那麼在不同階段，數據分析所佔的比重與角色是否會改變呢？答案是當然會改變的，在每一個階段數據分析所佔的決策比重自然不同。
第一階段 用數據建立策略庫
一開始的第一階段，數據分析幾乎會佔八成以上的比重，由於一開始對市場的了解度不足，故順從直覺容易掉入心理誤區的陷阱，只有選擇交易商品的種類與決定策略金額的控制不是仰賴數據分析決定，而是由交易者的心理承受度決定。
先談交易商品種類，交易夠多的商品自然有分散風險的效果，但對於一般的交易者，一是沒有足夠的時間與精力發展多商品的策略庫整理，二是不一定有足夠的金錢可以撐起多商品多策略的交易執行，故一開始在程式交易商品的選擇，多為單一商品多策略的交易方式。
再者，一個賺錢的策略，其持倉時間與拉回比例多寡，都會影響到交易者的資金使用率，故在選擇上線策略的同時，一定會受到交易者能承受的比率影響，這就不能單看數據來決定了。一個好用的策略，只要獲利的時間週期與交易者習慣的頻率不符合，就無法準確執行，勢必不能為交易者所用。
第二階段 數據協助擬定策略目標
那麼在越過第一個階段後，第二階段數據整理在程式交易的角色又是如何呢？我認為這時候的關鍵決策是靠擬定策略目標為主，此時的交易者已經執行自身的程式策略庫一年左右，上線的策略執行成效是可以非常數據導向的，你可以看出每個程式的特性與擅長的盤型，交易者亦可熟悉自己的心理層面比較能接受怎樣類型的策略，故在放大交易金額的同時，可以這些數據資料作為資源分配與交易策略調整的主要依據，因此我認為，數據資料在這裡扮演的角色，會是協助擬定策略目標為主。
剛提到在第一階段數據是用來建立策略庫的，而直覺是用來決定可用策略的上下架比例。而在第二階段，數據則是用來協助已經執行的策略是否放大或是縮小，並用來訂定目標成果的方向為主。
第三階段 數據用於驗證創新假設
那在第三階段呢？在第三階段，量化數據應當用於驗證創新假設為主，要開發新的交易策略與交易邏輯，就應當線上線下的比對，在開發新策略的同時，數據資料會很快地讓你發現，有一部分的策略邏輯假設，是和現實相同的，而另一部分一定會有所不同。這雖然在一開始擬定方向時，很像是靠直覺在決定的，但這個直覺並不是用以直接執行的，而是能夠以做實驗的方式檢視這些創新的策略是否真的有效，藉由計畫、執行、檢視、實踐這樣四個循環來操作，比對出正確結果再去複製與放大。
但要注意的事情是，這個方式的起點，是仰賴交易決策者的直覺，故要謹慎地判斷自己的容錯底線，我相信能走到第三階段的交易者，一定是禁得起挑戰的人選，更改第一、第二階段的交易SOP，勢必是有要解決的問題與痛點，只要想好失敗時願意承擔的金額，就無須擔心可以直接執行，因為調整後能創造的價值遠高於失敗風險。只要在決策之前，確認好這個更動範圍的層級，不要讓可能的虧損超過一開始願意更動的授權範圍，就不會造成毀滅性的風險。
大數據、AI推波助瀾 數據分析創造更多價值
近年來大數據與人工智慧的發展，未來勢必造成交易概念上的影響與改變，誠如上文所提到的，目前的數據分析都是呈現既有的資料，而在未來勢必能靠預測創造更多價值，這樣的說法聽起來空泛，但卻是非常重要與實在的。
舉例來說，程式交易的創高順勢加碼是常見的作法，但如果此時的交易核心準則是規避風險為主，在第三次、第四次的突破還加大倉位真的是好的加碼方式嗎？布建數據分析，確立各式盤型的分類預測與分析各式商品的連動關係，勢必能讓這類型的判斷更加精準。
其實程式交易沒什麼高深學問，關鍵是知易行難，知道這些概念很容易，但建構並落實並沒那麼簡單，只能繼續多多努力了。
--
本文同步發表於理財周刊 1080期│吳偉仁 |2020-05-06