我们真正应该做的是低风险的策略

我在很多场合希望给大家传输一个观念，高收益策略要么承担了较高的风险，要么牺牲了资金规模，它不可能成为市场管理的主导策略，我们真正应该做的是低风险的策略。

  我们看策略的第二个问题，我们真正想追求的，我看到太多各种各样的比赛都是按照收益率排名。实际上我们真正要追求的是绝对收益，一个亿赚10%是一千万，真正对我们资产管理起决定性影响的是绝对收益，最终是本金的扩张。我们怎么判断本金最大扩大的程度呢？实际上涉及到最重要的指标，我认为最重要的指标是策略的最大回撤，我们深入的看一下这个问题。

　　我们假定有一个策略，我们构建一个结构化产品，我们把总规模放大了。如果我们获得收益，如果说PR是客户资金收益，我们最终会算出来一个值。杠杆和总收益等于是R加上后面的值，我们发现它跟你最大回撤是倒数相关。如果你是一个趋势性的策略，银行能给你配1：2，如果是阿尔法策略可以配1：5，如果你愿意做更加低风险纯套利策略，你的杠杆可以放的更大。

　　假定有两个策略A和B，A的期望收益15%，B的期望收益30%，我们可以算出策略A和B的理论最大杠杆，一个是72%，一个是54%。虽然A的收益率比较低，它能够放更大的杠杆，因此最大回撤越小，其实杠杆收益是越大的，因可以用客户的钱赚钱，银行的准备金20%，它有五倍的财务杠杆，保险大概是三倍的财务杠杆，券商不能用自己的钱融资做。而期货公司连自营都不允许做，因为风险太大了，以至于你不能够用客户的钱做，所以真正赚钱其实是靠杠杆的。我告诉大家一定要做低风险策略，如果你发了产品是阿尔法套利，银行给你配两三亿，你的规模做不大，收益再提高有什么意义呢？绝对收益终究是变小的。

应追求低风险低收益高杠杆策略

随着沪深交易所对34个具有程序化交易特征的账户采取限制交易措施，程序化交易这一颇具神秘感的交易推到了风口浪尖。

什么是程序化交易？在我的《量化投资-策略与技术》一书中，曾经这样定义过量化投资：量化投资就是以数据模型为核心，以程序化交易为手段，以追求绝对收益为目标的一种投资方法。

从广义来说，程序化交易就是量化投资；但从狭义来说，程序化交易就是一个交易手段。

就国内而言，目前对于程序化交易的定义基本取广义定义，即量化交易。其中量化交易又可以分为三大类：对冲套利类、投机类和高频类。而我们也可以看出，本次被沪深交易所限制交易的账号大多量化交易业务为对冲套利类。

程序化交易不等于恶意做空

是程序化交易造就的市场波动吗？答案并非如此，举个例子，罪犯用枪杀人了，是人的问题，还是枪的问题？

上半年沪指暴涨，归根结底仍在于杠杆牛。在杠杆资金的推动下，各种利好叠加，贪婪的投资者蜂拥而入，从而造就A股疯狂。有因有果，因此下半年A股下跌则主要因为简单粗暴的去杠杆后，各路资金恐慌性撤出。

从体量来看，程序化交易行为也并不足以造就A股波动。目前被限制交易的账号中，不少是收益非常稳定的机构投资者，无论牛熊，业绩都很稳健。同时，被限制交易的几个账号加起来不过几十亿的体量，与掌握几万亿的国家队相比，不可同日而语。

此外，程序化交易也不能一刀切的归结为恶意做空。目前来看，只有那种频繁撤单、有意扰动市场的程序化，才能看成是恶意的，而其他的无论是投机，还是套利，都是正常的交易行为而已。

举个简单的例子。就像一批人进山打猎，有人用了猎枪，有人用了菜刀。结果那些用菜刀的人，没有打到猎物，还给猎物咬伤了，回来讨伐那个有猎枪的：“你是恶意打猎”，不觉得很可笑吗？

去散户化的市场需要程序化交易

尽管此次引发投资者对程序化交易的热议，但从未来发展来看，程序化交易几乎不可能从根本上禁止。

此前， 一百多年前，慈禧太后严禁照相机：“这个妖孽的东西，照一次掉一次魂，还不给本宫禁了”，但结果大家有目共睹。

因此，从底层技术来说，除非交易所回复到100年前的人工坐席方式，只要还允许软件报单，就无法从根本上禁掉程序化交易。

同时，目前程序化交易被限制交易的一大根本原因，恐怕还是中国市场散户居多。程序化交易和普通散户的交易相比，就是机关枪对大刀。因为中国的散户太多了，水平太落后了，面对先进的量化投资手段，完全没有阻挡能力。

从这个角度上来看，监管层试图通过禁止程序化的方法，来保护落后生产力，就像十年前的传统商业，试图阻挡电子商务一样。

未来随着资本市场的发展，去散户化是必然要面对的问题。国际金融市场的历史表明，散户被机构消灭是历史必然的进程。

以海外市场的经验来看，实际上养老基金、主权基金、捐赠基金等大机构，都是对冲基金的主力客户，而做量化对冲的机构，才是真正市场的稳定器，才是真正的成熟机构投资人。

此外，量化交易也有利于市场有效性提高。海外因为散户已经逐步被逐出市场，更多的机构用量化投资，用对冲市场冲击的方法，它的整个市场有效性会提高，它的整个市场会变得成熟，而量化投资人就是试图找到市场的缺陷和漏洞赚钱，最终也会促进整个市场更加健康有序的发展。

当然，就目前情形来看，中国的程序化交易监管依然有待提升。最可行的方法，是将量化投资与程序化交易，采用备案制的方法，纳入监管，并且及时与量化投资的机构保持沟通，以保证市场的稳定运行。

回顾光大乌龙指事件

  今天有朋友问我量化交易占比过大是否会再次触发程序化交易进而产生乌龙指？我找到了当年事件发生后的评述，给大家回顾和参考。

事件回顾：2013年8月16日11点05分上证指数出现大幅拉升大盘一分钟内涨超5%。最高涨幅5.62%，指数最高报2198.85点，盘中逼近2200点。11点44分上交所称系统运行正常。下午2点，光大证券公告称策略投资部门自营业务在使用其独立的套利系统时出现问题。有媒体将此次事件称为“光大证券乌龙指事件”。

8.16光大乌龙指事件，对中国A股市场带来的影响是深远的，这里笔者并不想探讨光大证券的法律合规问题，只是从学术角度对该事件做一个策略方面的解读，就下面几个问题进行探讨。

1.  为什么区区数十亿对市场造成如此巨大的影响？

中国A股市场日均成交量2000亿左右，但是8.16光大证券的乌龙交易的资金只有70亿成交量，但是却造成了大盘指数超过5%的涨幅，这是为什么呢？笔者认为这主要是由于光大证券的乌龙订单触发了大量量化交易订单。

  巨单追踪策略  

这种策略的基本原理是：市场上存在一种大机构资金，他们会获得优先的信息，因此追踪他们的订单就可以获得稳定的盈利。

所以当光大乌龙指的巨量订单进入交易所后，巨单追踪策略资金第一时间就追踪到了这些订单的信息（一般也就1-2秒钟延迟），然后迅速的发出自己的订单，跟随在光大乌龙指订单之后，从而助推了指数的急速飙升。这是第一批跟随的资金。

区间突破策略 这种策略的原理是：当指数突破了某个区间之后，就可能是一波趋势行情的到来，从而可以在突破区间点后追进，从而获得趋势性的收益。

所以当光大乌龙指订单和巨单跟随策略的订单将指数拉高突破了某个区间后，第二批跟随的资金进场（大概延时3-5分钟），从而再次推高指数。

止损盘  

第三批入场的资金是止损盘，由于大盘指数飙升太快，以至于很多产品的空头头寸（主要是股指期货）一下子就给打入止损线，它们的被迫止损再次拉高了股指期货，从而继续拉动大盘指数的飙升。 用一个形象的比喻就是：一群羊在草原上安静的吃草，忽然一头羊发了疯似的跑起来，其他的羊不知道怎么回事，以为狼来了，赶紧先跟着跑再说。跑了一会发现，原来狼没有来，跑错了，于是又回来了

2.这个是一种新的盈利模式吗？  

其实在海外市场，这种策略模式是蛮普遍的，高频交易和趋势跟随是各大对冲基金，CTA基金很常用的交易策略。 前面所说的巨单追踪策略就是高频交易的一种，除了这个策略之外，其他的还有猎物追踪，自动做市商等。在这个方面有突出表现的是文艺复兴科技公司，也就是大家公认的量化投资鼻祖：西蒙斯教授，他的大奖章基金，连续20年每年获得35%以上的净回报，远远超过了巴菲特和索罗斯，书写了华尔街对冲基金的一个神话。  

趋势追踪策略除了区间突破之外，还有均线突破，指标突破等多种形式。这个在CTA基金中的用处特别多，例如全球最大的CTA基金：WINTON，主要就是以趋势跟随为主，该公司目前管理规模超过了200亿美金，公司有120多位数学家、物理学家和计算机科学家。去年WINTON联合国内的信托公司发行了几期产品，获得了超过20%以上的收益率，业内反响很大。从今年开始各大期货公司的CTA研究都是如火如荼开展起来了，其中有不少期货公司的CTA产品收益率都非常稳定。  

所以，趋势跟随和高频交易其实是海外市场已经相当普遍的盈利策略，只是国内目前才刚刚开始，大家对此不熟悉而已。这些量化投资的策略，需要数据和IT系统的巨量投入，一般也只有顶尖的券商和基金公司玩得起。 从公开的信息看，光大证券的策略交易部是自行开发了他们的策略交易系统，当然该系统还不够成熟，所以有了一些BUG，从而造成了对市场的巨大冲击。但是可以肯定的是，这种策略交易的方式，是海外的先进经验在中国的尝试性应用，虽然尚有些不足之处，但是未来肯定会有越来越多的机构投资者投入到到这种先进的交易技术中去。 就好比：国内的大多数投资者还是大刀长矛时代，光大证券打造了一挺机关枪，但是不小心擦枪走火，误伤了群众。

3.为什么光大证券的量化投资系统会出错？ 光大证券这次出错的是订单执行系统，从目前的公开信息分析，有可能是交易线路的故障，造成了系统的误判。因为一直没有得到订单返回信息，所以该策略系统不断的发出订单，一下子推向市场，从而带来了巨大的影响。

从理论上说，没有一种方法可以保证订单执行系统百分百可靠，因此需要一个风控系统做执行前的控制。传统的风控是事前风控，也就是说订单进入交易所之前，必须先进入风控系统，然后才能发出去。但是传统的风控系统速度太慢，尤其是有些机构依然是人工风控，往往延时超过十分钟以上，这个对于高频交易是完全无法接受。  

所以高频交易系统一般都采用内存风控的模式，也就是想风控指标写入计算机内存中，从而可以在毫秒级完成风控，这样就最大限度的提高交易速度。光大证券的高频交易系统，可能这个内存风控系统不够完善，或者某些地方有些程序的BUG，从而未能及时制止订单。这也从另外一个侧面说明了，新技术上线之前还是需要做一些深入的测试，比如各种情景模拟和压力测试。  

现在创新业务的发展太快，以至于券商和基金公司的后台支持能力不能完全跟随，从而造成了不利的影响。笔者认为，这次乌龙指事件，可能是光大证券的新的策略交易系统速度太快，以至于传统的风控模块跟随不上新系统的要求，造成了交易和风控的脱节，带来了对市场不利的影响。 说一个形象的比喻：中国的股市还是乡村的泥泞小路，大多数人都是开着拖拉机慢悠悠的玩，光大证券从海外搞回来一辆保时捷，在还没有完全熟悉性能和磨合好部件的情况下，就急匆匆的开了出去，结果翻车了。  

总而言之，光大证券的乌龙指事件让大家明白了一个道理：未来的投资市场的竞争更多的是交易系统、交易速度的竞争，军备竞赛将在投资中起着非常重要的作用。作为海外市场已经得到大家认可的量化投资，在国内依然是新兴事物，其发展过程充满曲折也是很正常的。笔者认为：我们要从一个客观的、前瞻性的、辩证的眼光来看待这次光大证券乌龙指事件， 对于创新类的业务，要给予更多的宽容和支持，让中国的资本市场更加成熟和稳健。

“量化”和“对冲”是两个概念的结合

“量化对冲”是“量化”和“对冲”两个概念的结合。“量化”指借助统计方法、数学模型来指导投资，其本质是定性投资的数量化实践。“对冲”指通过管理并降低组合系统风险以应对金融市场变化，获取相对稳定的收益。实际中对冲基金往往采用量化投资方法，两者经常交替使用，但量化基金不完全等同于对冲基金。

