传统步骤：
人工设计因子（市盈率PE、每股收益ESP，每股净资产BVPS，市净率PB，每股净利润NPR）等等
打分法：根据因子直接加权计算的得分，回归法：类似机器学习
选股：根据得分高低选择股票
回测：在历史数据上计算上述选股的超额收益（超越大盘指数的收益，称为alpha，对应的大盘收益称为beta）
上述前三个步骤合起来是一个策略。
AI量化步骤：
人工挑选、设计大量因子，或者选用因子库alpha158、alpha360等
搭建模型，例如LGBT，MLP
构建数据集，包含一段时间的所有股票的上述因子作为X，收益率等作为Y，按照时间划分成训练集、验证集、测试集
在训练集和验证集上训练模型（实际可视为对传统因子权重的自动学习）
利用训练好的模型输出作为打分，用于选股
回测：在历史数据（之前划分的测试集）上计算上述选股的超额收益
上述前五个步骤合起来是一个策略。