吾日三省吾身
不能不调研，也不能只听用户的，要抽离出背后的真实的需求，动机。
这是一个好的产品经理，最难的地方。
提供解决方案，就是利用“信息差”，提供一种“确定性”。
投资是一个好度不确定的东西，是一个概率主导的世界。
很多同学仍然在纠结回测的结果是年化65%，还是31%？股神的记录的20%。
投资盈利是一个系统工程。
我们来假设一个场景，如果你进入一个赌场，有两台机器A和B，每台机器每次下注成本一样，都是10块/次。
现在明确告诉你，你投注A，赢的可能性达6成，而B是4成。你会在哪台机器下注。
你可能说那还用选，当然是A啊。
这就好比两位同学，A投资能力比B强，判断事情比B准，你确定A一定比B能获利吗？
未必。
我再告诉你，A盈一次赢15块，B赢一次赢30块。
你再算算看，赌10次，A获利6*15=90，收益率-10%；而B获取4*30=120，收益率20%。
发现没有，大家所说的指标、因子，都是为了“预测”准确，也就是胜率。要知道，在投资领域，胜率过50%就很厉害了，很多人大神胜率可能也才30-40%，而且要提升几个点，非常难。
而赔率，则是我们的系统决定的。
有一个魔术师，每次用抛硬币的方式，来判断市场的方向，然后下注。但盈利很稳定。
这是为什么？他不是魔术师，他是概率大师！
抛硬币的结果是随机，预期胜率就是50%。这不重要。
他的系统，在盈利的时候，可以盈得多，而亏损则很小（止损）。
这个仓位管理与资金分配是很适合且应该程序化执行的。
很多人都忽略了这一点，所有的努力，都在为提升那一点胜率。而且在金融如此低信噪比的环境下，常常出现，折腾半天，还不如两条均线的结果。风险平价一顿操作猛如虎，结果和等权分配差不多，甚至不如等权分配。
在管理算法团队的时候，我常常与团队的同学讲，大家更愿意去折腾算法、模型上的提升，F1值从84.3提升到84.5就很厉害。但标准的数据集质量如何提升一些，F1值也许很多就从85提升至90。
这是努力的边际效用不同。
我折腾过一段时间的机器学习、深度学习、强化学习，试图建立高维的预测模型，然而，如果真如此容易建立壁垒，那世界上最富有的人，一定在硅谷而不是华尔街，在中关村，而不是国贸。
因此，我们努力的方向，应该是针对投资标的的特征，建立起正概率的交易系统，能够稳定盈利，提升一种确定性。
——或者这么说，这样一种确定性：
反脆弱的交易系统 ，下保底，上不封顶。黑天鹅事件发生，你能够独善期身，而机会来临时，你可以跟得上，甚至可以跨越阶层。
发布者：股市刺客，转载请注明出处：https://www.95sca.cn/archives/103823
站内所有文章皆来自网络转载或读者投稿，请勿用于商业用途。如有侵权、不妥之处，请联系站长并出示版权证明以便删除。敬请谅解！
