打造能自己交易的訊號（第 2/2 段） ☕ Buy me a coffee

🧑‍🏫 這是 Claude 官方活動影片的後半段。投資公司 Man Group 分享他們怎麼管理全公司的 skill，讓 Claude Code 能用在系統化交易這種嚴肅的工作上，還現場示範用刷卡資料做交易訊號。如果你有在寫 skill 給自己或團隊用，這支會讓你知道：從「我自己好用」變成「全公司能放心用」，中間差在哪裡。

• 10:22 反面例子：有人寫的 skill 把 cost center code 寫死，只對他自己和他的團隊有用。這個 skill 沒人審過，他本人也不用負責
  ↳ 反面例子：有人寫了一個 skill（把做事方法寫成說明，讓 AI 照著做），卻把自己部門的成本中心代碼（記帳用的部門編號）寫死，換別人用就會出錯。這個 skill 沒人審過，出事也沒人負責。
• 10:22 這反映出更大的問題：大家把自己的做事方法寫成 skill，但那不是組織的做法，寫的人很多時候也不是這個 workflow 的 owner
  ↳ 這不是單一個人的問題。大家把「我習慣的做法」寫成 skill，但那不等於公司的標準流程（workflow）。寫的人也常常不是這個流程的 owner，也就是真正對流程負責的人。
• 10:52 在 back testing、系統化交易這類場景，這樣會卡住企業規模化：agent 沒辦法利用這些 skill，因為彼此沒有共通性
  ↳ 在回測（back testing，用歷史資料檢驗策略）、系統化交易這類工作，skill 各寫各的、沒有共通標準，AI agent（會自己一步步把任務做完的 AI）就沒辦法拿來組合使用，公司也就擴大不了。
• 11:22 講者現場調查：很多人遇過同樣的情況，寫 skill 的是流程的 power user，而不是流程的 owner
  ↳ 講者現場問觀眾，很多人都遇過：寫 skill 的通常是 power user（天天用這個流程的熟手），不是有權決定流程怎麼做的 owner。
• 11:22 講者認為 skills governance 是解鎖企業應用的祕方：把共通 workflow 接上 AI，並讓它存取資料與能力，agent 就能根據這些 skill 行動
  ↳ 講者認為關鍵在 skills governance，也就是管理 skill 的制度：誰擁有、誰審、怎麼測。把公司共通的流程接上 AI，再給它資料和工具，agent 才能照著 skill 做事。
• 11:53 做到這一點，Claude Code 就能處理像系統化交易這麼複雜的問題
  ↳ 地基打好之後，Claude Code（Anthropic 出的 AI 工具，能寫程式、執行任務）才有辦法處理系統化交易這種步驟多、牽涉很多資料的難題。
• 11:53 他們的解法是建立共同的 marketplace：每個 skill 都看得到、有標籤，而且用 evals 測試過，目的是確保一致性
  ↳ 他們的解法是做一個全公司共用的 marketplace，像內部的 App 商店：每個 skill 都查得到、有分類標籤，還用 evals（固定題目的測試）確認每次表現一致。
• 12:24 用圖書館來比喻：保存數十年的機構知識，依財務、人資、研究等部門分區，每個項目都有人照顧
  ↳ 他們把這個平台想成一座圖書館：收著公司幾十年累積的做事知識，照財務、人資、研究等部門分區，每一區都有專人負責整理。
• 12:24 skill 由 workflow owner 擁有，全部經過測試和審查，會追蹤使用量，也有生命週期，所有人都能看到並安裝
  ↳ 每個 skill 歸流程 owner 管，上架前要測試、審查；上架後會追蹤有多少人在用，過時了就下架（這就是生命週期）。全公司都看得到，也都能自己安裝。
• 12:55 講者認為關鍵在於這份用心，它讓 skill 從個人生產力工具變成支撐 agent 的基礎，也因此能把 skill 用在系統化交易
  ↳ 講者說重點在「有人用心照顧」。有人照顧，skill 就不只是某個人省時間的小工具，而是 agent 可以依靠的基礎，所以他們才敢用在交易上。
• 13:25 Demo：Man Group 內部平台收錄了 skill 集合和 context store；推薦的 skill 會依各事業單位量身調整，每個都有明確的 owner
  ↳ 示範 Man Group 的內部平台：上面有 skill 集合，也有 context store（存放公司背景知識的地方）。平台會依不同事業單位推薦適合的 skill，每個都寫明負責人。
• 13:25 skill 分成 managed skills 和 community skills 兩類，skill 和 plugin 都可以輕鬆裝進 Claude
  ↳ skill 分成兩類：managed skills 是納入正式治理的，community skills 是同事自己分享的。skill 和 plugin 都能很簡單地裝進 Claude。
• 13:25 plugin 是把實用的 skill 組成一組，例如 data plugin 可以存取 Man Group 的資料集
  ↳ plugin 就是把相關的 skill 打包成一組，一次裝好。例如裝了 data plugin，就能取用 Man Group 的各種資料集。
• 13:55 skill 也可以單獨安裝，例如 data set skill，可以用來搜尋 Man Group 的另類資料集
  ↳ skill 也可以只裝單一個，例如 data set skill，專門用來搜尋公司的另類資料（alternative data，指財報、股價以外的資料，像刷卡紀錄）。
• 13:55 用另類資料集 skill 詢問 Claude 有哪些信用卡資料集，它找到一份美國消費者交易資料集
  ↳ 示範時用這個 skill 問 Claude「有哪些信用卡資料？」，它找到一份美國消費者的刷卡交易資料。
• 14:28 把 Amazon 每月信用卡消費和股價報酬畫在同一張圖：藍色長條是信用卡消費，折線是股價
  ↳ 接著把 Amazon 每月的刷卡消費和股價報酬畫在同一張圖上：藍色長條是大家在 Amazon 刷了多少錢，折線是股價表現，方便直接比對。
• 14:28 圖上可以看到 Black Friday、聖誕節等季節性消費的高峰
  ↳ 圖上看得出每年 Black Friday（美國感恩節後的大拍賣）和聖誕節前後，消費都明顯衝高，代表這份資料確實反映了購物季。
• 14:28 接著跑 back test：比較信用卡消費高峰和股票損益，檢驗信用卡消費能不能預測股價
  ↳ 接著做回測：用過去的資料去比對消費衝高的時候，股票是賺還是賠，看刷卡消費能不能提前透露股價走向。
• 14:59 結果顯示這個訊號的表現比 buy and hold 策略好：2021 年依訊號投入 $1,000，現在大約值 $2,500
  ↳ 結果這個訊號贏過 buy and hold（買了就一直抱著不動）：2021 年照訊號投入 1,000 美元，現在大約變成 2,500 美元。
• 14:59 為了排除只是 Amazon 的巧合，把測試擴大到更多零售公司，並用分散式運算基礎設施來跑
  ↳ 只測 Amazon 可能是剛好碰巧，所以擴大到更多零售公司去測，並用分散式運算（distributed compute，把工作拆給很多台電腦同時跑）來加速。
• 15:30 每家公司由一個獨立的 worker 執行，最後再彙整結果
  ↳ 做法是每家公司交給一個獨立的 worker（負責計算的單位）各自去跑，全部跑完再把結果收集起來一起比較。
• 15:30 這個案例用了四個 skill 做出系統化交易訊號
  ↳ 整個示範只串了四個 skill，就做出一個系統化交易訊號，也就是能照固定規則判斷買賣的依據。
• 15:30 實際的訊號研究細緻得多，會考慮季節性、通膨和更廣的證券範圍，由 agent 和人類一起探索想法
  ↳ 講者也提醒這是簡化版。真正研究訊號時會考慮季節性、通膨，也會測更多種證券，由 agent 和研究員一起來回試各種想法。
• 15:30 重點是 skill 的治理：確保每個人都用同樣的資料和同樣的 workflow
  ↳ 他強調示範真正的重點是治理：確保每個人都用同一份資料、同一套流程，這樣結果才能互相比較、也才值得信任。
• 16:01 基礎打好、資料都能存取後，就能運用更多能力，從擴充運算到取得另類信用卡資料集，而這些通常分屬不同團隊
  ↳ 地基打好、資料都開放之後，就能動用更多能力，像是擴充運算資源、取得信用卡資料。這些原本分散在不同團隊，現在不用一個一個去找人。
• 16:32 心得一：專注在組織 context，那是你的 IP 和護城河，也是 AI 領域少數還安全的地方
  ↳ 心得一：專心整理公司自己的 context（背景知識和內部做法）。這是你的 IP（智慧財產）和護城河，也是 AI 時代少數別人搶不走的東西。
• 16:32 frontier labs 不會幫你解決 context，因為它不在網路上，他們也不懂你的 workflow；你手上已經有數十年的 context
  ↳ frontier labs（做最頂尖 AI 模型的公司）幫不了你這塊：你們公司的做法不在網路上，他們也不懂你的流程。這些東西你手上本來就有，還累積了幾十年。
• 17:02 要做的是把 context 開放出來，而不是重新發明；skill 就是讓數十年機構知識發揮作用的方式
  ↳ 所以不用重新發明，要做的是把既有的知識整理出來，讓 AI 讀得到。skill 就是把資深同事的經驗和內部文件，變成 AI 能照著做的形式。
• 17:02 心得二：把 skill 當 production code 看待，因為它最後就會變成 production code
  ↳ 心得二：把 skill 當成 production code（正式上線、真的有人依賴的程式）來對待，要測試、要審查，因為它最後就會變成這樣的東西。
• 17:02 心得三：先想好做法再規劃推廣，包括誰擁有 skill、誰審查、怎麼測試、怎麼淘汰
  ↳ 心得三：推廣之前先把規則想清楚，包括 skill 歸誰管、誰審核、怎麼測試、什麼時候淘汰。
• 17:33 這些要在推出第一個 skill 前就決定好，不要像他們一樣等到第一百個之後才處理
  ↳ 這些要在第一個 skill 上線前就決定好。講者坦承，他們是累積到一百個之後才回頭處理，勸大家別重蹈覆轍。
• 17:33 心得四：採用率不是授權問題，而是人的問題；平台建好之後，要鼓勵大家實際使用
  ↳ 心得四：大家用不用，不是「有沒有開帳號」的問題，而是人的問題。平台蓋好之後，還要主動鼓勵同事真的拿來用。
• 17:33 要思考怎麼捕捉組織 context，並重新設計 workflow，而不只是強化既有流程；這是訓練和參與度的問題，需要主動接觸使用者
  ↳ 也要想怎麼把組織的知識收集起來，並重新設計流程，而不是只讓舊流程跑快一點。這要靠培訓，也要主動去找使用者，大家才會真的參與。
• 18:03 Man Group 目前有 750 人使用 Claude Code，涵蓋開發者、quant、人資、財務等所有部門（公司總人數講者講得不清楚）
  ↳ Man Group 目前有 750 人在用 Claude Code，不只工程師和 quant（用數學和程式做投資研究的人），人資、財務等各部門都有人在用。
• 18:35 參與度高的原因是大家能用簡單的方式使用這些能力，不必什麼都懂，因為 skills 平台理解他們的 workflow
  ↳ 參與度高，是因為門檻低：大家不必懂技術細節，平台上的 skill 已經懂他們的工作流程，直接拿來用就好。
• 18:35 目前有超過 100 個受治理的 skill，community skill 至少一樣多，全部放在 library 裡妥善治理
  ↳ 目前平台上有 100 多個納入治理的 skill，同事分享的 community skill 至少也有這麼多，全部放在同一座「圖書館」裡管理。
• 18:35 這讓他們能在系統化交易中使用 AI；講者總結：skills governance 是在企業規模解鎖 AI 的關鍵
  ↳ 有了這個基礎，他們才能把 AI 用在系統化交易上。講者總結：大公司要讓 AI 大規模發揮作用，關鍵就是 skills governance。
• 19:05 講者最自豪的是有建立在數十年機構知識上的穩固基礎，也預見不久後會有成群的 agent 運用這些 skill 尋找新的投資機會
  ↳ 講者最自豪的，是打好了一個建立在幾十年公司知識上的穩固地基。他預期不久後，會有一群 agent 同時運用這些 skill，去找新的投資機會。
• 19:36 給聽眾的課題：如何捕捉 context、哪個部門擁有它、治理流程是什麼、放在哪裡、怎麼測試、怎麼淘汰
  ↳ 他留給聽眾一串要回答的問題：公司知識怎麼收集？歸哪個部門管？治理流程是什麼？放在哪裡？怎麼測試？怎麼淘汰？
• 20:07 從 AI 平台建立一條通往你的能力和 context 的 golden path；知識基礎有人照顧、AI 也能運用時，就能為 agent 應用打好基礎
  ↳ 最後建議從 AI 平台鋪一條 golden path（公司認可、走起來最順的標準路線），直接通到內部的能力和知識。知識有人顧、AI 也用得到，agent 應用才站得穩。

在 Amazon 信用卡消費的 back test 中，2021 年依訊號投入 $1,000，現在大約值多少？