过去的13年间全球对冲基金市场经历了快速增长、衰退、反弹三个阶段。08年金融危机前，全球对冲基金规模由2000年的3350亿美元上升至1.95万亿美元。受金融危机影响，全球对冲基金规模一度缩减。09年之后，在全球经济复苏背景下对冲基金规模又开始反弹，截至2013年11月底，全球对冲共基金管理着1.99万亿美元的资产。

从目前对冲基金的全球分布来看，北美地区(美国为主)是全球对冲基金市场发展最成熟的地区，且近年来占比有所扩大，截止2013年11月该地区对冲基金规模占据全球的67.5%。其次是欧洲地区，占比达22.2%；接着是亚太地区，占比达7.3%(日本+亚洲非日本)

常见的量化对冲策略包括：股票对冲(Equity Hedge)、事件驱动(Event Driven)、全球宏观(Macro)、相对价值套利(Relative Value)四种，任意一只对冲基金既可采取其中某一策略也可同时采取多种投资策略，目前全球使用占比最高的策略是股票多空策略，占比达32.5%

量化对冲产品有以下几方面特点：1、投资范围广泛，投资策略灵活；2、无论市场上涨还是下跌，均以获取绝对收益为目标；3、更好的风险调整收益，长期中对冲基金在获取稳定收益的同时提供了更好的防御性；4、与主要市场指数相关性低，具备资产配置价值。

我在点掌财经的访谈节目

大家好，很高兴接受点掌财经的“私募汇”访谈，http://v.aniu.tv/daka/play/id/8804/type/2.shtml

节目中我会就私募行业量化及FOF的一些问题谈谈自己的看法。欢迎大家一起探讨！

小白也能理解的“标准差”概念

对于部分非金融专业出身的读者来说可能不太理解这句话代表着什么意思，到底什么是标准差？


　　当我们面对一堆数字的时候，我们可以很简单的找出这组数字的中值，也可以很容易算出平均值。但是只有这两个数字还不够，因为这样无法勾勒出这一堆数字整体的“shape”。此时，标准差的作用就可以体现出来了。


　　标准差是一组数值自平均值分散开来的程度的一种测量观念。一个较大的标准差，代表一组数据里大部分的数值和其平均值之间差异较大；一个较小的标准差，代表这些数值较接近平均值。

两组数的集合 {1, 4, 9, 14} 和 {5, 6, 8, 9} 其平均值都是7，但第二个集合里的数字明显与7距离“更近”，通过公式算出第一个集合的标准差约为4.9，第二个约为1.5。

　　计算流程如下：首先计算出该组数据里每一个数字与平均值的差，然后将所有的得出差进行平方，接下来求出均值，最后再开方。

　　为什么用这么复杂的方法来计算标准差呢，这是因为在实践中，我们发现相当多的数据都呈现近似于“正态分布”，如下图，正态分布的概念在统计学中具有重要意义：

标准正态分布又称为u分布，是以0为均数、以1为标准差的正态分布，正态分布的概率密度函数曲线呈钟形，因此人们又经常称之为钟形曲线。


　　简单的说就是呈现正态分布的一组数据中，靠近中间高点的数字出现的概率要远大于在两侧更远地方出现的概率。

　　在很多情况下统计数据都会呈现正态分布的构造，比如在样本很大、每一个样本又是类似的独立随机事件。例如能力的高低，学生成绩的好坏，人们的社会态度，行为表现以及身高、体重等身体状态都呈现正态分布。

　　理解正态分布对理解标准差具有重要的意义，回到上面那张钟形曲线图，如果说平均值可以告诉我们这条曲线最高点在什么位置，那么标准差就可以告诉我们这条曲线的宽窄程度。

　　反过来正态分布也可以用来解释标准差：在一个标准正态分布中，数字出现的概率是固定的。

　　如下图，约68.3%数值分布在距离平均值有1个标准差之内的范围，约95.4%数值分布在距离平均值有2个标准差之内的范围，以及约99.7%数值分布在距离平均值有3个标准差之内的范围。称为“68-95-99.7法则”或“经验法则”：

　　好的，到这里你应该已经理解了关于标准差的两个重要概念。那么回到金融领域中，标准差经常被用来描述价格的波动性，标准差越大说明其偏离均值程度越大，也越罕见，之后回归常态的可能性也在升高。（记住这句，就可以了）

回到文章开头提到的黄金价格波动率达到6个标准差，这意味着在完美情況下每5亿天的波动中，只有1天有机会出现当前这样极端的情况，几率约等于为0.0000001973%，大约139万年一次（只算交易日则为202万年）！


　　所以路透社分析师John Kemp当时感叹如果价格波动按照正态分布进行，这将是黄金200万年一遇的黑天鹅。

　　这时你应该可以更形象理解这种情况有多罕见了吧。当然，如果前面你全都没看懂，那么只要记住下面这组数字就行了：

　　假设有一组按天采样的正态分布数据，简单的概括：
　　出现等于1个标准差的概率约为3天一次
　　出现等于2个标准差的概率为约22天一次
　　出现等于3个标准差的概率约为370天一次
　　出现等于4个标准差的概率约为43年一次
　　出现等于5个标准差的概率约为4779年一次
　　出现等于6个标准差的概率约为139万年一次
　　出现等于7个标准差的概率约为10亿年一次

如何识别优秀的量化交易策略

量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。

虽然量化交易存在的历史已经有几十年了，但是直到2010年，量化投资才逐渐进入大陆投资者的视野。这两年，采用量化投资模型的产品尤其火（一听名字就高大上啊），一旦跟量化沾上边（不管是真量化还是假量化），很容易受到投资者的追捧。学习和研究量化交易的人越来越多，在与时俱进中，细读了不少相关书籍。我们将结合自己的经验，分3篇来分享《量化交易--如何建立自己的算法交易事业》这本书的精华内容，普及量化投资的相关知识。

这本书不是量化交易技术或术语的百科全书，也不会专门介绍一些特殊的盈利策略，而是一本教你如何自己去寻找盈利策略的书。它会告诉你好的策略的特征是什么、如何识别策略的陷阱、如何通过对一个策略进行优化和回测来确认其是否具有良好的历史业绩以及评估策略的稳定性和可靠性。另外，它还会教你一些风险管理的基础知识，让你更好的长期在市场中生存下来。

