打造能自己交易的訊號（第 1/2 段） ☕ Buy me a coffee

🧑‍🏫 量化投資公司 Man Group 的資料與 AI 主管，分享他們怎麼讓 Claude 參與「想交易點子、用歷史資料驗證、正式上線用真錢交易」整條流程。前半段先解釋交易訊號和回測在做什麼，接著講他們推 AI 時踩到的坑。不懂金融也能看懂，教訓也適用在一般公司：AI 工具該由誰來設計，才不會越用越亂。

• 00:20 客戶是退休基金、主權財富基金和大型機構，管理的是真人的錢，例如數千人的退休金與投資資本
  ↳ 客戶不是散戶，而是退休基金、主權財富基金（國家層級的投資基金）等大機構。這些錢背後其實是成千上萬個普通人的退休金。
• 00:51 客戶包括加拿大的教師、日本的金屬工人；AI 如果做錯可能賠掉真金白銀，所以風險很高
  ↳ 像加拿大老師、日本金屬工人的退休金都在裡面。AI 在這裡出錯不只是系統出小毛病，是真的會讓這些人的錢變少，所以標準很嚴。
• 00:51 systematic trading 是公司很大的一塊業務，也是 AI 可以大幅協助的機會
  ↳ systematic trading（系統化交易）是他們很重要的業務，也是講者認為 AI 最能幫上忙的地方。
• 00:51 systematic trading 指演算法交易，橫跨數千檔證券、數百個市場來做投資決策
  ↳ 意思是不靠交易員憑感覺一檔一檔下單，而是事先寫好規則，讓電腦同時看數千檔股票、數百個市場，照規則做決定。
• 01:21 systematic trading 的核心是交易訊號（trading signal），可以把 signal 想成組一支夢幻足球隊
  ↳ 核心是 trading signal（交易訊號）：一套判斷「該買誰、該避開誰」的規則。講者拿夢幻足球來比喻，就是玩家自己挑真實球員組隊、比成績的遊戲。
• 01:21 比喻：綠色長條是先發陣容，紅色長條是不想要的球員，中間的是可能轉入的板凳替補
  ↳ 綠色是要派上場的主力，紅色是想踢掉的，中間是觀察中、隨時可能換上來的候補。換成股票就是：想買的、想避開的、觀望中的。
• 01:51 signal 就像看出某前鋒狀態正要回升，要在週五截止、身價上漲前把他轉進來
  ↳ 好的訊號是「提早看出來」：在大家發現某球員變強、身價漲上去之前，趕在截止日把他簽下來。股票也一樣，要比市場早一步。
• 02:21 精明的經理會考量狀態、賽程，在對的時間、用對的成本轉入對的球員，這和 systematic trading 很像
  ↳ 厲害的經理不只看誰強，還會看時機和成本：誰狀態好、接下來對手強不強、現在換人要花多少。系統化交易也是同時考慮這些條件。
• 02:21 交易訊號就是把這套套用在股票：做多會賺錢的股票，放空不會賺錢的股票
  ↳ 換成股票：預期會漲的就「做多」（買進持有），預期會跌的就「放空」（short，先借股票來賣，跌了再買回來還，賺中間的差價）。
• 02:51 範例是用過去 3 個月報酬率為股票排名，再用歷史資料跑一遍，看會不會賺錢
  ↳ 最簡單的例子：把股票依「過去 3 個月漲了多少」排名，買前段、放空後段，再拿過去的資料模擬一遍，看這招以前能不能賺。
• 02:51 關鍵問題永遠是：要用什麼因子排名？策略有沒有效？要怎麼知道有沒有效？
  ↳ 真正的難題一直是三件事：拿什麼標準排名？這招到底有沒有用？你又憑什麼判斷它有用？
• 03:22 其實永遠無法真正確定，無法預知未來；最好的方法是看歷史表現
  ↳ 講者很坦白：沒人能預知未來，所以永遠沒辦法百分之百確定。能做的只有看這招過去表現如何，當作最好的參考。
• 03:22 把策略寫成程式，拿 15 年甚至更久的歷史資料來跑，讓它經歷各種總體經濟環境與壓力情境
