交易既是藝術，也是科學。一方面，量化交易與自動交易日益進步，從資料庫建立、數據清洗與數據統計分析、人工智慧決策、深度學習，各個面向都已發展出各種分析工具與方法，這些資料科學的進展讓交易決策有越來越科學化的趨勢。
數據與直覺的角力
然而交易策略管理千變萬化，交易決策者經常必須仰賴直覺，也就是過去經驗的結晶，加上各方蒐集到的資訊來下決定。
像是特斯拉(Tesla)汽車的創辦人埃隆．馬斯克(Elon Musk)，就是以作風大膽與順從直覺行事聞名，對他來說，數據資料只是表面的數字，而對產業的敏銳度與對市場發展的期盼與遠見，往往是其能洞悉未來趨勢方向的主要原因，也常常比業外人士的分析報告精準有用。
究竟交易應該順從直覺，抑或是遵循數據規範判斷呢？本篇文章將以「交易決策」這個主題作為切入點，回顧一個成功程式交易者，每隔一段時間，各會碰到那些問題，又有什麼關鍵的決策會影響未來的交易風格發展？而這些交易決策的形成過程中，直覺能力與分析能力各自扮演怎樣的角色？當兩者衝突時，一個合格的交易者又該如何折衷平衡這樣的角力呢？
當對市場越來越熟悉，過去的經驗會產生直覺化的判斷，當與數據統計結果有所牴觸時，數據與直覺的角力就會發生，這也是一般程式交易者在程式策略庫建立完成，並上線執行後的半年容易發生的問題。
在我的經驗來看，直覺與分析是很難一切為二的，程式策略的上下架機制與設計邏輯是很仰賴數據分析能力的，但在交易策略的建構上，存在很多數據陷阱。
首先，交易是關注參與交易者從眾行為與心理狀態的行為科學，那就是心理學而不是統計學。
引入質化的觀念 找出數據的脈絡
舉例而言，若你只看特定時段交易量是一般的三倍，你可能會判斷此時段有人在大量交易，但若多參考價格變化或是觀察是否為特定的權重調整日，你可能發現交易量增大的原因是來自於恐慌，也可能來自於特定機構的規定才產生大量交易的現象。因此交易時觀察的數據，必須加上現場主義，也就是要從數據看出問題，不能單就量化的角度來思考，要引入質化的觀念，找出數據的脈絡，要有足夠的解釋性，數據才有意義，才不會落入射箭畫靶的誤區。
執行結果 做了之後才能驗證
其次，交易所有的數據來源都是過去式，但交易的競爭對手與決策都是發生在未來。因此交易策略的判斷有一個概念式，執行並相信自己的信仰。數據分析與量化整理過去的經驗是為了幫助交易者知道，這個決策執行起來有多少成功的機會，但執行後結果會如何，只能在做了之後去驗證，只能聽天由命看天吃飯。
換句話說，數據分析目前還做不到預測，只是提供歷史數據的整理，至於人工智慧或深度學習等等技術的精進是否能做到預判，我們也只能期待。
--
本文同步發表於理財周刊 1078期│吳偉仁 |2020-04-22