Ang pagpapatakbo ng automated book ay lubos na mahirap. Ang katatagan na kailangan para sa backtesting at automation ay isang buong trabaho sa buong oras. Isang buwan ng pagpapalit-palit gamit ang AI loops kasama ang aking sariling input ay nagproduko ng dalawang maliit ngunit totoo at maraming taon na edge, at sa kanilang sarili, hindi sila gaanong halaga. Ang AI ay maghahatid ng mga estratehiyang tila nakakaloka kung susuriin mo sa backtest, at siguradong overfit. Kung isang buwan ng AI iteration ay nagbibigay sa iyo ng isang automated portfolio na may Sharpe 2, ito ay naglaloko. Hatiin ang iyong data sa dalawang bucket: limang taon na maaaring pag-aralan ng AI, at walong buwan na isinara. Makikita mo ang parehong pattern sa karamihan ng oras: magagandang numero sa limang ma-access na taon, na binawi sa walong isinara na buwan. Ang paghahanap ng totoong edge na karapat-dapat sa automation ay mas mahirap kaysa sa inakala ko, at nangangailangan ng maraming human input at trader experience upang gabayan ang aking AI kaya’t hindi ito magmimina ng magagandang numero nang walang lohika. Ang eksperimentong ito ay nagturo sa akin ng limang bagay: 1) Mayroon pa ring edge sa tao at diskresyon. 2) Ang simpleng edge ay mabilis na nawawala. 3) Ang pagsasama ng discretionary angles kasama ang statistika, at pag-alis (ano ANG HINDI dapat gawin), ay maaaring maging pinakamalaking lakas ko sa hinaharap. 4) Ang anumang madaling iminina, tulad ng simpleng candlestick at volume patterns, ay tuyo kung i-tradeg lamang. 5) Ang mas mahirap isulat bilang isang testable hypothesis, mas maraming edge ito ay maaaring magkaroon. Ang iyong personal na pag-unawa sa balita, kung ano ang epekto dapat ng isang headline kumpara sa ano nga naman ang nangyayari, at ano ang ibig sabihin nito sa iba’t ibang sitwasyon, ay isang halimbawa ng discretionary experience. O ang iyong pag-unawa kung sino ang kasalukuyang nagtatrabaho sa merkado, sino ang may-ari ng bag, aling counterparty ang aktibo, at ano ang mga di-isusulat na bagay na nag-aalala sa iyo tungkol sa isang merkado o parang sobra-sobra sa sandaling iyon. Naniniwala ako na mayroong alpha kahit sa simpleng statistika, kaya’t hindi ko ma-post lahat. Ang paraan naman ay libre: tratuhin ang isang istatistika tulad ng August seasonality bilang isang confluence, hindi bilang signal. Sa sarili nito, ito ay trivia. I-stack ito kasama ang iyong setups, at ito ay edge. Sa simpleng salita: ang mas maraming data points na pinagsasama mo mula sa personal na karanasan, proseso ng pag-alis, at statistika, mas madalas kang makakahanap ng mga panahon na may kita, ang uri ng trade na unlikely na ma-stole ng mga makina. Para tapusin ito nang may kabutihan, narito ang isang maliit na insight tungkol sa August seasonality: