隻有把止損這類的賣出交易策略納入到考慮範圍，才最有可能做到讓收益率分布有偏。所以，說到底還是一個跟觀念在做鬥爭的問題。另一個角度來審視容錯機製在於對算法本身的表現穩定性方麵上進行防禦。這個道理也是不言自明，人都可能犯錯，算法犯錯也再正常不過了。算法所基於的模式出現遷移必然會導致其應用的效果下降。理想的狀態是，算法池內各個策略都有一個適應度，分配的資金比重要與適應度相聯係。在展開組合管理的討論前，或許還是應該在這個美麗又醜陋的世界發現些實例才好理解為什麼對算法本身的防範也格外的重要。
基金倉位估計，這是筆者進入研究所策略組被賦予的第一個任務。做這件事的目的其實也很好理解，如果把基金當作一個市場參與者，或者潛在的參考對象，那麼估計他們的倉位水平可以得到一個好處就是在倉位調整上占據主動。這多少類似於玩牌時偷瞄一眼別人手裏的花色，看不清具體都有哪些紅桃、黑桃，但是大致會有個顏色判斷。不那麼高尚，但也不違法。這個問題的重要性在2008年市場調整的時候得到了確認。但其功能其實也就到此為止了，畢竟基金的話語權也出現了一定的下降。所以，從組合管理的角度來看，他充其量是打敗其他基金業績的一個幫助而已，不能保證更多的應用了。
這件事情的可做之處還有另一點，beta透漏倉位信息這裏涉及到資產組合理論方差、協方差那一套。讀者有興趣可以翻開任何一本金融教科書找到答案。不過，本腳注想說一個關於模型的問題。為什麼要用模型？如此難以統一的領域還要不斷的投入努力的原因何在？“模型能讓我們的數據分析更進一步”可能是一個因素。在宏觀問題的處理中，有一個impulse response(衝擊響應)問題。使用cholesky分解背後的邏輯跟我們此處碰到的問題是極端類似的。。已知條件就這麼多，剩下就是各大研究所研究員自己的問題了，有些研究所願意把算法公布，有一些則不願意這麼做。早期在這個領域叱吒風雲的就有宣稱估計誤差不超2%的銀×證券研究所吊詭的是，同樣還是這個機構2011年6月左右宣稱：“我們內部做了評估分析，不管統計模型如何精密，倉位測算結果實際上要達到真實或者相近真實情況，難度都非常大。由於我們水平有限，統計計量能力不足，既然如此，我們就停止做這方麵的工作了。”當然了，有了基金評級業務，似乎也不必要再在這個領域跟其他研究所搶飯吃了。或許誰都沒那麼高尚。這個小故事應該也就到這裏就結束了。。之所以把它記得這麼清晰是因為這至少給筆者樹立了一個標杆，模型校驗標準至少要以這個幅度來保留多參數優化個體。隨著進程的深入，無論如何也有幾個問題不能解決。麵對著眼花繚亂的各大研究所的估計值，筆者也抓起電話詢問過其他研究員。但答案大同小異，直到無意間被一個所內高研問起，才驚醒原來所內也有力量在做此類研究。但是在走廊聊了半個小時才真是失望透頂。憑什麼計算beta的參數是m而不是n？憑什麼市場指數的選擇是A不是B？這些計算的根基都沒有要如何才能得出準確的數值？“GIGO”來形容筆者的感受一點都不過分。至少筆者還在這些問題上做出了努力，但仍然對於單隻基金的估計沒有辦法認同。很多細節可能並不是讀者所感興趣的，但與基於濾波過後看數值的相對變化還是比絕對值有意義。
這個例子究竟告訴我們什麼？專家不可靠，多響亮的名頭都是一樣。為了混口飯吃，很多人或多或少的打腫了臉給你看個滿麵春光而已。要習慣在不精確的環境下進行投資分析判斷，或者至少要對任何一個算法抱有戒備之心。從賣方分析報告中吸取營養，就更不能沒有提防。