  ↳ 這就叫 backtest（回測）：把策略寫成程式，丟進 15 年以上的歷史資料裡跑，讓它經歷景氣好壞、金融危機等各種狀況，看撐不撐得住。
• 03:52 回測會產生許多統計指標，例如年化報酬率：這個策略賺了多少錢
  ↳ 回測跑完會產出一堆數字，最直觀的是 annualized return（年化報酬率）：平均下來每年賺幾 %，也就是這招到底賺多少。
• 03:52 策略總有賠錢的時候，賠錢時賠了多少稱為 drawdown
  ↳ 沒有策略會一直賺。drawdown（回撤）是從高點往下賠了多少，例如帳上從 100 萬掉到 80 萬就是回撤 20%，看的是最慘的時候有多慘。
• 03:52 更複雜的指標如 sharp ratio，比較策略的波動度和報酬
  ↳ 進階一點的是 Sharpe ratio（夏普比率，字幕寫成 sharp ratio），把報酬和漲跌起伏一起算。同樣賺 10%，走得平穩的會比大起大落的分數高。
• 03:52 他們認為 AI 可以強化整個 systematic trading 工作流程：發想點子、跑回測，這是他們的重點
  ↳ 他們的主張是：AI 不只是幫忙一小段，而是整條流程都能加強，從想點子到跑回測都有 AI 參與，這是整場分享的主軸。
• 04:23 Man Group 作為受監管的投資公司，目前已有由 AI 研究、回測並提案的交易訊號在正式環境用真實資金運作
  ↳ 這不是實驗室裡的東西：Man Group 是受金融監管的公司，而現在已經有 AI 研究、回測、提案出來的訊號，正在用真錢交易。
• 04:55 這個流程裡，AI 提出點子、取得資料、跑回測、撰寫策略提案，並把訊號 productionize
  ↳ AI 負責的範圍很完整：想點子、抓資料、跑回測、寫提案報告，最後還負責 productionize（把訊號正式上線、接進真正下單的系統）。
• 04:55 人類會審查所有產出，確認合理，但整個流程以 AI 為核心
  ↳ 人沒有被拿掉，而是改當把關的人：每一步的產出都要人看過、確認合理才放行。只是主要的工作量由 AI 來扛。
• 05:27 訊號內容與賺了多少不公開（屬於公司 IP），本次分享的是歷程、基礎建設，以及別的公司如何應用這些經驗
  ↳ 具體是哪些訊號、賺了多少，屬於公司機密，不公開。這場分享的是他們怎麼一路走過來、底層系統怎麼搭，以及其他公司可以怎麼借鏡。
• 05:27 一切從讓 AI 理解他們的工作流程開始，做法是使用 skills
  ↳ 起點是讓 AI 搞懂「我們公司怎麼做事」，用的工具是 skills：寫給 Claude 的一包工作說明和工具，教它照固定流程做某件事。
• 05:58 想出訊號是快的部分，難的是底下所有讓它能運作、能據以行動的工作流程
  ↳ 想到一個點子很快，真正花力氣的是後面一大串工作：讓點子能被驗證、能被執行、真的能拿來下單。
• 05:58 冰山比喻：訊號是冰山一角，底下是所有讓它成真的工作流程
  ↳ 就像冰山：大家看到的是浮出水面的訊號，水面下那一大塊才是讓訊號成真的各種流程。
• 06:28 底下的工作流程包括：清理資料、拼接價格、偵測離群值、如何執行、跑在什麼基礎設施上、如何跑回測
  ↳ 水面下包括：清理資料錯誤、把不同來源的價格接成完整一段、抓出 outlier（明顯不正常的數字，例如打錯的股價）、怎麼下單、用什麼系統跑、回測怎麼做。
• 06:28 如果不同團隊跑不同版本的工作流程，就會得到不同答案，例如一隊回測很亮眼、另一隊普通
  ↳ 如果每個團隊各做各的，同一個點子可能 A 隊回測很漂亮、B 隊卻普普通通，結果完全對不起來。
• 06:59 工作流程不同時，無法判斷是點子比較好，還是只是衡量方式不同
