我已經實際理解到：問題在於太多理論、但真正去做的卻很少。

當我開始打造這套新的交易基礎設施時，我一開始就把重點放在：儘快把我能做到的最基本版本投入生產環境。
一開始它是一個簡單的多/空方向性模型，到了今天就已經不是那樣了。
但直到現在，我才開始反向回顧那些問題——很多想成為交易員的人（很多在量化論壇上）一開始就想要去解決的問題。

例如，這週我的重點是降低換手/周轉（churn/turnover）。
這可能應該在把模型投入生產之前就先好好優化，對吧？
嗯，我嘗試了很多不同的做法，但沒有任何一種能比得上我現在正在做的最簡單的那種方法，產生更好的結果。

所以我就想更「宅」一點，重新思考整個方法：把它變成預測（forecast），而不只是純粹的訊號權重。
想法是：與其只假設「某個 X 訊號 + 一個閾值」就足以讓這段倉位產生足夠的經濟價值、從而支撐換倉（churn），如果我們改成——給出一個數字：一個預測，預估我期望從這段曝險中獲得的報酬，那會怎樣？

這個數字來自我在訊號層（signal layer）所做的工作。
我以前從來沒有把這兩者連起來；像我說的，我只是讓最簡單的東西先跑起來。

好吧，結果發現：這些預測用來量化訊號，其實是一種低效率的方式。
例如下面這張圖，是我交易的一個模型的回測（BACKTESTED）表現。
為了做這件事，我只是在跑預測模型，並且在進場/出場時，根據我們先前的工作把預測值套到原始回測上。

第 2 個面板（panel 2）顯示的是：由預測決定的 EV 下所實現的報酬分布。
我們賺最多的一個區間（bin）是 EV < 0 的時候——這顯然完全說不通。

第 3 個面板（panel 3），則是根據預測所做的出場。
例如：如果在預測告訴我們應該要繼續持有的時候我們沒有出場，本來大約會少虧 -1.6k。
或者當預測說我們沒有優勢、因此如果我們出場了，那在當下那段時間就會錯過 $4k profit。

這大概是我自己在建立預測時的問題，但重點不在這裡。
我認為我所尊敬的那些量化交易員會用某種預測來交易，所以這不是某個特定方法的問題，因為如果他們也在用，那就代表「這個東西確實存在」。

我想表達的是：如果我當初從這裡開始，我現在手上正在跑的最簡單版本，結果可能會非常不理想；或者我會花很多時間在原地打轉、試圖修好這個東西，而不是把我現在正在交易的任何東西先變現；又或者我會跳過我表現最好的一筆交易，因為我以為它不如我要求的那麼好。

是那種「今天就要賺錢」的做法。
先從最簡單的開始，然後一路往回推——因為真實世界裡的資訊就已經在那裡了。

但現在既然我已經能夠把成果相當不錯地變現了，我就可以去做更宅、更有意思的事情——像這種——而不需要一直在腦中擔心機會成本。