这个读书精华总结分三篇，主要涉及的内容是如何寻找或者发现策略，以及如何迅速评估一个策略的优劣。这些方法在股票、商品、外汇等领域都是适用的。

第一篇我们先来看看如何识别优秀的量化交易策略。

科普部分

什么是量化交易？

量化交易也称为算法交易，是严格按照计算机算法程序给出的买卖决策进行的证券交易。

大家容易把量化交易与技术分析混淆，实际上量化交易的内容丰富的多。许多量化交易系统在进行建模和运算的时候会用到基本面数据，比如估值、市值、现金流等，还有的算法将新闻作为变量进行计算。而技术分析基本只需要用到交易标的的量价数据。

定量投资和传统的定性投资本质上来说是相同的，二者都是基于市场非有效或弱有效的理论基础。两者的区别在于定量投资管理是“定性思想的量化应用”，更加强调数据。量化交易具有以下几个方面的特点：

1、纪律性。根据模型的运行结果进行决策，而不是凭感觉。纪律性既可以克制人性中贪婪、恐惧和侥幸心理等弱点，也可以克服认知偏差，且可跟踪。

2、系统性。具体表现为“三多”。一是多层次，包括在大类资产配置、行业选择、精选具体资产三个层次上都有模型；二是多角度，定量投资的核心思想包括宏观周期、市场结构、估值、成长、盈利质量、分析师盈利预测、市场情绪等多个角度；三是多数据，即对海量数据的处理。

3、套利思想。定量投资通过全面、系统性的扫描捕捉错误定价、错误估值带来的机会，从而发现估值洼地，并通过买入低估资产、卖出高估资产而获利。

4、概率取胜。一是定量投资不断从历史数据中挖掘有望重复的规律并加以利用；二是依靠组合资产取胜，而不是单个资产取胜。

哪里可以找到策略思想？

交易策略 字面上看，策略就是计策和谋略，应该是智慧含量很高的一种计划或设计。在交易实践里，用来特指情境中的具体设计比较恰当。 
我们在自己的研究和探讨当中，规定策略要严格使用，不惜缩小其外延和使用范围。包含计策和谋略等交易智慧的、具体的交易计划或设计，我们才称之为交易策略（狭义）。 

交易策略的内容可以包括单独或具体交易的资金相关、机会相关、亏损相关和利润相关的安排和计划，且内容应当具有一定体系特征，具有严谨性、完整性和一定专业水平。

跟大家交流的时候，发现有一个普遍的问题，就是不知道怎样去寻找交易策略的想法。其实这是一个小问题。作者认为，寻找交易理念事实上并不是打造量化交易的最困难的部分，小善对此深表赞同。因为我们可以从网络上非常容易获得优秀的交易思想甚至已经写好的策略及其回测结果。

作者告诉了读者可以从金融投资方面的书籍、报纸杂志、主流媒体网站、学术论文、交易员论坛和博客等地方获得策略。无论是在国内还是国外，作者提供的这些渠道确实是可以找到很好的资料的。除了以上渠道之外，小善还经常通过以下方式学习和获得交易策略：

1、各大券商的研究报告。

根据2012年颁布的《发布证券研究报告执业规范》第十九条规定：证券公司、证券投资咨询机构应当通过公司规定的证券研究报告发布系统平台向发布对象统一发布证券研究报告，以保障发布证券研究报告的公平性。

在证券研究报告发布之前，制作发布证券研究报告的相关人员不得向证券研究报告相关销售服务人员、客户及其他无关人员泄露研究对象覆盖范围的调整、制作与发布研究报告的计划，证券研究报告的发布时间、观点和结论，以及涉及盈利预测、投资评级、目标价格等内容的调整计划。

法规说的比较官方，对投资者而言查阅研究报告有一些具体的指导性作用，各券商、投研机构在官方网站中会有研究报告的发布，包括宏观经济分析、行业研究、上市公司研究报告等等，投资者可以自行查阅。其他查阅渠道还有交易软件中各上市公司的信息、各主要财经网站、各种数据库（例如wind数据库）等。

这是一个非常好的学习资料来源，各大券商会有各种量化策略报告，包括基本面量化、技术指标量化、情绪指标量化等。这些报告中的一部分是以非常严谨的方式做的研究，得出结论的可靠程度是很高的，小善平时喜欢在WIND或者CHOICE金融终端里面打开金融工程这个专栏翻看报告，一些在量化研究里面做的很优秀的如国泰君安、海通这些大券商的报告是非常值得阅读的。

2、量化社区

国内的量化投资火起来后，量化社区发展壮大的速度非常快，目前人气比较高的国内社区有优矿、聚宽、米筐等，这上面汇集了不少矿工分享和讨论量化交易策略，社区还提供免费的回测平台供缺少数据的同学使用。其实国外的量化社区更丰富，如果英文足够好，去Bing或者Google一下就找到了。

有了上面的策略检索和分享来源，我们就可以接触到量化交易领域中绝大多数的策略思想了。

如何认识交易策略

下面这张图是小善从网上搜来的一个策略回测图线。光看图线走势，该策略是远胜于基准的。但它对你来说一定是个好策略吗？恐怕不能仅仅依靠看图来下结论。

我们来看看如何认识交易策略。

什么更宝贵，策略本身还是甄别策略的能力？

书中作者分享了一个有意思的小故事，大意是这样的，当作者在一家位于第五大道、管理着数十亿美元的对冲基金Millennium Partners工作时，亲眼看到一名交易员从他的程序员手中抢过一篇“公开发表”的论文，其实这名程序员只是碰巧从交易员的桌子上拿起来而已，但是那个交易员担心程序员知道他的“秘密”。可见，即便是绝大多数策略思想都是公开的，担心策略思想被他人知晓的也大有人在。

作者看来，那些你认为是秘密的策略多半早已为他人所知。一项策略真正的独有价值和值得保密的地方是你自己的窍门和所进行的变形，而绝不是基础版。对于量化交易研究者而言，真正困难的地方并不是缺乏交易理念，而是缺乏甄别策略的能力。这种甄别能力需要我们判断一项策略是否适合自己的实际情况和交易目标（比方说大基金用的策略要求资金容量大，这可能会以牺牲收益率为代价，但是小资金完全可以用大资金没法使用的更高收益率的策略），需要在花费大量时间进行回测之前就能判断出策略是否可行。

寻找适合自己的策略需要考虑哪些主要因素？

1、交易时间。自己是否有时间进行日间交易？如果没有，可能需要考虑隔夜持仓的交易策略。

2、编程水平。你只会Excel还是可以写Python、Java、C或者C++这些语言？如果只会Excel，可能做的交易策略会比用其他编程语言能做的交易策略简单一些。需要澄清的是：简单的未必是不好的。

