的數據跑出來，KD 過熱之後發生大跌的機率，只有平常的 0.43 倍——它不但不是逃命訊號，還偏向續漲。
也就是說，我的評分機制看到 KD 過熱在扣分，AI 從歷史學到的卻是這時候不用跑。同一天的報表，評分欄叫我小心，AI 欄叫我進場，到底該聽哪邊，很難判斷。
本文寫的是資料分析與工程，不是投資建議；文中標的只是系統的分析對象。