我在 alpha 開發上的核心原則是：

1) 迭代速度
2) 可及性

這代表什麼？

第一點很明顯。如果你每天測試 10 個 alpha，而其他人每天只測試 2 個，那你會比其他人表現好很多。

那要怎麼做到？

首先，把資料抓取和前處理自動化。如果你沒有自動化腳本來做這些，你已經 NGMI（Not Gonna Make It）。這是基本門檻。

接下來，取得一個資料加載庫。你不應該每次都重寫 glob.glob(folder_path) 等等的程式碼。你應該使用：

load_data(
start_date=start_date,
end_date=end_date,
symbol=symbol,
等等
)

然後是研究數據。什麼是研究數據？

你可以從建立一個 universe 開始。你不該花時間手動定義 universe (而且理想上它應該是標準化的)。所以你應該載入一個檔案，內容是依 30 天交易量、市值或流動性等指標排序的前 X 名標的。你可以根據需求隨意調整。

接下來我們可以檢視報酬數據，我們應該有因子報酬、特異報酬、截斷報酬，當然還有原始報酬。這些全部都要事先產生好！

最後，我們要確保可以測試所有 alpha，而且測試程式碼要極速運行。你可能覺得只要 X 分鐘，但只要超過幾分鐘就是一次巨大的 context switch，會直接影響生產力。

我們剛剛講完了迭代速度，現在來談可及性。

可及性是指完成某個分析的難易度。這是品質與數量最佳化問題中的品質面。舉例來說，假設我想做季節性分析，但決定跳過去做另一個 alpha，這就是缺乏可及性。假設我決定不做相關性和殘差分析，因為想先測試另一個 alpha，這也是缺乏可及性。

你的工具應該要讓你能夠快速完成這些常見類型的分析。這包括最佳化、markout、TCA、最佳 TWAP 等等。這些理想上都應該讓你只需極少的工作量，因為工作量越大，你就越不會去做，研究品質也會下降。

總結來說，你應該專注於讓核心分析更快，以及讓能顯著提升研究品質的額外分析執行速度大幅提升。藉由優化這兩個面向，你可以確保你的高品質研究產出速度遠遠超越其他人。

這就是你的優勢。如果你能在相同時間內做 5 倍於他人的量，你就能創造更多的 PnL。