3、资金规模。小的资金规模能够交易的股票数量少，同时也会限制对冲策略的规模，这都会影响交易策略的选择。

4、收益目标。你的收益目标需要综合考虑持有期和收益持续性之间的关系。

识别貌似可行的策略及其陷阱

当一个看上去不错的策略呈现在你面前的时候，如何去评价这个策略？这就是本篇文章的重点：识别貌似可行的策略及其陷阱。投资者可以使用这些方法快速评价拟投资产品所使用策略的好坏，量化交易爱好者也可以在进行严格的策略回测之前进行一次省时省力的评估。

1、策略与基准相比收益如何？收益的持续性如何？这个问题主要需要回答策略能否跑赢基准和是否有够高的稳定性。

2、挫跌多深、多久？

用作者的话说，如果一项策略近期正在亏钱，它就正在经历挫跌。时刻t的挫跌被定义为：当前净值（假定期间内未发生任何赎回或注资）与t时刻或之前的净值曲线最大值之差。“最大挫跌”是净值曲线最大值与之后的净值曲线最小值之差。净值的最大值又被称为“高水位线”。“最长挫跌期”是指净值重返亏损前的水平所花费的最长时间。探究这个问题的意义在于搞清楚：在投资组合清盘或策略结束之前，你能承受多深和多久的挫跌？是20%和3个月，还是10%和1个月？用图比较容易理解这个定义：

3、交易成本对策略的影响。

这包括两方面，一方面是因为证券买卖都会发生手续费，交易越频繁，成本对策略的盈利的侵蚀就越多。另外一方面是流动性成本，当你以市场价格买卖证券的时候，需要支付买卖价差。如果你用限价指令买卖证券，确实可以避免流动性成本，但是却要承担机会成本，因为你可能买不到或者卖不出去。

4、数据有无存活偏差？

股票价格的历史数据库往往不包括由于破产、退市、兼并或者收购而消失的股票，因为回测数据库中只有幸存者，所以会存在所谓的存活偏差。使用有存活偏差的数据进行回测是很危险的，因为这样会夸大策略的历史业绩。

5、策略的业绩如何随着时间的变化而变化？

这是一个很重要的问题，因为有很多策略早些年的业绩要远远好于现在，在出色的多年累计业绩之中，早些年或者某些年的贡献特别突出，我们应当对这种非常隐蔽的误导提高警惕，这背后主要有两方面的原因：一方面是数据的存活偏差导致，回测回溯的越早，消失的股票也越多，偏差就越大。另外一方面是金融市场随着制度变化或者交易者的构成的变化会在底层生态上面存在“状态转换”，因此可能出现在之前某段时间内该策略表现特别好但是后来表现平平的情况。考虑到这两方面的原因，我们应当重点关注某个策略近几年的表现。

6、策略是否存在数据迁就偏差？

数据迁就偏差的本质是通过对参数进行过度的优化，令策略历史业绩看上去非常棒，这会产生什么问题呢？数据迁就偏差的本质是经过过度优化之后呈现的数据模式已经远远偏离真实世界，使得模型与过去发生但是未来不会再重现的任何偶然历史事件吻合，其结果就是该策略的未来业绩与回测结果截然不同。一般而言，策略的规则越多，模型的参数越多，就越有可能发生数据迁就偏差。用通俗的话说，如果用一个集所有你喜欢的女星之优点的美女作为模板去找老婆，能找到才怪。

最重要的一点：深刻认识盈亏同源

说了这么多，小善觉得无论对于投资者还是交易者而言，以上对量化交易策略优劣的快速评价方法应该都是很有启发的。但是小善在这里还想特别强调一个事情，即天下没有完美的策略，就如同天下没有完美的老婆一样。如果一个策略是整体来看是赚钱的并且你打算使用，你就要忍受他的缺点，如果你无法忍受缺点，那你就不要用这个策略，或者不要买使用这个策略的产品，因为盈亏同源。

任何一个策略，都无法做到百分之百盈利，亏损是策略的一个不可分割的部分。用更为通俗的话来说，你的盈利和你的亏损的本源是一致的，这同样的本源带来了收益也同时带来了亏损，如果你试图躲开亏损，那你必然也同时躲开了盈利。只有正确深刻地认识到这一点，你才有可能以正确的态度面对策略中的亏损、正确的评估最大挫跌和最长挫跌自己是否可以忍受，只有正确地认识了亏损，你才有可能稳定和持续地盈利。

Master完爆人类围棋高手——人工智能时代来临

关注焦点：人工智能Master在棋场所向披靡   

   上个月29日晚，内地围棋对弈网站弈城网出现一个新用户Master，向各路高手挑战。Master从名气较小的棋手开始，接连战胜5名四至六段的棋手，次日再接再厉，两次击败世界排名第一的九段棋手柯洁。直到1月3日，Master已击败包括柯洁、古力、陈耀烨、芈昱廷、唐韦星、韩国排名第一的朴廷桓、日本第一的井山裕太等顶级高手。

    落败的世界冠军古力，在微博悬赏10万元奖金奖励第一个战胜Master的棋手，但至今还没有人能够拿走这笔悬赏。4日，Master继续在网上挑战，在与陈耀烨的比赛中，由于陈断线时间太久而被系统判和棋，Master连胜纪录也因此被尴尬终结。下午，64岁的中国棋圣聂卫平迎战Master，但仍然阻止不了Master的第54胜，双方战到第254手，执白的聂卫平以7目半较大劣势落败。

    赛后Master用繁体字在屏幕上留言“谢谢聂老师”，聂卫平则称输的有点可惜，“Master确实非常厉害，但对人类高手百战百胜有点夸张，我看有些它的对手就是被它吓死的，仅百余手就崩溃，已经不能用技术原因来评判了”。

    据香港《明报》1月5日报道， Google属下的AlphaGo团队正式声明，Master是其最新测试版本。从去年的Alpha Go到Master，人类棋手接连被AI棋手击败，这无疑标准着人工智能时代的来临。

    什么是人工智能Alpha Go、Master？

    Alpha Go，昵称“阿尔法狗”，其所用到的是人工智能技术。我的博士学位课题就是人工智能，现在的人工智能技术，能够在围棋领域中有如此大的应用，比我当年要强得太多。此外，我自己也是一个围棋爱好者，所以在整个这个阿尔法狗这五局中，我一直都在跟踪棋谱，它所表现出来的强大的计算能力和大局观。确实让很多围棋爱好者，都感到非常吃惊。

