Building an AI-Assisted Stock Prediction System

經過之前AI協作產生的系統，因為Gemini在協作的過程中，為了趕快配合我，直接把一些數據寫死，造成預測一直很詭異，我建立的AI股票模擬專家團隊，還會會議我的持股，也沒太大的作用，都叫我賠錢脫手…..後來，我看了許多股市影片，發現我沒設定好特徵，也沒建立AI模型運算，只靠相信著自信滿滿的Gemini，是一個嚴重的問題，問題不只是 AI 不夠聰明，而是我一開始就沒把系統的骨架搭好。特徵沒設好、模型沒真正建立、資料流程也不夠乾淨，最後就算再相信 Gemini，也只是在相信一個看起來很會說話產生的版本。

於是我直接重新來過，開始了準準準7.0 (前面的都失敗了 失敗…..)，我規劃了LLM與機器學習模型XGBoost來做系統的預測，以資料採集、自動清洗、多維度特徵提取、防呆濾網與機器學習打分來建立個股的預測，這次我不想再只靠想像，而是直接把系統拆成幾個真的有用的部分：資料採集、自動清洗、多維度特徵提取、防呆濾網，還有機器學習打分。

簡單講，就是先把資料弄對，再讓模型去學，最後再用規則把明顯不合理的東西擋掉。

有時我在想…是我在訓練AI還是AI在訓練我，不過我發現Gemini好像變笨了，我就搜尋關於降智，查到了一個AI Stupid Level「AI 降智儀表板」。

發現Gemini是真的低於標準…..

不過，總是有方法的，就是面對Gemini要多次驗證浪費點時間就是了….哈，話說回準準準7.0系統，我以能不能真的拿來用來思考，畢竟之前的失敗已經有經驗了…..

1. 先把資料抓對

這件事其實最重要。
因為如果資料本身就錯了，後面不管你模型多強都沒用。

我現在會去抓台股的盤後資料、籌碼資訊、成交量、融資融券，還有美股的即時報價和一些新聞來源。
我的想法很單純：不要只看單一面向，至少要讓系統知道市場是怎麼動的，不要只看價格，卻完全沒看到資金跟消息。

2. 再把資料整理成能用的特徵

這一步其實就是我之前最缺的地方。
以前我可能想太多，把系統搞得很複雜，卻沒有真的把「什麼才是有效訊號」想清楚。
所以這次我把重點放在幾個比較實際的方向：

• 成交量有沒有突然放大。
• 股價是不是一下子漲太快或跌太快。
• 外資、投信、自營商是不是有連續動作。
• 公司基本面是不是有問題。
• 新聞情緒是不是有明顯偏多或偏空。

我不想再把一堆技術指標塞進去，因為那種東西太容易看起來很完整，但實際上不一定真的有幫助。
我現在比較在意的是：這檔股票到底有沒有「市場正在注意它」的跡象。

3. 最後才交給模型打分數

這次我才真正開始用 XGBoost 這類模型去做預測。
不是那種拿來裝飾的模型，而是真的讓它根據我整理好的特徵去學習、去判斷。

但我也很清楚，AI與模型不是神。
所以我不會把它當成唯一答案，而是讓它跟一些防呆條件一起工作。
例如成交量太低的先排掉、明顯不合理的標的先擋掉、基本面太差的先扣分。
我寧可少看一點，也不要再去接那些看起來熱鬧、實際上很危險的東西。

這次和前面最大的差別

前面幾版，我太想把系統做得像一個完整的 AI 團隊，結果反而離我自己真正需要的系統越來越遠。

我知道自己不是在做什麼大型機構級系統，我只是想做一個能幫我判斷的工具。

所以這次的準準準 7.0，不是什麼「AI 專家會議室」，也不是什麼很炫的黑盒子。

• 先把資料弄真。
• 再把特徵弄對。
• 然後讓模型去學。
• 最後加上防呆濾網，避免自己又被市場騙一次。

這次的資訊我也改成隔日預測，但….經過幾天下來勝率還蠻低的。

反正系統不是寫出來就會準，這次比較接近真實，我會持續修正，也實驗AI協作變化，這些AI有些部分進步但有些部分卻退步了。

後續我再把調整過的分享，2勝/7戰…….哈 準準準7.0還不準。