論述、講課了幾年後，最近，總算感受到台灣程式交易圈，交易是需要建立管理系統這個觀念，漸成顯學之勢。在交易管理系統中，對策略圖表的績效評分就是所有管理行為的源頭，先有了策略績效的評分，才以策略績效的評分作為資金分配的對應動作。我與認識的友人絕大多數都是做順勢的投機交易，很習慣的把商品走勢本身的波動就等於策略是否能賺錢的等量指標。事實上，我認為這是錯誤的連想。就算商品價格真的有一個波段走勢的出現，你有沒有看過原本設計為順勢波段的策略卻是虧損的？當行情看似箱型、旗型整理、甚或大小喇叭走勢，自認為順勢波段的策略卻獲利了？如果你也有過這樣的經驗，就該回頭想想，商品價格本身的走勢類型，真的是能直接連動你的策略績效嗎？很明顯的，不是。過去，我們習慣以商品價格本身的波動來衡量風險的大小或利潤的預期，現在我認為，這樣的想法問題很大！
同一個專案，在工程師眼中、在 PM 眼中、部門主管眼中、客戶眼中，對於專案的評價是好或不好都是不同的，所以必須有個協同大家盡量往同一個目標前進的管理工具，讓不同的角色做好不同工作，並且每個角色都有各自的指導標準。換言之，每個人員都背負不同的工作績效指標，也就是所謂的 KPI。
在未來一段日子，大家應該很有可能持續鑽研 圖表績效KPI 與 以KPI做資金分配 的效果研究。從個人過去的經驗告訴我，不應該以現有策略績效去做管理機制的回測，因為那存在著明顯的生存者偏誤。
不要誤以為有什麼 KPI 用了會一直爽的，我們期望的是長期性的優勢。你總是會看到短時間內，原始策略圖表的表現比管理介入後的表現更好，這時候你可能會很懊惱，如果沒有強烈的信心，放棄，或許就成為你的反應與決定。
有鑑於交易管理系統的發展，主要是為了應付永遠的 Outside sample：未來。我認為以隨機產生的權益曲線會是更佳的模擬對照。簡單的理由：天曉得我的策略掛上商品，往後會走出怎樣的權益曲線？未來的一切都是不可預料的啊。而透過隨機產生的績效曲線，可以產生很大量的績效曲線供我們做管理前後的比較，更可以模擬出在某些設定偏向情境的績效組合下，大量樣本的統計差異，協助我們得到管理行為的效益預期。
順帶一提。直接採用商品波動（把商品價格當做 KPI 的 input）來決定進場口數大小的作法，改善回測績效是容易看見的，不然我也不會在書上寫了一篇『交易策略回春術』。但我並不認為這會是該項 KPI 強力的有效證明，那就是改善策略 "回測" 績效的一種選項而已。尤其是如果你以為這麼做就可以讓帳戶風險得到控制，千萬不要這麼想啊！當它是一個策略圖表時候，它就只是一個策略圖表績效曲線，過去要面臨問題一個也不少，回測永遠只是回測。我們依然要處理這個圖表的上下架問題、分配多少資金給它的問題、估算這個圖表的風險有多大的問題...
為什麼我認為在發展自己使用的 KPI 上，用 Random Equity 來做模擬測試很重要？舉個例來說，最近 Optimal F 被用來當做 KPI 作為測試，在我讀了 牧清華 大的介紹，感覺計算過程好麻煩 XD。偷個懶，先用 Optimal F 的源頭 Kelly fomula 做一下模擬，看看在各種不同的 Equity curve 下的管理前後有怎樣的差異。
TMS_1 這一項就是以 Kelly fomula 作為 KPI，在四個 random equity 的管理後統計表現，就我最重視報酬風險比來看，很明顯的，在管理後的表現是遠比原始的 Equity curve 優秀許多的，有效！但是從 平均MDD 來看，就看不到風險控制的效益。看到這樣的統計數據時，你該問問自己，這是你要的嗎？如果是（平均損益提高好多喔），就上了！如果不是，可以再思考看看有沒有哪些改進的可能？畢竟，我們很難對 random 做特別的 over fitting。或者換別種 KPI ？
大量隨機產生的 Equity curve 讓我們得到要引為管理系統核心的 KPI 與 資金分配方法，具有更佳的統計描述，更能夠對不可知的未來有較佳的情境預期，一次比較多種不同的評價方法更會讓自己有所比較與取捨，建立未來持續執行下去的信心。透過這個模擬的過程，讓你真切相信你要用的管理方法，這...至關重要！
猜想一下，random 產生的 equity curve 中，會不會出現一路走高（商品走勢的厚尾反應到績效上）的看起來不隨機現象？當然會有。我要再度強調一下：不要直接把商品價格走勢與策略圖表績效做對等想像。