    在阿尔法狗里面用到一些深度学习的技术，以及它为什么在围棋中，有如此大的轰动效应，包括它未来的一些主要的应用是什么？

    在阿尔法狗之前有一个著名的下棋软件，叫做“深蓝”。“深蓝”赢了国际象棋之后在围棋领域中，依然没有什么突出表现，直到过了二十年之后，那么谷歌利用深度学习技术，解决了这个问题。阿尔法狗所表现出来的强大的大局能力，和它的中盘的攻杀能力，真的是绝大多数的职业选手所不能比拟的。很多职业选手，在评判的时候，一开始都说这个阿尔法狗落后了，但是不知不觉走到中局之后，阿尔法狗它就赢了。它下“错”了很多棋，而这些棋让职业选手无法理解，而下了几十步之后，大家突然发现，哎呀，原来这一手棋，在几十步之前就下得如此之精妙，可以说阿尔法狗在整个大局观的判断上，已经超越了人类。

    围棋专业人士认为，直觉是人类最强的地方，比机器强，而这一次毫无疑问，阿尔法狗通过它的深度学习技术，它在大局观方面，反而战争了人类。

深度学习我们来看这张图，这张图叫做“人工神经网络”。普通的计算机叫做冯·诺依曼机，输入然后全部放到存储器里去，由存储器交给中央处理器处理，处理出结果后，再通过输入输出设备传到外面。这是一个串行的工作流程，但是串行的工作流程，就意味着计算能力永远不可能得到无限发展。所以冯诺依曼机遇到大型计算之后，就表现出计算能力的弱点。

    当通过人工神经网络后，相当于可以用几十亿台计算机，组建成一个人类大脑。其原理跟人来大脑的原理一样，当有信号输入之后，大脑通过神经元跟神经元之间的连接，通过改变它连接的强度来存储知识的。人工神经网络用到的原理也是一样，只不过它是由几万台，甚至几十万台小的计算机所构成的。

    什么是人工智能崛起的原因？

    人工神经网络，实际上已经问世八十多年了，但是为什么只到最近这五年才突然火了起来呢？

    有两个原因。

    第一个叫大数据。在二十年前没有互联网大量收集数据情况下，深不学习没有足够的样本的。现在当有了大量数据后，就有大量知识可以传授给它，就很容易学习。阿尔法狗学了几十万盘，每天晚上还自己要跟自己学，它仅仅八个月的时间，就从对围棋一窃不通，而成为世界顶尖的高手，这就是因为有大量的棋盘，有大量的历史上棋谱交给它去学习。现在的Master属于在线版，全世界的围棋爱好者与它对弈，那其能够学习到的更为强大。

    第二个就是，目前的计算能力有极大的提高。人工智能对计算的要求能力太高了，在刚诞生的时候，很多人用它来做机器翻译，做文本分析，做语言处理，但是当时的效果差强人意我十几年前做博士课题的时候，那时候人工智能的效果很差，那时候还是486，用很普通的小计算机去做，当然很难实现。但是最近五年，计算机的能力，和它的系统的可靠性，获得了极大的提高，现在都已经到了云计算时代，一万台机器不够，用五万台、五十万台去计算，这么强大的计算能力，这是一般的人类所不能比拟的。

    所以这就是深度学习，它之所以能够成功的两大原因。其真正的原理就是仿造人的大脑，并且有更强大的计算能力。通过这个案例就会发现，深度学习就是用计算机做成人类的大脑。传统计算机再强，只是一个小神经元。但几十万台计算机并在一起，可以变成一个人类大脑，而大脑的数量，还在不断提升，这就是深度学习技术，这也是阿尔法狗、Master的原理。就算这个这次李世石、聂卫平没有输，只要进一步增加计算能力，迟早有一天一定会超过人类，因为它的计算能力在不断地提升。

    人工智能的投资应用

    第一个是投资概率。其实投资领域很早就在用人工智能去做这样的事情，这就是量化投资。阿尔法狗、Master可以从大量的棋盘中，学习围棋，能够精确地判断出每一手棋的价值，以及它成功的概率。那想象一下，是不是可以把它用来选择股票呢？有几千只股票，全世界有几十万只股票，在几十万只股票中是不是能够算出概率，找出其中更加有优势的那些，更有可能会涨的那些股票呢？或者说更有可能跑赢大盘的股票呢？这个简单的概率问题是深度学习的优势。

    第二个是降低投资成本。在做交易下单时，如果有一个股票涨停，很多传统股民可能就直接就打板。但还有一种方法，把它拆成很多块，通过一种方式来预测，下午的价格可能比上午更好更低一点。可以下午多买一点，上午少买一点，可以降低交易成本。这叫做算法交易，该技术已经非常成熟。

    第三是对大盘涨跌判断。很多人看到图像，会觉得大盘好像该涨了，底部方向该涨了，或者顶部红三兵、三只乌鸦的图像，这其实是一种模式识别，与棋盘中的大局判断，原理一样。阿尔法狗既然能够判断出大局，它毫无疑问也判断出这样的一个股市，或者金融市场的大局。

    从原理上来说，深度学习技术用于金融投资，就是量化投资，在国外已经发展了十几年了，而在中国目前最近的几年也刚刚起步。事实上，国际大型金融机构，比如桥水基金、摩根士丹利、高盛等等大机构，都在大量招聘有人工智能背景的专业人士，加入他们的金融分析团队。

    人类从工业革命开始，到阿尔法狗之前的两百多年，人类的所有科技进步，是以提升人的四肢的力量为目标。我们发明的汽车取代了人的腿，发明的飞机取代鸟的翅膀，让我们可以在空中飞。发明的冰箱、洗衣机都取代手帮我们干活，这都是体力上一个提升。对于人的智力的提升，在阿尔法狗之前非常少，但仅仅是取代人类体力的科技进步，就带来了社会如此巨大的变化。如果说过去的两百年，是以提升人的体力为目标，在未来可能就是以提升人的智力为目标了，这次阿尔法狗和Master，足以说明人工智能已经走上历史舞台。

    人工智能和其他成果结合

    那么人工智能和之前人类成果的结合路径有哪些？

    一是人工智能与机械相结合，其成果是机器人。

    我之前的节目，有讲过谷歌的机器人，你把它放倒了，它能够自动起来，谷歌的机器狗，被踢一脚都不会倒，其中用到的就是人工智能技术，因为要对周围的这个环境做判断，然后进行精确计算，指挥机械臂膀，到底向前还是向后，还是向左向右，那么这个需要用的是强大的计算能力，虽然看上去是机器的一个动作，其实它里面背后，是机器的大脑在起作用，实际上就像人类，倒地之后，最终怎么能够爬起来，是大脑发布指令，让我们手和脚做相应的反应，这是人工智能跟机械相结合。