  ↳ 這時根本分不出來，是點子本身比較好，還是兩隊清資料、算數字的方法不同。就像兩個人用不同的尺量身高。
• 06:59 共用工作流程能解決這個問題：一套共同基礎，避免重工、保持一致，產出可以互相比較，這在比較訊號時非常重要
  ↳ 解法是大家共用同一套流程：不用每隊各做一次，做法一致，結果才能放在一起比。要從一堆訊號裡挑出好的，這點最關鍵。
• 07:38 開箱即用的 Claude 是很棒的通用工具，但它不了解你：不懂公司的資料、系統和工作方式，對每家公司都一樣
  ↳ 剛裝好的 Claude 很聰明也很通用，但它不認識你們公司：不知道資料在哪、系統怎麼用、平常怎麼做事，對每家公司都一樣陌生。
• 07:38 第一步是「教它」：不是重新訓練、不是 fine-tuning，而是給它存取公司資料、能力與工作流程的權限
  ↳ 所以第一步是「教它」，但不是 fine-tuning（拿資料重新訓練、改動模型本身），而是開權限讓它能用公司的資料、工具和流程，像幫新同事開帳號、給作業手冊。
• 08:10 公司的超能力是數十年的機構知識與系統化研究，以及頂尖的技術能力；把它和 AI 連接，AI 就能運用這份超能力
  ↳ 公司真正的本錢是幾十年累積的投資研究經驗，加上很強的技術團隊。把這些接給 AI，它就不只是通用助理，而是能用上公司的看家本領。
• 08:10 skills 是讓 AI 運用這份超能力的連接層（connective layer），所以把 skills 做對至關重要
  ↳ skills 就是中間那條連接層（connective layer），把公司的知識和系統接到 AI 身上。這層做得好不好，決定 AI 能發揮多少。
• 08:45 他們一開始做錯了：全力衝採用率，辦 skills 工作坊（Anthropic 協助）、hackathon、寫部落格、show-and-tell，人人都在寫 skill
  ↳ 他們一開始走錯路：拚命推廣要大家用，辦 skills 工作坊（Anthropic 也來幫忙）、黑客松、寫文章、成果分享會，結果人人都在寫 skill。
• 08:45 採用率極高，但開始出現裂縫：寫 skills 的是 power users，而不是流程負責人（process owners）
  ↳ 用的人很多，問題卻開始冒出來：寫 skill 的多半是很會用 AI 的 power users，而不是真正負責那個流程、最懂規則的 process owner（流程負責人）。
• 09:16 結果 skills 都只是針對單一使用者的局部最佳化，而不是整個組織共用的解法
  ↳ 結果每個 skill 都只是「我自己用得順手」的小工具，沒考慮到別人和整個組織，沒辦法變成大家都能放心用的共用做法。
• 09:16 例子：一位常出差的同事寫了 skill，把收據照片給 Claude，自動產生費用報告，還分享給團隊幾個人用，運作良好
  ↳ 舉例：一位常出差的同事寫了 skill，拍收據丟給 Claude 就自動產生報帳單。因為很好用，他還分享給幾位同事。
• 09:47 幾天後，業務部門的費用核准人抱怨，為什麼 Claude 幫技術部、人資團隊等人建立一大堆報告到他的成本中心，都要他核准
  ↳ 幾天後，業務部負責核准費用的主管跑來抱怨：為什麼技術部、人資的報帳單全被 Claude 掛到他的成本中心，全都要他簽？
• 10:17 查下去發現原因只是 skill 裡把成本中心代碼寫死（hard coded）
  ↳ 原因很單純：skill 裡的成本中心代碼被 hard coded（寫死成固定值），不管誰用都填同一個部門。寫的人自己用沒事，一分享出去就出包。

根據講者，Man Group 早期推 skills 時出現的問題是什麼？