現實中的問題可不像大學裏講的經濟學那樣，有著一眼就能看穿的公式結構，各種優美的平滑函數在那裏等待著被解答，又或者有了Maple之後，各種計算隻是把公式輸入到電腦之中就會有個結果。呈現在我們麵前的就是一堆數字，其餘任何規律的探索都是分析員梳理出來的。可問題來了，有什麼理由讓我們相信一個確定性的公式存在於這堆一眼看去就讓人惡心的數據中呢？更不要提什麼平滑、可導之類的苛刻要求了。這或許解釋了為什麼筆者除非萬不得已，否則很少翻開經濟學著作或教科書的原因。也有人就此得出了一個跟巴菲特價值投資理念極度吻合的邏輯：“凡是使用微積分之類的數學方法來指導投資都很可疑。這其實是國內一個推崇價值投資的評論員在做一期比較價值投資和數量化投資的節目時發表的言論。”盡管有些偏激，但某種程度筆者個人認為，這句話隻限於做估值模型或者其他試圖模擬出股價走勢的技術。對於以剝離信息為目的的處理手段來說，用什麼方法都不過分。上來看有它的道理。最優化的思想仍然是需要的，僅僅是因為目標函數的不確定要求我們通過其他方式對其進行搜索。具有全局優化能力的算法很多，讀者可以自己隨便翻開一本進行閱讀。這可能是筆者嚐試解決這一問題所能使用的唯一方法筆者在寫作本書的時候，總是希望不要把問題過於具體化。以免讀者由於筆者的水平有限而遭到錯誤引導。筆者最不想成為的就是塔勒布筆下“缺乏想象力，而且還壓製他人想象力”的家夥。實際上，筆者的個人學習經曆也部分證實了一個道理：“往往自己發現並加以確認的技術手段遠比別人的正麵說教有用。”當然，如果讀者有足夠的數學修養能繞過這個問題，也可以不必朝著這個方向作出努力。。
我們現在可以比較心平氣和的來看待這個問題了。單個算法的複雜程度可能並不高，有些甚至可以最終歸結為僅僅是比較兩個數值的大小讀者有興趣可以翻開《期市截拳道》，看看裏麵介紹的很多數量化實例。。但算法的設計往往需要參數對於這個問題，筆者比較傾向於認為參數是一定會存在於算法中，隻是顯式還是隱式的表現而已。畢竟，非參數方法能處理的問題是有限的。能應用到策略算法的部分就更是鳳毛麟角。舉例來說，我們可能覺得均線係統太過於死板，於是費盡心思希望均線可以自適應。可是看看自適應均線係統的算法部分，哪一個又少了參數？我們在擔心模式遷移，於是用可變參數的思路試圖捕捉模式遷移過程。可決定參數變化速度的決定因素還是一個參數！我們可以希望參數本身會傾向於收斂又或者最終可以落實到一個非參數的算法過程，但顯然這種努力需要極大的付出而且沒有辦法保證一定可以有良好的結果。這也是為什麼參數優化過程至少在當前階段還是需要考慮的問題。，而一旦涉及到參數就一定會牽扯到優化等細節問題。這些問題的複雜度一般會超過我們的設想，而且其重要性往往並不差於算法本身。