    二是人工智能和汽车相结合，就是无人驾驶。谷歌一直再说无人驾驶，我在前面节目中也专门讲过一期关于新一代汽车，未来无人驾驶，在路上什么时候刹车、转弯、停靠、判断标志、判断安全距离等等，这些也都需要用到人工技术，这是第二。

    三是，人工智能和语言相结合，现在流行的就是微软小冰。我曾在之前的节目专门讲过微软小冰，系微软研究院所开发的聊天机器人，能够跟你说话，陪你聊天，给你讲故事，给你报天气预报等等，用到也是人工智能技术。小冰也是从历史上，几千万个网友中，所出说出的话提炼出来，然后通过一种算法，然后反馈给用户。如果和语音相结合就是语音识别技术，比如大家经常使用的微信，用一个科大讯飞的云输入法，说出的话能够自动转化成文字，而转换的准确率有95%以上，用的也是深度学习技术。

    通过这些案例，我们会发现，人工智能实际上在近五年中，有了很大的应用，包括现在的苹果、支付宝，都提出要刷脸支付，或者刷手支付，刷指纹支付，其核心技术都是人工智能技术，也就是深度学习的算法。

    人工智能深度应用

    那么未来人工智能，还有哪些更大的应用呢？

    第一个是医疗这个领域。谷歌表示，阿尔法狗既然可以早八个月的时间，从对围棋一无所知，而成长为一个顶尖的围棋高手，那么它是不是也可以从一无所知，成长为一个高明的医生呢？从技术上讲完全没有问题，其实在医学界早就有了类似应用，叫专家系统。当时只能够给医生做一些辅助的决策，过去十几年也没有得到太广泛的应用，主要就是因为学习能力太弱了，但以阿尔法狗这样强大的学习能力，并且普以大量的案例，或许没多久就能够成长为一个全世界最高明的医生，它什么都懂，各种各样疑难杂症，它都明白，技术上可以做到。

    这个技术的实现，毫无疑问能真正改变人类。目前的看病难、看病贵问题，是因为医疗资源稀缺，而需求巨大，供需之间缺口很大，让人人都能够享受很低价、高效的医疗，不太可能。如果将来有一个阿尔法医生，从技术上完全能够做到。想象一下，五年后我们每个人身上会带一个手表，比如苹果或华为的智能手表，这个手表更多的是对生理的行为，各种各样的指标进行监控，而它直接连入类似于像阿尔法医生这样的中央系统。假如说我不舒服了，我直接通过语音控制，对手表说有点不舒服，帮我咨询一下。系统就直接会把身上的各种指标，如血压体温等传到中央服务器去，然后系统迅速返回。反馈说可能是感冒了，现在在自拍一张，然后就用手表，然后对应脸部，或者舌头，什么地方跟一下指引自拍一张，把它传过去之后，系统那边可能就给我更进一步的诊断结果，就是说你的情况95%可能是普通的感冒，那么你现在只要吃一粒康泰克就可以，那么出门往右拐50米就是一家药房。

    随着人工智能的发展，我们看到的就是这样的场景。在这种情况下90%的病，不需要去大医院看病。将来宝贵的医疗资源，将用在一些疑难杂症上，真正需要高级服务的疾病才去医院，普通的疾病，可以通过计算机看病。这可能是解决看病难、看病贵的一个重要技术方法。

    事实上，人类的很多社会问题，最终都通过科技进步解决。一百多年前，纽约曾经举办过一次听证会，讨论怎么解决马车污染的问题。最后这个问题怎么解决呢？是靠汽车，因为发明了汽车取代了马车。将来怎么解决雾霾的问题，一定是新能源汽车，以新技术的革命取代旧技术。五年、十年之前，春运是个老大难问题，但现在春运问题已经明显缓解了。可能再过五年之后，随着高铁的升级和普及，春运都不是难题。很多社会问题，是靠科技进步来解决的。所以看病难、看病贵，很可能最终是通过人工智能技术来解决这个问题，我认为这也是人工智能最值欢欣鼓舞的一个应用。

第二块是科学中的应用。这次阿尔法狗体现出强大的学习能力，学习结果产生了很多的下法，而这些下法，职业棋手都看不懂，并且到最后才发现，它的下法确实高明，也就是说它通过传统的知识，自己学习出了更加高级的知识，它并不仅仅是将传统知识的一个复制，而是升级了。

    那么有没有可能，把人工智能技术，用于科学计算呢？比如说物理学，把大量的物理学定律输进去之后，它有没有可能自己开发出，升级出自己新的物理学定律呢？对吧？三百年前牛顿，牛顿的物理学，《天体力学》改变了我们人类，一百多年爱因斯坦的这个《相对论》，又将牛顿力学大大提前了，但是爱因斯坦到死都没有能够解决统一场论的问题，那说不定到时候弄个阿尔法物理，它就可以解决呢？从理论上讲，好像不是没有这样的可能性，所以我也非常期待，这个人工智能在这个领域中，有更加广泛的应用。

    第三个应用，可能不是那么美好，就是军事应用。传统的军事的指挥，靠人脑指挥，中间有太多的不确定性因素。战争中，指挥大军往里冲，很可能就把很多士兵都会牺牲。但通过阿尔法狗，来对整个棋盘，整个战局上做推演，可以精确地指挥，甚至指挥到每一个士兵，某个士兵向左爬五步，某个士兵向前冲四步，指挥到这种细节，是人类所不可比拟的，特别是谷歌机器人，可以像人一样奔跑之后，非常恐怖，如果在这种机器人身上装上机枪，装上机器的话，它完全可以组建成无敌的军队，这样的军队在阿尔法狗的这个指挥之下的话，可能一天之内，就造出上百万这个军队，没有一个国家可以抵抗这样的军队，当然我不希望看到这一天了。

    这次阿尔法狗、Master的这个结果，应该说大大出乎人类的意料，可能真的是人工智能的爆发呈增长时代已经到来了。

 我们来看一张图，可能很多人在朋友圈都看过就是说这个图，我们人类的文明，可能正处在这样一个节点，可能正处于一个文明的指数性的一个增长时代，其实过去四十年，特别是中国人的生活，已经发生了翻天覆地的变化，改变生活的绝大多数的东西，都是过去四十年才有的。一百年前的清朝末年的人，生活跟两千年前秦朝的人，其实没有什么区别。但是我们跟四十年前的区分，就如此之巨大，说明我们人类的文明，正在一个加速发展过程中，那么当这个阿尔法狗，代表的人工智能高度增长之后，可能我们会迎来另外一个高速成长的文明。

    看到人工智能的进步，我也非常兴奋，因为这是我的专业。阿尔法狗的原理，它是深度学习，它相当于用计算机构建了一个人的大脑。那么将来这个大脑会变得越来越强大，它可能会成为地球大脑，就像百度大佬计划中所说的，它就是整个人类的大脑，它可以帮我们做各种各样有关脑力才能做的事情，我们将会从一些普通的、繁重的脑力劳动中解脱出来，那么人类文明，也会得到一个更大的一个发展，那么人工智能，让我们人类变得更加美好。

丁鹏：靠谱的FOF在哪里？

    忽然想到写这篇文章，是因为有一次在一个微信群里和一些私募大佬聊起最近火的不行的FOF。很多本来做渠道的，研究的、媒体的，甚至有的是做个自媒体公众号的，也开始高举FOF的大旗，摇身一变，都成革命党了，从此白花花的银子抬进去，吴妈领回家，过上天堂般的日子了，搞的好像FOF就像卖白菜那样就简单似的。如果说一年前很多私募大佬对FOF机构是敞开欢迎的话，现在很多则是顾虑重重，为何？因为不靠谱的太多了啊。

    笔者自从奔私以来，也是敞开接受FOF前来尽调，但是很快就发现，绝大多数FOF都不靠谱，特别是那种尽调材料很复杂的FOF，基本就没有见到过他们的钱。问了很多私募朋友后，他们也说没有见到过。后来我也就想明白了，他们其实本来就没钱。。真有钱的机构，早就急着投出去，哪里会整天没事干的搞这么复杂的尽调，还各种开会，黄花菜都凉了。根据我这一年和各种FOF机构打交道的经验来看，国内的FOF 有这么几种：

    （1）旅游型FOF

    这种FOF基本上都是一些券商的多，拿着公司的钱乘机到处旅游，平时要出个差啥的，肯定领导不让去，做了FOF，必须全国各地尽调啊，乘机旅游了呗。所以我经常看到他们在朋友圈晒，晒机票，晒机场，晒出租，还会痛心疾首：“这个北京的雾霾啊，愈发厉害了啊”，搞的好像为了工作牺牲一切架势似的，切，谁让你非要去北京的？

    （2）资料型FOF

    这种是期货公司的多，券商好歹还有经费出去旅游，期货公司就苦逼了，这个经费都没有的，就只能收集资料了。而且经常搞的特别着急：“丁总，明天就要上会了，今晚一定要给我啊”，于是我就让产品人员加班搞出来，然后，就再也没有然后了。。。。过几天问他，上会的结果如何啊？来一句：等领导安排！其实我知道，他们也就是收集收集资料，表示还在上班中，对得起公司给发的这份工资而已，至于是不是真有资金，天知道！

    （3)吃喝型FOF

    这种就不知道从哪里来的了，反正自称背景很牛，绝对不缺钱。一般急匆匆的赶到我这里，基本都是上午11:00以后了：“不好意思丁总来迟了，刚刚从亚伟那里过来，他今年做的还不错”，要么就是：“刚去了葛老大这里，他今年表现一般，我这几十亿不太敢投啊”。得，大金主啊，再说都中午了，得招待饭局啊。酒足饭饱，兴致很高：“丁总这里的策略我觉得不错，回去给领导汇报一下，先投几个亿看看”。过几天再问，微信都不回了。。。。

    （4)学习型FOF

    这种一般都是从媒体出来的多，因为做媒体有一些粉丝读者，也认识一些私募大佬，于是就喜气洋洋的来做FOF了，但是自己没有做过交易啊，所以就特别好学。有一次来了一个小姑娘，一坐下就打开笔记本，我一边介绍策略，她一边勤奋笔记，我当时内心暗许：“这个小姑娘看来还是比较不错的”，讲了半天，她忽然打断我，用充满求知的眼神看着我：“丁老师，能给我解释一下什么叫阿尔法吗？”我一口老血差点喷出来！你连啥叫阿尔法也不知道，也来做尽调。。。。得，这是来蹭霸王课来了吧，我平时讲课都得上万的学费，这倒好，我给开小灶辅导，还是免费的。。。。

    （5）会议型FOF

    这种往往是一些三方机构多，会议的规格也高的吓人，一看那个邀请函，基本上全中国的顶尖私募都给一网打尽了，资金方出席的嘛，不是银行高管，就是保险大咖，反正大家熟知的上面都有名，就差刘主席了。阵势也大的吓人，动辄全国路演会，这么牛？你咋不路演到全宇宙去呢？邀请函拖到最后，发现一行字：每个参会人员需要交纳会务费XXX，靠，原来在这儿等着我那。这种基本上就办会赚参会费的。这种电话我几乎每周都会接到：“丁总，我们是XXX，最近要办一个顶尖的金融FOF会议，邀请您出席。。。”听到这里，我基本都是直接掐掉。。。 

    （6）聊天型FOF

    前面五种，好歹还是真心想做事情的，这最后一种就有点无趣了，他们主要就是闲着蛋疼，于是到各大私募那里去串门逛街，顺便找销售的小妹聊天打发时间，如果碰到肤白貌美的就多去几次。有一次我的产品经理截图给我看：“丁总，上次那个FOF又要约我出去喝咖啡，说单独聊聊产品的事情，我去还是不去啊？”我晕，这是将FOF当做陌陌了，是不？我让她赶紧拉黑，不要因为做了FOF，搞个人财两失。。。

    我将这个想法有一次在私募大佬的群里，和一些要好的朋友说到时候，他们都纷纷表示不能同意更多，一个大佬说：“自从FOF火了以后，公司的茶叶、香烟和点心的消耗量增加了3倍，但是规模没有见涨。。。有一种被掏空的感觉。。。”

    FOF是个好东西不错，但是任何事物发展初期，良莠不齐那是肯定的了，我写这个文章并不是要否定FOF，而是希望FOF能够得到更加健康的发展。还是借用那句歌词吧：‘借我借我一双慧眼吧，让我把这纷扰看得清清楚楚明明白白真真切切’，最后期望中国的FOF行业迎来春光烂漫的季节！